脑机接口(brain-computer interface,BCI)技术是在大脑与外部软硬件设备之间建立的一种沟通和控制通道,该通道可使用户使用脑信号与外界进行交流沟通或控制外部设备,不需要借助语言或肢体活动,为患者开辟了一条与外界交流的通道,是一种新兴的人机交互方式,也是未来人工智能发展的基础。在脑机接口系统中,特征提取是最重要的环节,影响着整个系统的分类性能。传统特征提取方法有从时域,频域,时频联合,空域等对脑电信号分析。由于脑电信号(EEG)是一种产生机理相当复杂且非常微弱的随机信号,还容易被肌电信号(EMG)、眼电信号(EOG)等外界因素的干扰,都会影响系统的分类正确率。为提高运动想象脑机接口的分类正确率,本文用结合小波包分解与近似熵的方法对脑电信号进行特征提取。该方法利用小波包对脑电信号全频段进行分解,用近似熵函数对分解后的结点提取分类特征,然后用稀疏表示对特征向量进行降维,最后使用功率差方法进行分类。实验中选择不同的通道数是为了寻找有效信道,使这些信道可以准确的反映各种运动想象任务或肢体运动特征,并可减少噪声及不相关信道的干扰,以减少算法复杂度并减轻通信系统负担,提高脑机接口系统运行效率。实验结果表明,在使用1秒数据进行分类的条件下,该方法在使用两种不同通道集合时都取得了很好的分类效果。该方法与小波包分解与空域滤波方法和传统的共空域模式方法相比在不同的信道数时分类正确率都有所提高。另外,使用的数据长度越短,分类识别率越高,表明该方法更适用于较短的数据,有利于提高脑机接口的信息传输速度