1、腦機(jī)接口(brain computer interface，BCI)是一種在大腦與外部電子設(shè)備之間建立的不依賴于肌肉組織或外圍神經(jīng)的新型信息傳輸裝置，這項(xiàng)技術(shù)在幫助殘疾人康復(fù)、娛樂及軍事等多個(gè)領(lǐng)域體現(xiàn)出應(yīng)用價(jià)值。目前，BCI技術(shù)向更加實(shí)用化、可穿戴化的方向發(fā)展，因此少通道BCI越來越受到關(guān)注。運(yùn)動(dòng)想象屬于一種不依賴外界刺激的信號(hào)，適合作為異步BCI系統(tǒng)的輸入。由于單模態(tài)BCI往往存在自身模態(tài)無法彌補(bǔ)的不足，因此雙模態(tài)BCI的研究逐漸成為

2、趨勢(shì)。本文主要針對(duì)基于腦電(electroencephalograph，EEG)和近紅外腦功能成像（functional near-infrared spectroscopy，fNIRS）雙模態(tài)的運(yùn)動(dòng)想象BCI的少通道特征提取及雙模態(tài)特征融合進(jìn)行了研究，取得的主要成果如下:
　　(1)為充分利用少通道有限的信息，本文提出了結(jié)合時(shí)-頻-空三域的特征提取方法，首先在頻域利用多變量經(jīng)驗(yàn)?zāi)B(tài)分解(multivariate empirica

3、l mode decomposition，MEMD)自適應(yīng)地分解出與運(yùn)動(dòng)想象相關(guān)的頻帶成分進(jìn)行通道重構(gòu)，接著在時(shí)域?qū)⒅貥?gòu)后的通道利用相空間重構(gòu)(phase space reconstruction，PSR)進(jìn)行通道擴(kuò)展，最后將擴(kuò)展后的通道利用共空間模式(common space pattem, CSP)進(jìn)行空域?yàn)V波。將本研究提出的MEMD+PSR+CSP方法與MEMD+CSP、PSR+CSP方法通過支持向量機(jī)(support vecto

4、rmachine，SVM)分類比較，發(fā)現(xiàn)本方法取得平均正確率為81.3％，而后兩者取得平均正確率分別為67.2％、78.6％，說明結(jié)合三域的特征提取方法能提取出更多少通道的信息。
　　(2)針對(duì)MEMD方法存在模態(tài)混疊和計(jì)算耗時(shí)的不足，本研究提出了利用正弦信號(hào)進(jìn)行改進(jìn)的算法sin-MEMD，此方法選取合適的正弦信號(hào)作為輔助信號(hào)與原來含有n個(gè)通道的待分解信號(hào)構(gòu)成n+1個(gè)通道后交由MEMD進(jìn)行分解，而正弦信號(hào)的加入正是利用了MEMD算

5、法本身模態(tài)對(duì)齊的特性，為原信號(hào)提供了分解參考尺度，從而減輕模態(tài)混疊，減少固有模態(tài)函數(shù)(intrinsic mode function，IMF)的篩分時(shí)間。利用傳統(tǒng)的MEMD和本研究提出的sin-MEMD對(duì)EEG數(shù)據(jù)進(jìn)行分解，結(jié)果證明sin-MEMD確實(shí)能有效減輕模態(tài)混疊，另外MEMD花費(fèi)約30s時(shí)sin-MEMD只需花費(fèi)約4.7s，說明sin-MEMD確實(shí)提高了計(jì)算效率。
　　(3)為充分發(fā)揮雙模態(tài)融合的優(yōu)勢(shì)，在對(duì)EEG數(shù)據(jù)和fN

6、IRS各自進(jìn)行特征提取后，本研究提出了利用二次規(guī)劃特征選擇方法(quadratic programming feature selection，QPFS)選取兩者中的優(yōu)勢(shì)特征進(jìn)行融合，最后交由SVM分類。融合結(jié)果表明:雙模態(tài)取得平均正確率為87.1％，比單模態(tài)EEG提高了6.1％，比單模態(tài)fNIRS提高了30％，大多數(shù)被試的雙模態(tài)結(jié)果好于單模態(tài)，某一模態(tài)反映不明顯時(shí)，仍能從另一模態(tài)獲得較高的正確率，從而證明了雙模態(tài)在正確率和魯棒性方面均