对BCI系统的研究涉及内容较广，是一门依托于多学科的交织技术，无论是从神经生理学角度，还是信号处理与模式识别的方向，亦或是从智能控制理论与计算机科学、医疗恢复等，都可以对BCI系统展开深入研究。BCI作为一个新兴的研究方向，与其它成熟技术相比，许多理论知识尚处于探索阶段，需要更深入的探讨与考证，要想在生活中发挥重要作用，还需要走很长的路。这些年来，脑机接口技术的研究不断突破，取得了许多具有发展意义的成绩，这主要取决于两点。一方面是神经科学(Neural Science)方面基础研究上的突破。原来我们只知道但大脑进行思维活动时会使人产生脑电信号，而且脑电信号可以分为多种类型，但是对于不同类型的脑电波在脑中是如何分布的，却没有准确的认知。现在科学家对这些脑部运动神经元基础研究不断深入，对神经机制有了更细致的了解，对于不同类的脑电信号所产生的区域，科学界有了更透彻的认识，从而使确定信号采集位置的问题得以解决。另一方面，也得益于神经工程学(Neural Engineering)方面的发展，使得理论知识更加系统化，联系也更加紧密，在BCI方面，原来无法检测，或检测后无法进一步分析的EEG信号，现在我们可以进行检测和分析了。本文针对第二届BCI国际竞赛数据(由奥地利Graz科技大学提供),结合小波变换，对原始信号进行数据压缩。同时，分别采用功率谱分析和分形维数的计算，对运动想象脑电信号进行特征提取与分类识别。首先，对数据进行预处理，包括时间段的选择和带通滤波器的设计。在这里，减少感兴趣的数据长度是很重要的。截取数据原则是选取最有辨别力的，且可以获得最有效的计算、最高分类正确率的部分。根据Graz实验任务，在持续9s的实验中，前3s采集的数据不含有所需的运动想象信号。由于人在运动想象时产生的ERD/ERS有一个发展的时间过程，因此我们直接选取4~7s内数据。其次，结合小波变换，比较了采用几种不同小波基进行分析的实际效果；压缩数据，获得最优数据段，减少了特征提取阶段分析的复杂性。最后，对最优数据段进行功率谱分析和分形维数的计算，组合特征向量。最终证明，不同想象任务的C3/C4通道能量差异明显，可以作为分类的依据。结合线性分类器，对分形特征向量进行分类识别。本实验室还设计了便携式脑电信号采集仪，为方便进行运动想象任务实验，基于VB设计了脑电信号采集辅助系统，可以记录每个实验者的基本信息和数据分析结果。