1. 研究目的与意义（文献综述）

1.1 研究目的及意义

近年来，随着生物工程、计算机科学，人工智能研究的不断深入，催生了以脑机接口为代表的新兴技术迅速发展。脑-机接口(brain-computer interface，bci)是一种不依赖于大脑的外周神经与肌肉正常输出通路的通讯和控制系统。脑机接口技术可以代替语言和肢体动作，使人的思维意念控制变为现实，因此在军事目标搜索、飞行模拟器控制、汽车驾驶、新型游戏娱乐以及帮助运动或感觉机能出现问题的残障人士重新恢复信息通信功能等方面均有应用并有巨大潜能。

根据系统运作方式的不同，bci系统可以分做同步(synchronous)bci、异步(asynchronous)bci两类。在同步bci系统中，受试者需要根据电脑屏幕上的一定时间间隔的提示进行相应的脑部活动，其模式识别的任务是对具有固定长度的代表各类运动想象任务eeg信号进行分析和分类。然而，现实生活中，人们对外围事物的操作及控制都是按照自己的意愿和需要，只在有控制意图的时候进行操作，其他时间则可以完全不与系统交互，而使系统处于空闲(idle)状态，该系统即异步 bci 系统。

2. 研究的基本内容与方案

根据任务要求，本文提出了一种阈值判别法实现异步 bci系统的脑电特征提取与空闲状态检测。首先，采用小波能量阈值判别法，对脑电信号进行6尺度小波分解，取小波能量差绝对值的一半作为判别阈值，实现空闲状态检测；本文方法与现有的异步bci系统脑电分类方法相比，减少了想象任务分类的时间开销，同时提高了分类的准确率，适用于在线异步bci系统的实现。

运动想象的脑电信号处理过程包括：采集原始脑电数据，经过预处理去除噪声、干扰和伪迹，获得纯净的脑电信号；然后，采用小波变换方法提取脑电特征，计算6尺度小波系数（对应脑电的μ节律）能量并做差值处理；最后，对能量差值通过阈值法处理，检测空闲状态脑电信号和想象运动状态脑电信号。处理流程如下：

本文选用的小波变换算法在时间分辨率与频率分辨率上对高低频信号都有较强适应性，所需脑电导联数少，计算量小，能较好提取脑电信号特征。支持向量机方法在脑电信号分类中有广泛的应用，在处理样本量小，非线性的模式识别问题中有较强适应性及较高分类正确率。当然，如果想要达到更高的要求，支持向量机方法也可以用于运动想象状态的进一步分类。

3. 研究计划与安排

（1）第1－4周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

（2）第5－6周：熟悉掌握基本理论，完成英文资料的翻译，熟悉相关工具软件的使用。

（3）第7－9周：实现eeg信号的采集与特征提取。

4. 参考文献（12篇以上）

[1] dong e, li c, li l, et al. classification of multi-class motor imagery with a novel hierarchical svm algorithm for brain-computer interfaces[j]. medical amp; biological engineering amp; computing, 2017, 55(10):1809-1818.

[2]buccino alessio paolo,keles hasan onur,omurtag ahmet. hybrid eeg-fnirs asynchronous brain-computer interface for multiple motor tasks.[j]. plos one,2016,11(1).

[3]liu y,ayaz h,curtin a, et al. towards a hybrid p300-based bci using simultaneous fnirand eeg.foundations of augmented cognition,2013:335-344