从脊柱损伤患者脑电信号解码肢体运动参数以控制机器人辅助患者运动具有重要意义,且是目前脑机接口（Brain Computer Interface,BCI）领域的研究热点之一。由于非侵入式脑电信号（Electroencephalogram,EEG）安全、快捷,因而与基于侵入式脑电信号的脑机接口相比,基于非侵入式脑电信号的脑机接口更容易被患者群体接受。实现运动障碍患者的运动辅助需要实时连续的神经假肢控制,而先前的研究更多围绕基于脑电信号识别离散运动意图或离散的大脑活动分类。近年来,已有相关研究表明通过EEG解码连续运动参数来实现机器人的连续控制具有可行性,并且大量报道了基于低频段EEG的慢振荡幅值特征对连续的运动相关信息进行解码的相关研究。目前基于脑电信号幅值特征的运动信息解码存在精度不高的问题。已有相关文献报道了EEG信号的相位特征比幅值特征包含更丰富的运动相关信息,可实现更准确的运动控制解码和感知反映。而复数特征能结合幅值信息及相位信息,包含更全面的运动相关信息,这为提高基于浅层线性机器学习模型从脑电信号复数特征解码手部运动参数的精度提供了可能。在脑电信号复数特征的基础上,更为准确的解码模型对解码性能的提升也有极大的帮助。基于浅层线性机器学习模型从脑电信号解码运动参数需要人工设计特征,难以获取特定于任务的复杂抽象特征。近年来,深度学习因其可自动学习信号的复杂抽象特征,在计算机视觉、自然语言处理、语音识别等领域被证实相比于浅层的机器学习方法可获得更高的分类和识别准确性。实数深度神经网络虽然能自动学习脑电信号特征,但只能刻画幅值信息,无法获取相位信息。而复数神经网络因能提取脑电信号的复数特征,相比实数神经网络,复数可以同时表征幅值信息和相位信息,并且在深度神经网络框架下融合这两种互补的信息,从而为提高解码精度提供了可能。综上所述,本文对基于脑电信号解码手部运动参数从特征和解码模型两个方面进行了研究,主要开展了以下三个方面的工作:1、进行了脑电数据和运动参数的预处理。本文对脑电数据进行了去伪迹,滤波,降采样等预处理工作;对运动参数进行了滤波、降采样等预处理工作。通过对所采集的数据进行预处理,去除干扰伪迹,提高信号信噪比,作为本文的解码任务的实验数据。2、针对于目前基于EEG信号的幅值特征或相位特征解码手部运动参数的解码精度不够理想的问题,提出了一种基于脑电信号复数特征和浅层线性机器学习模型解码运动参数的方法。通过提取脑电信号复数特征,将幅值特征和相位特征结合,从而能全面利用EEG信号包含的运动相关信息;使用浅层机器学习的代表性方法多元线性回归（Multiple Linear Regression,MLR）和卡尔曼滤波模型（Kalman Filter,KF）对复数特征与复数域运动参数的映射构建线性解码模型。实验结果表明,相比于基于幅值特征和相位特征的解码方法,本文所提方法有效提升了运动参数的解码精度;同时,该方法的解码精度也优于基于功率特征的解码方法。3、针对基于浅层线性机器学习模型从脑电信号解码手部运动参数需要人工设计特征,难以获取脑电信号的复杂抽象特征。而实数深度神经网络虽然能自动学习脑电信号特征,但只能表征幅值信息,无法表征相位信息的问题,提出了一种基于复数循环神经网络从脑电信号解码手部运动参数的方法。通过复数循环神经网络输入层对脑电信号进行短时傅里叶变换（Short-Time Fourier Transform,STFT）得到复数域表征,然后,利用复数循环神经网络自主学习复数特征并进一步解码手部运动参数。实验结果表明,相比基于浅层机器学习代表性方法多元线性回归和卡尔曼滤波,本文所提方法有效提升了基于EEG信号解码运动参数的解码性能;同时,相比基于实数循环神经网络的解码方法,复数循环神经网络对运动参数进行解码可有效提升运动参数解码的精度,展现了所提方法在神经假肢连续运动控制应用中的潜力。