脑机接口(Brain Computer Interface,BCI)利用现代信息处理技术,在人脑和外部设备之间建立了不依赖于常规大脑信息输出通路的全新对外信息交流和控制技术,为人机交互方式提供了全新思路。运动想象(Motor Imagery,MI)作为BCI常见的一种,其自发式特点使得其应用前景更加广阔。但是,如何有效地获取与识别脑电信号仍是制约运动想象脑机接口发展的主要障碍。为此,本文通过视觉指导和模式分类两个方面开展对MI脑电的研究工作:(1)为了提高视觉指导下MI的训练效率,改善BCI的分类准确性,研究了虚拟现实(Virtual Reality,VR)环境对MI训练的影响以及不同视觉指导下脑电分类模型的差异。首先,设计了三种三维手部交互动画及其脑电采集程序;然后,分别在头戴式头盔(Head Mount Display,HMD)和平面液晶屏(Liquid Crystal Display,LCD)的呈现环境下,对5名健康被试进行了标准(单次实验5min)和长测(单次实验15min)两种实验方案的左右手MI训练;最后,通过对脑电数据的模式分类,分析了呈现环境和内容形式对分类准确性的影响。实验结果表明,在视觉指导的MI训练中,HMD与LCD的呈现方式存在显著性差异,HMD所呈现的VR环境能够改善运动想象分类准确性,延长单次训练时长。此外,不同视觉指导内容下的分类模型存在较大差别,其中测试样本与训练样本为同一视觉指导内容的平均分类正确率比不同情况下高出16.34%。(2)为了减少特征提取中冗余信息,提高脑电识别的准确性,提出了一种基于小波包分解(Wavelet Packet Decomposition,WPD)—共空间滤波(Common Spatial Pattern,CSP)—自适应差分进化(Adaptive Differential Evolution,ADE)的模式分类方法用于脑电信号的特征提取。该方法使用WPD-CSP对脑电信号进行特征提取,并保留全部特征,再利用ADE算法进行特征选择,选择出用于分类的最佳特征子集。ADE算法在差分进化算法基础上,通过动态地调整交叉概率和缩放因子保持进化过程中全局搜索性与种群多样性的平衡。实验结果表明,所提的WPD-CSP-ADE方法能够有效地提高分类正确率,显著地减少用于分类的特征个数。此外,ADE算法较遗传算法、粒子群算法、差分进化算法有着更好的分类性能表现。