1.1 研究目的及意义

目前，人口老龄化已经成为我国乃至世界的一个极为严峻的社会问题，截至2017年年末，我国60周岁以上人口达到24090万人，占总人口的17.3%，并且这一比重还在不断上升。随着年龄的增长，老年人的免疫功能也会下降，生理机能开始退化，患病风险增加。脑卒中（俗称：脑中风）是一种严重威胁中老年人健康的急性脑血管疾病。脑卒中会导致患者大脑运动皮层损伤，导致约3/4的患者伴有肢体运动障碍。并且每年还有许多因意外事故造成的肢体运动障碍的患者，而上肢运动功能障碍将会严重影响患者的日常生活。因此，为了最大限度的提高这些上肢运动障碍患者的自主生活能力和社会参与能力，需要恢复和改善患者的上肢运动功能，或者提供可控的机械肢体。

脑机接口（Brain computer interface，BCI）是在人或动物脑（或者脑细胞的培养物）与外部设备间建立的直接连接通路，能够避开神经末梢与肌肉，直接在大脑与计算机或外部设备之间建立一条交流通路，为那些思维正常但却伴随运动功能障碍的患者提供了一种与外界交流的通路。

运动想象（motor imagery，MI）能够促进受损伤的运动传导通路修复或重建，使部分处于休眠状态的突触苏醒过来并担当起代偿的作用。运动想象与实际运动交互进行，运动皮层重组效果更佳。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，因此，可以通过处理分析运动想象脑电信号来判断人所想象的上肢运动，例如上肢肘关节屈/伸、手掌抓握/张开以及休息态，再利用分类信号实现对机器人的运动控制。

1.2 国内外研究现状

目前，EEG信号运动解码一般可分为三步：EEG信号预处理、特征提取、特征识别与分类。

预处理算法主要有：时间滤波如低通滤波、带通滤波、Kalman滤波、Robust Kalman滤波、非线性滤波等；空间滤波如公共均值参考、Laplacian参考等；以及主成分分析、盲源分离、参考独立成分分析等算法。其中，眼电伪迹去除一般采用离散小波变换( discrete wavelet transform，DWT) 与独立分量分析( independent component analysis，ICA)相结合的方法，即 DWICA 法，利用 FastICA 算法和夹角余弦准则，在小波域实现眼电伪迹的自动识别与剔除。该方法不仅去噪能力强，且实时好，便于在线应用。

特征提取在当前在运动想象脑电信号处理算法中相对比较成熟，特别是对于二分类系统，测试集识别准确率在 90%以上。常用的特征提取方法有：时域分析法、频域分析法、时频分析法以及多维统计分析方法。其中常用的多维统计分析方法主要有：主成分分析、独立分量分析、共空间模式等方法。这些方法的核心思想都是通过降维技术求得信号的主要特征。其中共空间模式尤为典型，百分之九十以上的脑电信号处理都用到了共空间模式算法来提取脑电信号特征信息。

根据是否需要输入带标签数据可将运动想象EEG信号分类方法分为以下两大类： (1) 监督学习分类法。该方法是研究较为广泛的机器学习法，利用带标签的训练样本优化、调整分类器的参数性能，给出输入对象在不同环境下的期望输出。典型的监督学习分类法有：① 线性判别分析（Linear Discriminant Analysis, LDA）。该方法首先对每类信号建立概率密度模型，然后输入新数据，计算每一类产生的概率，输入数据属于概率值最大的点所属的类别。LDA原理简单，存储量小，更适于分析线性信号。然而，非线性脑电信号很难具有线性可分性，利用LDA长时间识别EEG将会影响分类效果。② BP神经网络。该方法是一种典型的多层前馈神经网络，由信号的正向传播和误差回传经过迭代不断修改权值，以任意精度逼近目标，在很多领域得到广泛应用。但是，网络结构及隐含层神经元个数通常需依经验或多次试验事先确定，分类过程中不再调整，缺乏自适应性。③ 支持向量机（Support Vector Machine, SVM）。SVM是一种统计模式识别方法，遵循结构化风险最小原则，通过最大划分界面控制模型的复杂度，能有效避免过学习现象，可有效解决小样本、非线性等复杂信号的识别问题。但是该方法存在算法复杂度高、训练速度慢等不足。(2) 无监督学习分类法。该分类器的训练样本未被标记，也不需要给定期望输出，完全根据数据的内部结构进行自组织、自适应的调节，按照数据结构的相似性分类。典型的无监督学习分类法有：自组织映射神经网络（Self-Organizing Map, SOM）。该方法是典型的无监督竞争学习分类法，通过竞争响应机制，根据大量训练数据的内部结构调整网络的权值，使输出层能反映原始数据的空间分布并保持其拓扑结构不变，依据最接近的模式特性识别分类。但是，这种神经网络存在隐含层神经元个数难确定和训练时间较长的局限性。