动作意图理解指的是人在观察他人动作行为时自发理解其动作行为背后意图的一种心理思维活动,它对人类心智、语言以及社会发展等具有极其重要的意义。近年来,人们利用各种先进的脑成像技术采集动作意图理解脑信号,以此解码动作意图理解的神经机制并开展其脑信号的分类研究。本文主要针对以往动作意图理解脑信号分类中的不足之处展开研究。动作意图理解脑信号分类是件极具挑战性的工作,以往该领域的研究普遍存在分类准确率偏低的缺陷。目前,人们仍然难以找到一种较理想的方法来解决这个问题。本课题研究基于脑电信号（electroencephalogram,EEG）尝试从不同的特征提取方法角度来有效地解决动作意图理解脑信号分类中遇到的困难。我们的具体研究内容主要包括以下几个方面:一、通过脑网络指标特征对动作意图理解脑电信号进行分类。本研究共开展了三项子研究。在子研究一中,基于三种动作意图理解脑电信号,该研究首先使用同步似然（synchronization likelihood,SL）算法在多个频带上构建功能连接矩阵,然后在这些矩阵中计算11种加权脑网络属性指标,接着使用统计阈值挑选最有用的指标,最后使用这些指标作为分类特征来开展动作意图理解二分类任务。在实验结果中,8种指标来自δ频带以及5种指标来自θ频带展示出显著的统计意义（p＜0.05）。几乎所有单一显著指标下的分类准确率高于随机水平,这些显著指标融合条件下的分类准确率更高,有的甚至接近80%。此外,支持向量机分类器条件下的真实分类准确率,其置换检验p值都小于0.05。实验结果表明新特征提取方法对动作意图理解脑电信号的分类比较有效,同时,本研究中所使用的组合方法对分类任务极其有用。在子研究二中,本文首先在溯源后的5个频带63个时间窗中使用相位滞后指数（phase lag index,PLI）以及加权相位滞后指数（weighted phase lag index,WPLI）来建立功能连接矩阵,接着在这些功能连接矩阵中计算9种加权脑网络指标作为分类特征,最后使用支持向量机（support vector machine,SVM）分类器执行动作意图理解二分类任务。在实验结果中,PLI与WPLI组合时的分类准确率要高于单一的PLI或WPLI,其中,大多数分类准确率超过70%,有些甚至接近80%。在动态脑网络的统计检验中,许多重要的节点出现在前额叶、后枕叶、顶叶以及颞叶区。实验结果表明,加权脑网络能够有效地保留数据信息,本研究中提出的特征整合方法对动作意图理解研究极其有效,镜像神经元和心智系统作为合作者的角色同时参与到动作意图理解的过程中。在子研究三中,本文首先在源空间5个频带63个时间窗中使用PLI和WPLI来建立功能连接矩阵,接着在这些矩阵中计算9种脑网络指标作为初始分类特征,然后使用方差分析以及交叉验证计算所有初始分类特征在三种动作意图刺激条件下的方差并按降序排列,依次依据设定的阈值挑选排名靠前的方差所对应的特征作为最终分类特征,最后使用SVM、线性判别分析（linear discriminant analysis,LDA）以及多层感知机（multilayer perceptron,MLP）分类器执行动作意图理解多分类任务。实验结果中,α频带和全频带获得了较好的分类结果,其平均分类准确率都超过了随机水平,最高平均分类准确率甚至超过了70%。此外,MLP分类器的表现最好。与以往其他动作意图理解分类方法相比,新方法具有一定的优势。实验结果表明,动作意图理解脑活动与α频带紧密相关,新特征提取流程对动作意图理解多分类来说是一种有效的措施,神经网络分类器对动作意图理解多分类非常有用。二、通过相位同步指数特征对动作意图理解脑电信号进行分类。本研究首先在多个微状态时间窗中使用三种相位同步指数（相位锁值:phase locking value,PLV;相位滞后指数;加权相位滞后指数）建立功能连接矩阵。接着,在每个微状态时间窗中计算那些具有统计学意义的显著差异边之和,以此作为分类特征。最后,使用SVM分类器执行动作意图理解二分类任务。分类实验结果中,所有条件下的分类准确率都超过了65%,α频带上的分类准确率超过β频带上的分类准确率;而α和β频带融合数据集上的分类准确率又都超过了单一在α和β频带上的分类准确率,其最高分类准确率甚至超过95%,最低也达到了80%。脑网络统计分析实验结果中,许多差异连接边出现在α频带,而β频带上则较少。另外,许多重要的顶点出现在颞叶、前额叶以及后枕叶区。实验结果表明,新特征提取方法对动作意图理解分类极其有效,动作意图理解与颞叶、前额叶以及枕叶区紧密相关。三、通过改进的判别空间模式（discriminative spatial patterns,DSP）算法提取特征用于动作意图理解脑电信号分类。本研究首先在预处理后的脑电时间序列中抽取几个特定成分（N70、P120、N170-P200、P300、P400-700）组成矩阵并将矩阵拉成向量,接着使用变形后的判别空间模式算法在拉伸后的向量中计算投影向量,紧接着将计算得到的投影向量还原成投影矩阵,然后使用投影矩阵转换预处理后的脑电数据到新数据空间中,以此新数据作为分类特征,最后使用k近邻（k-nearest neighbor,KNN）分类器对动作意图理解执行二分类。在实验结果中,全频带和融合带获得了较好的分类准确率。与以往关于动作意图理解分类的方法相比,新方法在某些条件下的分类准确率表现更好。实验结果表明,新特征提取方法不仅有效地避免了传统DSP算法在求解广义特征向量时容易遇到复数值的问题,而且较好地完成了动作意图理解的分类任务。此外,实验结果也表明融合不同频域上的特征可在一定程度上提升分类准确率。四、通过统计方法提取和挑选功率谱密度特征用于动作意图理解脑电信号分类。本研究首先在预处理后的脑电数据中计算不同频带上的功率谱密度;接着,使用秩和检验计算所有电极在不同动作意图理解比较条件下的p值;其次,对这些p值进行升序排列,挑出p值排名靠前所对应的电极,使用这些显著差异性电极上的功率谱密度作为特征数据;然后,再次使用秩和检验以及交叉验证对众多功率谱密度特征进行过滤;最后,在挑选出来的特征上使用KNN分类器进行二分类。在实验结果中,经过严格错误发现率（false discovery rate,FDR）校正后,显著差异电极出现在前额叶、颞叶、顶叶以及后枕叶区。分类准确率方面,不同条件下的平均分类准确率大多高于70%,有的甚至接近80%。实验结果表明,新特征提取与挑选方法不仅能够有效地开展动作意图理解神经机制的分析,还能很好地执行动作意图理解的分类任务。总之,本文合理地使用各种特征提取方法,对动作意图理解开展了综合分类研究。从分类样本上来说,这其中不仅涉及到组水平上的动作意图理解分类,也实现了试次水平上的动作意图理解分类;从分类种类上来说,既包括二分类也包括多分类。除了分类研究,本文在实验过程中对动作意图理解的神经机制也做了一些相关探究。