脑机接口技术(Brain-Computer Interface,BCI)是一种新型的建立大脑与外部环境之间连接通路的系统,是未来科学技术的发展重点。目前BCI技术被广泛应用到各个领域,例如环境控制与生活娱乐等领域。其中运动想象(Motor Im agery,MI)的研究更是研究热点。因此,研究基于运动想象脑电信号的分类具有重要的科学意义。本文基于两组四分类的运动想象脑电数据集,对基于运动想象脑电信号的特征提取方法与脑电信号分类算法的应用进行深入的研究,同时实现了基于小波变换为核心算法的在线运动想象脑电信号识别系统,论文的主要内容如下:1.基于BCI竞赛iv的数据集Data Set 2a与BCI竞赛iii数据集Data Set iiia两组多分类运动想象脑电信号数据集,设计了基于滑动窗口的时间段选择算法,基于不同的被试之间的差异性,选择最适合被试的时间段进行处理;2.针对目前在运动想象脑电信号领域大多为提取单一特征且更多为二分类算法的研究,本文提出基于小波变换的时频空多分类特征提取算法,基于脑电的传导过程提取时域特征;基于运动想象的ERD/ERS现象提取频域特征:二阶矩能量;基于脑电的空间相关关系,通过共空间模型(Common Spatial Pattern,C SP)算法提取空间域特征,同时对CSP算法在多分类扩展上提出了基于最佳个体特征的选择算法,实现从时域、频域、空间域多个角度,全面的解析脑电信号,从而提高脑电信号识别率。3.针对目前脑电信号多分类方法在一对一策略(One-Versus-One)以及一对多策略(One-Versus-Rest)上存在的问题:当多个类别投票相同时,出现无法正确识别的问题,针对这现象,本文基于支持向量机(Support Vector Machine,S VM)提出了加权得分(Wighted-Score)机制,通过将训练阶段各二分类器的结果作为测试阶段的加权得分项,最后综合得分最高者为该类别的标签,并与OV O与OVR策略进行的对比,结果显示,WS机制在整体上要优于其它方法,平均识别率提高了5%。同时结合特征提取方法与分类算法,在两个数据集的进行了对比,结果显示,在数据集一,本文方法最好的平均Kappa值达到0.69,较竞赛第一名的0.57有明显提高;在数据集二上,本文平均Kappa值达到0.77,平均识别率达到0.83。实验结果验证了本文方法在特征提取与分类上的优异性。4.基于上述提出的特征提取算法与分类算法,实现了在线脑电信号识别系统。本文基于Qt框架与脑电信号领域广泛认可的实验流层传输协议实现了脑电数据的实时传输与接收、结果的在线展示以及蓝牙传输,经离线实验测试,本文实现的BCI系统具有良好的性能,为脑电在实时领域的应用奠定的技术基础。