脑-机接口(Brain-ComputerInterface,BCI)技术逐渐成为备受关注的焦点,可以不依赖外围神经和肌肉组织直接建立在大脑和外部设备之间的一种新型人机交互方式,实现大脑与外界直接交流。BCI系统根据脑电信号(Electroencephalogram,EEG)产生机制有多种分类,其中基于运动想象(MotorImagery,MI)信号的BCI技术作为一种主动式的人机交互模式,与大脑的思维活动方式更加符合,被认为是BCI系统中最具发展前景的方向之一。但是MI信号具有低信噪比、非线性非平稳性和个体性差异大等特点,导致对于MI信号解析的难度较大。因此想要提高MI信号的分类准确度和BCI系统的实用性还存在很多难点。本文以MI-BCI系统的精准解析和实用性为目标,提出了一种基于多尺度空时频特征引导的多任务学习端到端卷积神经网络模型,设计一个基于运动想象脑电信号的NAO机器人实时控制系统。本文主要工作内容如下:(1)针对MI信号分类精度低:从脑电信号的空域、时域和频域特征出发,分析不同特征域之间的相关性,设计了基于多尺度空时频特征引导的多任务学习端到端卷积神经网络模型。模型包括四个模块:分析时间和空间特征相关性的时空特征表示模块;分析时间和频域特征相关性的时频特征表征模块;将空时频三种特征融合并进行重新编码的多模态融合特征指导生成模块和分类模块。模型基于多任务学习,通过三个任务将四个模块连接起来,同时训练共同优化。使用第四届BCI竞赛的2a和2b数据集及高伽马数据集对模型进行评估,最终分类准确率分别为81.56%、86.38%和95.45%。通过调节不同任务的组合使得部分模块失去作用,使用混淆矩阵和T-SNE对不同模块的作用进行定量和定性分析。对比了模型融合和特征融合对实验结果的影响。将未被训练过的数据作为测试集,来检验模型消除MI信号个体差异性导致在分类过程中产生障碍的程度,实验表明在跨被试的实验中本文结果依然比目前的其他模型表现优秀。使用不同的训练方法验证模型的泛化能力和鲁棒性。(2)针对MI-BCI系统实用性:本文设计了一套基于运行想象脑电信号的NAO机器人实时控制系统。设计了包含两类任务的实验范式,搭建了一套MI信号采集系统。针对同一个受试者,使用提前训练好的CNN模型,以实验范式中箭头指向为引导,通过佩戴脑电采集设备,可以实现在线解码MI信号并对NAO机器人的实时控制,当受试者想象左手运动时NAO机器人的左手抬起,当想象右手运动时NAO机器人的右手抬起。该控制系统成功将本文提出的基于多尺度空时频特征引导的多任务学习端到端卷积神经网络模型应用到实时控制系统中,证明本文提出模型的有效性。通过实验显示,该BCI系统对NAO机器人能够达到实时控制的效果。