中文摘要：

脑机接口（BCI）中，脑-机交互适应性问题近期受到普遍关注，自适应的识别方法和有效的反馈方式，将是研究该问题新的突破。本项目针对运动想象无创BCI，围绕脑-机交互适应性问题，开展两方面研究一是基于增量式支持向量机（ISVM）的在线自适应分类方法。拟以统计分析理论为基础，建立具有连续实数输出的ISVM分类器模型，分类器模型参数随时间改变以适应脑电（EEG）信号的变化，将ISVM与其它非增量式分类方法进行对比分析；二是基于虚拟现实（VR）技术的直观反馈方式。采用VR技术，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，研究VR反馈的训练性能。通过ISVM及VR反馈的实现，建立 EEG信号控制飞机航行的模拟仿真系统，检验上述识别模型和反馈方式，分析研究结果在改善脑-机交互性能方面的作用。最终经过该项目的开展，获得脑-机实时交互技术方面的研究成果，促进BCI的研究进展。

结论摘要：

脑-机交互适应性问题近期受到越来越多的关注，本项目围绕脑-机交互适应性问题，开展两方面研究一是基于增量式支持向量机（ISVM）的在线自适应分类方法。二是基于虚拟现实（VR）技术的直观反馈方式。具体开展了以下研究内容并取得了相关的研究成果（1）建立了BCI实验系统框架，基于MATLAB平台编写了实验系统软件，包括三个模块首次训练模块、更新系统模块、在线仿真模块。能够采集脑电信号，可以对采集到的脑电信号进行离线分析和在线分析，能够方便实验者进行训练和在线仿真控制。目前已有8位实验者利用该系统进行了脑电数据的采集和在线控制，表明实验系统能够可靠运行。（2）研究了基于小波包变换结合CSP的特征提取首先采用小波包对脑电信号进行分解，获取相关频域信息，然后进行CSP特征提取，获得相关特征向量。CSP与WPD相结合能够充分利用WPD的时频特性，有效避免CSP缺乏频域信息的缺陷。实验结果表明了本方法比单纯的CSP特征提取能获得更好的结果，尤其适合在采集的脑电通道数目较少的情况，这为BCI实际应用中只有较少通道却又要得到较高识别精度提供了很好的解决思路。（3）研究了基于增量式支持向量机（ISVM）的在线自适应分类方法。增量学习的主要思想是，在继承历史学习结果的同时，将新增的样本加入训练，实时更新模型，ISVM分类器模型参数随时间改变以适应脑电信号的变化。本项目将ISVM分类与SVM进行比较，研究结果表明ISVM更够取得更好的识别精度，且具有更高的识别速度。（4）建立了基于虚拟现实（VR）技术的直观反馈方式。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。本项目也建立了滚动条反馈方式，虚拟人的反馈的确增加了实验者的兴趣，更直观，但目前还不能得出这种反馈方式一定比滚动条等反馈方式更有效的结论。尽管如此，基于虚拟现实的技术，探索更好的反馈方式仍然值得研究。（5）模型的建立与仿真控制，将研究的特征提取和分类方法融入了BCI实验系统，建立了虚拟小车，设定了若干障碍物，作为一种仿真控制系统，能够以速度和精度作为指标分析不同识别方法的实际控制效果。 经过上述的研究，除了得到上述的有关结论外，还取得了研究成果23项，其中发表论文17篇、培养硕士研究生7名（已毕业3名）、申请发明专利3部（获批2部）的研究成果。