近年来,脑机接口的研究取得了较大进展,在运动功能修复和重建、人机交互等领域应用逐步推广。脑机接口是连接大脑与计算机的直接通道,借助此通道将大脑信号直接传送至计算机系统进行处理和分析。基于脑电信号的脑机接口是非侵入式脑机接口中应用较为广泛的一种,具有良好的时间分辨率、易用性及便携性,其缺点在于较低的空间分辨率和信噪比。脑电信号反映脑神经活动的特点,在医学领域,可用于癫痫、脑卒中等疾病的诊断、治疗和康复。例如脑卒中患者可通过脑机接口在运动想象过程中获得反馈,刺激相应区域肌肉从而达到帮助大脑损伤区域康复的作用。此外,对于运动功能受损的患者,可通过脑机接口直接控制机械臂的操作,以达到训练、恢复脑功能的目的。在神经科学、认知学等领域,脑电信号和事件相关电位()常用于分析受试者大脑在实验过程中的活动,研究大脑认知过程中的规律。传统的脑电信号处理方法主要有时间滤波、空间滤波、主成分分析、独立成分分析等。目前较主流的脑电特征提取方式是功率谱密度和公共空间模式算法。传统的机器学习方法是在完成数据预处理及人工构造样本特征的基础上,应用合适的分类算法进行样本分类。在分类器模型上,本文主要尝试了近邻算法、支持向量机、随机森林、朴素贝叶斯、多层感知机等常用模型,并在使用同一种特征构造的基础上比较了这些分类器各自的分类效果。深度学习能够表征高阶抽象概念的复杂函数,在图像分类和识别、语音识别、自然语言处理等领域都有极大的突破,在脑机接口与脑电信号处理方面,深度学习的应用相对较少,目前主要集中于运动想象分类、情感识别等学习任务中。在本文中,我们提出了基于深度学习方法的端到端脑电信号分析识别框架,信号在经过初步去噪和滤波后,使用卷积神经网络、循环神经网络、深度森林等模型直接进行训练和优化,学习脑电数据在空间、时间和频率维度上的高层抽象特征表示,并进行分类识别。深层的模型能够有效地获取数据中存在的模式和规律,相比浅层的网络或其他模型,深度学习具有更强的泛化和迁移能力,使得模型在分类任务上效果更好。脑电信号作为一种时序信号,可通过多帧数据的处理框架加上循环神经网络(如长短时记忆网络,)等模型的使用,来有效地记录上下文信息并训练模型,从而提高分类正确率。本文主要针对脑机接口竞赛所提供的基于运动想象和单词联想的公开脑电数据集、实验所采集的手术后康复期内的脑卒中患者在多项运动想象任务中的脑电数据集,以及竞赛平台所提供的癫痫患者发病前期与发病期间的植入式脑电数据集,对本文所提出的多种传统机器学习处理框架和深度学习处理框架进行评估和对比,并对多种常用的分类算法进行了性能的比较。实验表明,在数据规模有限的情况下,相比传统的机器学习方法,深度学习模型在脑电数据集上仍能获得较好的分类正确率,证明了深度学习算法在脑机接口和脑电信号处理领域的应用价值。