脑-机接口(Brain Computer Interface,BCI)是一种不依赖大脑的正常输出通路,直接提取大脑中信息与外界进行交互的技术,进而提高病人的生活品质。目前的技术中,BCI范式的普适性和准确性仍然是阻碍其进入实际应用的主要问题。常见的基于运动想象(Motor Imagery,MI)、稳态视觉诱发电位(Steady-State Visual Evoked Potential,SSVEP)以及P300范式的BCI并不能很好的同时解决这两个问题。本课题将研究基于稳态体感诱发电位(Steady-State Somatosensory Evoked Potential,SSSEP)的脑机接口,并从优化实验参数、改善特征提取和特征识别的方法以及将运动想象和稳态体感诱发电位范式相结合形成复合范式三方面出发,致力于整体提高基于稳态体感诱发电位的脑机接口的整体性能,以解决脑机接口的普适性和精准性问题,同时探究稳态体感诱发电位对脑网络的影响,具体工作如下:实验设计。实验设计包含硬件设计和实验范式设计。硬件设计中设计出电流刺激频率,电流大小,刺激位点实时可调的便携式电刺激器。实验范式主要研究的是SSSEP范式和SSSEP-MI复合范式。在SSSEP范式中,寻找了每个被试的个人特征共振频率,并以此频率作为刺激频率,研究个人特征共振频率对脑电信号的影响;在SSSEP-MI复合范式中,选取SSSEP范式中的最佳刺激因素,研究此复合范式对特征分类效果的影响。脑电信号的特征提取与特征分类。先对脑电信号进行预处理,然后根据要求提取SSSEP范式中全频率带和1Hz窄带的SSSEP特征,采用经典的共空间模式进行特征提取,支持向量机进行特征分类并将得到的结果与卷积神经网络得到的分类结果进行对比。复合范式中将采用全频率带的EEG特征进行分类并将得到的结果与SSSEP范式的结果进行对比。脑网络的构建与分析。本文使用格兰杰因果分析方法构建网络并研究诱发稳态体感诱发电位时脑网络的拓扑结构,探究各个脑区之间的因果连结性,分析工作任务状态下与安静状态下所激活的不同脑区之间的相互协作关系,进而推进对大脑工作机制的理解,为基于稳态体感诱发电位的脑机接口的应用提供理论支持。