脑机接口(Brain Computer Interface,BCI)是一种实现人脑和计算机或其他设备之间通信的系统,为人脑和外界的信息交互提供了一种全新的方式。脑机接口的初衷是帮助身体有严重运动障碍的人对外部设备的控制。基于此,本文设计了一套基于运动想象的智能家居控制系统,旨在帮助残疾人通过自己的想象控制外部的家居设备。论文的工作主要体现在以下几个方面:(1)预处理阶段,在基于独立分量分析(Independent Component Analysis,ICA)方法的基础之上,提出了基于最速步长下降的独立向量分析(Independent Vector Analysis,IVA)方案,并通过人工混合数据和实采脑电数据两个仿真实验论证所提出算法的分离效果和收敛速度。实验也表明,所提出算法的信干比优于ICA和自然下降IVA方法;相关矩阵的副对角线数值也保持在0.85附近,说明分离效果明显;另外通过实采脑电数据所得出的收敛速度最快。(2)特征提取阶段,为克服小样本特征提取不稳定的缺点,可以在共空间模式(Common Spatial Pattern,CSP)下引入正则化方法,对训练数据进行加权后再合并,有效避免了训练样本的单一性。通过简化样本可减少数据的个体差异,并提高系统的稳定性。(3)分类识别阶段,线性分类器的主要特点包括计算量小,模型简单,并且对二分类问题具有较为优越的性能。但是,对于现阶段更多的将脑机接口应用于在线实验这种趋势而言,线性分类器仍有两个重要问题待解决。第一:在实验阶段,短时间之内只能采集到很小的样本量,达不到机器学习的最佳效果。为了扩大样本量,只能将受试者之前采集的样本数据加入到现采集的样本数据中共同分析。第二,均通过离线训练获得实时操作的脑机接口系统中的EEG信号的特征提取和模式分类模型。为了解决线性分类器这两个问题,本文将Fisher线性分类器进行优化,即采用一种基于自适应感知线性分类器(adaption perceptron LDA,ap LDA)的算法,使其应用于在线分类,并提供系统在线分类的精度。(4)最后,论文设计了一套基于运动想象的智能家居控制系统,受试者通过头戴Emotiv Insight脑电设备进行运动想象,即可控制家居设备。并通过实验分析,得到了90.25%准确率,实验结果表明本文提出的基于运动想象的智能家居系统的可行性、准确性和实用性。