近几年,脑机接口(Brain-computer interface,BCI)系统的研究成为人工智能领域内科研以及应用技术研究热门方向。BCI技术允许人类通过运动想象(MI)信号控制外部设备,在医学康复以及军事科技领域有良好前景。该技术的关键之处在于对脑电信号的正确识别分类,但现有的许多特征提取算法无法消除人脑个体差异对脑电信号的影响,从而阻碍了BCI系统的广泛应用。本研究基于现有的BCI技术,对脑电运动想象信号进行数据分析,频带筛选和特征提取,与卷积神经网络(Convolutional Neural Network,CNN)信号分类器结合,提出了一种新的分类算法,消除了个体差异并很显著提升了分类准确率。脑电信号的预处理方法中,通常采用初始信号滤波或者去噪重构的方法,提高信号信噪比,但是滤波范围和去噪阈值设定并不严谨,导致脑电分类算法的普适性较差。在本文中,我们采用离散小波变换(Discrete Wavelet Transform,DWT)计算每位被试的频带能量分布,选取最佳频带,提升算法普适性。常见的脑电分类算法提取的特征包括时空域特征以及频域特征,时空域特征是利用卷积核对于初始信号进行窗口滑动,提取出时域和空间域特征,这种方法受实验数据影响较大,可靠性低。频域特征是对时域信号进行傅里叶变换,得到频谱图作为特征图,这种方法一般应用于多通道脑电信号分类算法。本论文选用了功率谱密度图作为特征图,基于视觉几何组网络的CNN分类器进行分类。实验框架描述如下:首先对输入的脑电信号(滤除50-100Hz的高频部分)进行尺度为1的DWT变换,分别求取初始频带(0-50Hz)五个子频带的能量占比,通过滤波保留占比最高子频带。其次,利用滑动时间窗法对频带选择后的时域信号进行数据预处理,缩短输入样本的时间长度且不改变信号的原始信息。接下来,求取拓展后的样本的功率谱密度(Power Spectrum Density,PSD)图,并作为CNN的训练集和测试集特征图。最后,训练集PSD特征图输入CNN网络进行训练,并对测试集特征图分类,得出分类准确率。在本研究的性能方面,我们主要比较了对于同一被试左右手腿舌头运动想象信号的分类准确率。在脑电信号的分类实验中,CNN平均训练准确率99%,平均分类准确率达到96.21%,远远超过了当前最新研究所得到的结果。在消除个体差异方面,9位被试的分类准确率都在90%以上,损失均低于0.35。本文提出的算法,根据能量分布的计算,针对不同个体进行自动频带选择,消除了个体差异对分类准确率的影响,提升了算法普适性。其次,结合能量的分析选用了PSD特征和CNN分类器,极大提升了四分类脑电信号的分类准确率,降低了训练迭代,提升了训练速度。是一种准确率高,普适性强,资源消耗低的全新算法,为未来的实时脑电分类系统提供了一种新的算法选择。