脑电信号(Electroencephalogram,EEG)是一种能够体现人的思维意识以及肢体活动的生物信号。脑-机接口(Brain Computer Interface,BCI)则是脑电信号的一个重要应用方向,它可以实现人脑控制信息与其他外设之间的直接通信。而基于运动想象(Motor Imagery,MI)脑电信号的BCI具有想象任务简单、想象与目标动作一致性高、可以实现异步通信等特点、更适合用于康复辅具的控制和神经运动功能康复,成为BCI领域内近年来备受关注的研究热点。在BCI系统中,将脑电信号转换为控制指令是最核心的部分,也就是对脑电信号的特征提取和模式分类。本文在本体错觉反馈现象的研究基础上,提出了在运动想象识别中引入不同范式的本体感觉反馈环节,并分析其对识别实时性和准确率的影响。以下是论文的主要内容及其创新之处:(1)为了更好的消除脑电信号中混有的噪声,针对传统的经验模态分解方法在消噪过程中出现的模态混叠现象,以及传统提升小波易导致奇异点严重失真的不足,提出了一种基于总体经验模态分解与改进提升小波的脑电信号消噪方法,通过仿真和对比实验表明了提出的方法的有效性。(2)在特征提取方面,针对经验模态分解在处理多维信号过程中的局限性,提出了一种基于噪声辅助多元经验模态分解和样本熵相结合的脑电信号特征提取方法,依据运动想象脑电信号的事件相关去同步化/事件相关同步化现象,提取C3、C4通道的脑电信号分段的样本熵值作为特征向量。(3)在模式分类方面,应用了极限学习机,一种学习速度快且泛化能力强的求解单隐层神经网络的算法,对提取后的特征分量进行分类,并对该方法中激励函数和隐含层神经元个数的确定进行了研究。最后通过实验对算法效果做了验证分析。(4)在本体错觉反馈方面,结合人体平衡和本体感受器的机制,进行了本体错觉的振动模式的设计。做了不同范式运动想象识别实验与分析,探讨在无反馈,加入正反馈、负反馈和伪造反馈的环节下对运动想象脑电的分类识别的影响,实验结果表明,只有加入适当正反馈时,才能有效提高分类识别效果。而不当的反馈可能导致分类识别降低,甚至导致BCI系统不能正常工作。