脑-机接口技术已经成为国内外研究的一个热点,它不仅是一种全新的助残方式和控制手段,对正常人而言,也能提供一种特殊的信息交流和生活娱乐方式。脑-机接口中的控制信号可以分为自发脑电信号和诱发脑电信号两类。由于节律特征比较明显,目前对基于诱发脑电信号的脑-机接口技术的研究相对成熟,但是需要额外的刺激系统。而基于自发脑电信号的研究采用的脑电控制信号自发产生,不需要刺激,实际应用起来比较方便,但是节律特征不是很明显,这就对特征提取和分类方法提出了很高的要求,目前大多数的研究还处于实验室阶段,分类正确率不高,很少应用于实际。因此对基于自发脑电信号的脑-机接口中特征提取和分类方法的研究具有很重要的意义。运动想象脑电信号是自发脑电信号的一种,本文利用实验室NEUROSCAN平台设计实验采集脑电数据,对想象左手握握力器,想象右手握握力器,想象右脚踩油门三类运动想象任务进行了研究。首先利用NEUROSCAN平台中SCAN4.3软件滤除实验中不可避免的眼电(EOG)干扰成分,然后提出了一种FFT和IFFT结合的方法对滤除眼电后的运动想象脑电信号进行滤波,并对滤波后的数据进行了平均能量分析,来验证滤波的可行性。在特征提取方面,对基于AR模型的功率谱估计和离散小波分析两种特征提取方法作了分析。在运用常用的基于AR模型的功率谱估计方法时,谱图显示ERD现象不大明显,因此本文设计了一种基于离散小波分析的特征提取方法,并采用此方法提取了信号的两种特征,分别为能量值特征和能量值与小波系数的组合特征,作为分类器的输入,用于后面对这两种特征和分类器的选择比较。在分类器的设计中,介绍了三种分类方法:BP神经网络分类器,自组织神经网络分类器,粒子群优化支持向量机。其中自组织神经网络分类器和粒子群优化支持向量机是本文新设计的两种运动想象EEG分类方法。分类结果表明,在特征的选择上,采用能量值和小波系数的组合特征进行EEG分类,效果好于单一的能量值特征,分类正确率较高。在分类方法的选择上,自组织神经网络和粒子群优化支持向量机的分类方法好于常用的BP神经网络分类器,两者最高分类正确率都达到了80%。粒子群优化支持向量机分类效果稍好,但是增加了网络的复杂度;自组织神经网络简单易于实现,并且能对不同受试者的特征自动进行分类,适应性强,因此本文采用自组织神经网络进行分类器的设计,并在此基础上,对自组织神经网络的初始权值的设定进行了算法上的改进,进一步提高了分类正确率。最后得出结论:本文通过设计实验,对想象左手握握力器,想象右手握握力器,想象右脚踩油门三类运动想象任务进行了特征提取和分类方法研究,利用FFT和IFFT结合的方法对脑电信号进行预处理,在特征提取方面,采用离散小波分析提取脑电信号的能量值和小波系数的组合特征,在分类方法的选择上采用改进的自组织神经网络,分类效果较好。