中文摘要：

针对当前运动意识分类研究立足于相对孤立的运动相关脑区域，忽略了大脑思维功能的整体协调性这一不足。本项目以四方向运动想象分类为研究目的，在运动意识表征形式和分析方法上有两大创新。在表征形式上，利用运动想象过程中的各个通道脑电信号之间的相关性来构建脑功能网络，以全导脑网络的拓扑结构这一新载体来刻画大脑的运动想象模式；在分析方法上，不同于平均路径长度和聚类系数两大传统网络属性的复杂分析，本项目把谱图聚类中的谱分解方法应用到脑功能网络分析研究中，通过对网络相关矩阵进行特征值分解，使得分析变得更加简洁明了。最后对谱分解后的特征值与特征向量在多维空间上分类,从而实现运动意识的准确、快速分类。本项目不但为运动意识脑电信号分类研究提供新的途径，也在一定程度上推动了脑机交互技术在现实世界中的应用。

结论摘要：

本项目以面向EEG信号构建脑功能网络的运动意识分类研究为立足点，首先对脑电信号处理中的共性关键技术——眨眼伪迹自动识别去除进行了研究，在此基础之上对脑电信号的表征形式及其分析方法和数据分类又进行了深入研究。在伪迹识别去除方面，本项目提出了一种基于相关性分析和功率空间分布特征来自动识别和去除眨眼伪迹的算法。该算法不需要预先设定模板或阈值，并且相关性能够直接从独立成分分析的混合矩阵中计算得到，从而简化了运算，也为在线去除伪迹奠定了基础。实验结果表明该算法识别准确率高，相对于传统的人工识别有较大改进。在脑电信号表征形式上，本项目通过脑功能网络和脑电微状态两种全新的表征方式来代替传统的多导脑电时间序列。提出了以脑功能网络提取人脑意识任务特征，将脑网络构建的相关矩阵的特征值向量作为运动意识任务特征，然后用支持向量机(SVM)进行分类，在实验室自行采集的二分类、四分类运动想象脑电数据集进行测试并取得了出色的效果。另外，本项目基于运动想象的脑电u节律（8-12Hz）特性，提出一种广义频空微状态的分析方法，该方法以各自运动想象的特征频段构建相应的脑地形图作为多类运动想象的特征进行分类，取得了较好的效果。在数据分类方面，我们发展并提出了一种鲁棒、智能的自动谱聚类算法，该算法在训练样本中进行充分学习，不仅能自动确定数据本征类个数还能确定谱聚类算法中的高斯核函数的尺度参数，从而实现真正意义的数据自动聚类分类。为运动想象的多分类研究提供了较好的分析工具。在理论研究等基础之上，本项目还开发了两个基于运动想象的脑机接口实际应用平台，即基于脑机接口的智能小车控制平台和基于BCI的主动式肢体康复平台。项目在执行期内，取得了较好的成果，发表论文13篇，其中SCI 期刊论文4篇，EI 国际会议论文3篇，国内一级期刊论文2篇，国内核心刊物2篇。另外项目研究成果申请国家发明专利4项，获得软件著作权4项。