由于在康复医疗等行业的突出贡献,脑-机接口(Brain Computer Interface,BCI)已经成为国际智能科学领域的一个研究热点。基于单次运动想象脑电信号的BCI系统是将不同运动的脑想象产生的脑电(Electroencephalogram,EEG)信号作为输入,通过分析生成判断运动状态的控制信号。对于EEG信号的模式识别是整个系统设计中的重点。本文以单次运动想象脑电信号的意图识别为基础,研究分析了动想象EEG信号的采集、去噪、特征提取、分类的过程。(1)针对自发的脑电诱发范式缺少监督,长期单调的任务容易造成受试者注意力下降等问题,文章提出了一种具有运动反馈的脑电诱发范式——“碗球”实验。在脑电意图想象的基础上添加动态反馈控制,以研究约束操作对象任务中的脑电意图识别。(2)EEG信号中包含丰富的时间空间信息,为了滤除其中的噪声伪迹,本文对最大分量分析法和独立成分分析法在去除脑电信号所包含伪迹的分离性能以及处理的实时性进行对比。结果表明,两种方法对噪声信号均具有分离效果,且都可以保证实时性,但最大分量分析法比独立成分分析法具有分离效果更好,相关性指标更高,分离相似度高,相似度值浮动小更稳定等优点,具有更广泛的应用前景。(3)对于脑电信号非平稳非高斯等特性,文中从相位特征的角度对EEG信号进行了分析。通过提取脑电信号的固有模函数,利用希尔伯特-黄变换构造相位波动函数。利用去趋势波动分析对EEG进行尺度分析,提取脑电信号的特征。利用正则化判别分析识别脑电意图。使用BCI竞争数据集进行比较实验。基于该方法,BCI比赛的脑电意图识别准确率可达92%,而“碗球”实验的脑电意图识别准确率可达96%(p<0.01)。说明运动反馈可以通过影响唤醒程度来提高个体的任务性能,提高意图识别的准确性。本文提出的具有反馈的运动想象脑电诱发范式以及对运动想象脑电信号的分析研究,为今后运动想象意图识别提供了理论支持,对提高BCI系统的分类性能具有积极的意义。