中文摘要：

研究脑电信号（EEG）自适应的特征提取方法，进而建立EEG的在线识别模型，探索将识别结果通过有效的方式反馈给被试,将是研究脑机接口中脑机交互适应性问题新的突破。本项目首先探索基于希尔波特-黄变换（HHT）将EEG自适应分解进而提取相关特征的方法；然后结合前期研究的支持向量机（SVM）分类建立EEG的在线识别模型；最后，基于虚拟现实（VR）技术，建立与被试完全相同的虚拟人，探索虚拟人的肢体动作与受试者想象的肢体动作一致的反馈方式，建立反馈系统。通过HHT特征提取及VR反馈的实现，最终建立用EEG信号控制虚拟车行驶的在线模拟仿真系统，与前期研究的一些非自适应模型及其他反馈方式进行比较，分析基于HHT特征提取方法及虚拟现实反馈的优势，检验上述识别模型和反馈方式，探讨研究结果在改善脑机接口性能中的作用。经过该项目的开展，为脑机接口研究提供理论方法和依据，促进EEG识别及反馈方法的研究进展。

结论摘要：

脑机接口（Brain Computer Interface）是近年来发展起来的研究热点，本项目针对运动想象无创BCI，主要开展研究一是探索基于希尔波特-黄变换（Hilbert-Huang Transform，HHT）将EEG自适应分解的特征提取方法，二是基于VR技术，构建虚拟人反馈系统，同时进行了相关预处理及自适应分类算法的研究。具体开展了以下研究内容并取得了相关的研究成果（1）研究了基于HHT的特征提取HHT本质上是对信号进行平稳化处理，通过EMD和HT，首先将信号依据其本身特性自适应逐级分解出来，产生一系列具有不同特征尺度的IMF。进而经HT后能够计算出瞬时频率来表征原信号的频率含量，较为精细地辨别一些内嵌性的结构特征，为BCI中EEG的特征提取提供了很好的思路。（2）建立了基于虚拟现实（VR）技术的直观反馈方式及虚拟小车应用系统采用VR技术，建立了虚拟人，实时识别结果控制虚拟人的肢体动作，增加了实验者的兴趣。采用DirectX和VC++平台，建立了虚拟小车及场景，为检验不同特征提取和分类方法的性能提供了很好的平台。（3）进行了分型维数结合RLS-ICA预处理算法的研究首先采用ICA算法对真实的脑电信号进行分离，得到各个去相关源信号成份矩阵，采用了分形维数对源信号矩阵中的噪声进行自动识别，利用RLS自适应滤波器对含噪信号进行滤波，最后得到滤去噪声信号。（4）开展了核Fisher结合SVM的分类将核与SVM相结合，计算特征向量类内距；再将该类内距融合到径向基核函数中，考虑类内距和类间距来构造新的SVM核函数，并将新的核函数融入到传统SVM中得到相应的模型。克服了传统SVM只考虑类间距而未考虑类内距的缺陷，提高了BCI识别正确率。（5）扩展了BCI实验系统将上述研究的HHT特征提取、自适应滤波结合ICA预处理、核Fisher结合SVM分类算法，编写了程序并规范成平台的标准接口函数，融入到已经建立的硬件和MATLAB软件平台中，可以对采集到的脑电信号进行离线和在线分析，能够方便这些研究方法的检验。目前已有12位实验者利用该系统进行了脑电数据的采集和在线控制，进一步检验了系统的运行情况。经过上述的研究，除了得到上述的有关结论外，还取得了发表论文15篇、培养硕士研究生8名（毕业4名）的研究成果。