基于大脑运动想象的脑-机接口(Motor Imagery based Brain Computer Interface, MI-BCI)系统能够将主观运动意图转换为输出指令，建立起运动意图与肢体动作间的有机信息联系，有助于肢体偏瘫或残疾患者的运动功能替代和修复。然而，传统MI-BCI范式的运动意图解码能力较为有限，严重制约着这一技术的临床应用。近年来，一种新型的运动想象调制稳态体感诱发电位(Motor Imagery Regulated Steady-State Somatosensory Evoked Potential, MI-SSSEP)的BCI范式被引入到运动意图解码领域，它能够有效提高脑电信号中携带的运动意图信息从而获得更好的解码效果。本文工作针对该范式特点进一步发展了相关特征提取和识别算法，以充分发挥新型MI-SSSEP范式的优势，获得更好的运动意图解码效果。
　　论文研究中首先提出了一种新型脑电特征——刺激间相位相干性(Inter- Stimulus Phase Coherence, ISPC)。经12名被试MI-SSSEP脑电实验数据分析发现，MI任务可导致大脑对侧SSSEP响应的刺激间相位同步性显著降低，表明肢体运动意图对于同位置刺激诱发的SSSEP响应具有相位调制效应。将ISPC特征与传统的功率谱特征相结合进行基于单导联脑电信号的MI解码，结果显示其对左、右手运动想象识别准确率达到81.25%，远高于传统MI模式下的61.5%。
　　针对运动想象解码中高维脑电信号特征的优化问题，论文研究中发展了一种基于流形特征信息刻划的黎曼核支持向量机递归特征筛选方法(Riemann Kernel Support Vector Machine Recursive Feature Elimination, RKSVM-RFE)。对10位被试七种不同肢体部位运动想象脑电信号数据进行特征优化后，识别结果显示基于新方法的平均识别率较经典共空间模式方法(Common Spatial Pattern, CSP)提高了近7%，并且能够消减近50%的脑电信息采集通道。
　　论文研究中最后设计了基于MI-SSSEP范式和RKSVM-RFE识别方法的多指令集运动意图解码系统，对包含不同肢体部位组合方式及力负荷等级的八种运动想象任务进行解码，8名被试的平均识别率达到77%，最高者可达到89%。
　　论文研究表明MI-SSSEP范式具有丰富的神经生理学内涵，在运动意图解码上具有良好的潜力，新型特征及适合算法的发展对充分发挥MI-SSSEP范式优势具有关键性的作用，值得进一步研究。