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。

脑电波（Electroencephalogram，EEG）是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。当人在运动想象时，大脑皮层的运动感觉区被激活，会发生稳定的规律性的电位变化。想象的动作不同，产生的脑电信号也不同。异步BCI 系统记录并分析连续的脑电波（Electroencephalogram，EEG）信号，尽可能快速并准确地将分类结果转换为控制信号，它提供了一种更加灵活、自然的交互方式，代表了BCI研究发展趋势。

然而，这种也给模式识别带来了困难，即空闲状态信号的检测。这不仅会增加数据处理的时间开销，还会对想象运动状态产生干扰，影响识别的准确性。因此，研究异步BCI系统的关键问题就是检测受试者的想象运动状态和空闲状态，删除空闲状态，获得任务态，再经过特征提取和识别，将受试者想象意图转化为数字信号，实现与外部设备的实时通信和控制 。

1.2 国内外研究现状

目前，常见的脑电信号特征提取方法主要分为三类：第一类为针对信号的时域、频域、时频域特征进行提取的方法，比如功率谱分析和快速傅里叶变换（FFT）等方法，适用于P300、N400等潜伏期与波形恒定，与刺激有严格锁时关系的诱发脑电信号；频域分析方法还有自回归模型及数字滤波器等，适用于频率特征明显的运动想象脑电信号；时频域分析方法有小波变换、总体经验模态分解法等，适用于时频特性随时间不断改变的脑电信号。上述方法实时性较好，使用较为广泛，但不能直接表达 EEG各导联之间的关系。第二类为空间域特征提取方法，较为典型的有共空间模式法（CSP）、独立分量分析法（ICA）等，该类方法可以利用各导联脑电信号之间的的空间分布及相关性信息，一般用于多通道的脑电信号特征提取，效果较好，但计算量大，实时性较差。第三类为参数模型分析方法，有参数模型功率谱估计、自回归滑动平均模型（ARMA）等，该方法适合在线分析，但受眼电、肌电等噪声干扰较大。

此外，已有的检测Idle状态方法包括：George等^[4]人采用离线训练，基于最大化两类运动现象正确判断率，最小化idle状态错误判别率的思想，利用接收机检测特性曲线，寻找最优上下阈值（对应上下阈值时间的试验定义为空闲状态），然而在实际运用中一般没有有效的idle状态训练样本。Sadeghian等人^[5]提出两种方法检测idle状态：一是设定门限，以样本特征与各类运动想象中心的Mahalanobis距离作为判别依据，当某样本特征到各类中心的距离均大于相关门限就判别别idle状态；采用多分类器投票识别，多个分类器投票无法确定类别的样本归为idle状态。以上方法均假设idle状态样本特征分布于各类运动想象样本特征之间，通过不同方法设定门限阈值。事实上，阈值的设定直接影响了异步BCI系统模式识别的效果，是idle检测的关键。刘美春等^[8]提出以训练各类运动想象样本的类内散度和正确检测率为指标，结合接收机曲线确定分类阈值，设计最佳三分类器，实现异步脑一机接口的空闲状态检测，对2005年BCI竞赛数据测试的均方误差为0．2787，取得了不错的识别效果。

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：