在过去的30年里,脑电信号分类一直是非常重要的课题,它在许多研究应用中被分析为人与计算机之间的通信通道。其中,基于运动想象的脑电信号研究是最为关注的一种。目前,关于基于运动想象的意图识别有了广泛的研究,但其中大多数严重依赖于分阶段的脑电信号特征提取和分类器设计,而且忽略了脑电波数据是多维时间序列的事实,导致现有的脑电识别技术存在识别率不高且自适应能力差的缺点。针对目前脑电信号研究中存在的不足,本文提出了一种基于深度学习的脑电信号分类方法。在数据处理阶段,对特征数据采用z-score标准化方法,对标签数据采用one-hot编码方式。之后将预处理后的脑电数据分割为三部分:训练集、验证集和测试集。训练集主要用于模型的训练阶段,验证集主要用于超参数的设置,测试集则是用于模型性能的评估。模型训练阶段主要是以长短期记忆(Long Short-term Memory,LSTM)和门循环单元(Gated Recurrent Unit,GRU)两种循环结构作为基预测器,利用AdaBoost算法对基预测器训练后得到的结果进行集成预测,最终分类识别出脑电波的四种状态。本实验是在Physio Net提供的运动想象数据集上进行,实验结果表明该方案具有较好的有效性和准确性。最后,为了验证该方案的可行性和可靠性,本文设计了一套基于集成循环神经网络的脑电分类控制原型系统。该系统将模型的分类结果交给PC端处理,然后PC端将分类结果转换为具体指令,最后通过16路舵机来控制机械手的操作。该系统可以通过大脑想象特定的动作就可以实现与外部设备的交互,具有很好的实用性。