0　引言

脑电信号(electroencephalogram，EEG)是脑神经细胞群电生理活动在大脑皮质或头皮表面的总体反映，并伴随着生命始终[1-2]。其携带了大量的生理及心理信息，在科学研究和疾病诊断方面具有重要价值[3-4]。

EEG最初是由英国利物浦皇家医学院助教Richard Caton在1875年于兔脑上发现的[5]。而人类的脑电活动是由德国耶拿大学精神科教授Hans Berger博士于1924年首次记录，并将其命名为EEG[5-6]。20世纪90年代脑机接口(brain computer interface，BCI)技术的兴起加速了脑电信号的发展[7]，其中运动想象脑电信号的处理方法更是成为了研究人员关注的热点。

想象运动是在动作未发生的情况下，对将要发生的动作的预测[8]。当人们仅仅想象某种运动却未执行时，在大脑的感觉运动区域产生与执行此动作相同的脑电信号，这就是运动想象脑电信号[9]。通过分析运动想象脑电信号，可以判断想象者的意图，以期实现人类与外界环境新的通信方式。因此，运动想象脑电信号处理技术的研究，加快人们对脑认知、脑治疗、脑应用方面的探索，成为脑电研究方向的一个重要组成部分。

硅质岩中的Al2O3和TiO2可用于判别大陆边缘沉积环境，Fe2O3可反映大洋中脊组分的影响强度[3]。样品中SiO2/Al2O3比值为9.82～62.43，比纯硅质岩(SiO2/Al2O3比值为80～1400)低很多，SiO2/Al2O3比值和Al2O3呈较好的负相关关系(图2b)，且TiO2含量为0.026%～0.386%，Al2O3/TiO2比值为14.69～73.83，与Al2O3具有较好的正相关关系，均表现为富铝特征，表明研究区有陆源碎屑沉积物[16]。

本文从运动想象脑电信号处理方法的研究现状、信号特点以及涉及的关键技术等方面，分析每种算法的优势与不足，在总结目前算法存在问题的基础上，探讨了该领域的研究方向，以期为今后的运动想象脑电信号的分析和处理提供一定的参考。

1　运动想象脑电信号的研究现状

进入21世纪，由于脑科学和信息技术等领域的高速发展，运动想象脑电信号的处理技术也被国内外众多学者关注和研究，且经过多年发展，人们在运动想象脑电信号特征提取与识别方面已取得一定的突破和成果。

特征识别算法如HMM[43]、KNN[44]等也被应用于脑电领域中，但由于使用频率不高，在此不做过多介绍。图2所示为对上述特征识别算法的总结，就目前发展看来，多个分类器的集成或者多种分类器以不同方式联合将成为运动想象脑电信号特征识别算法的主要发展趋势。方法的集成或联合会增强分类器的泛化能力和分类效果，但随之而增加的还有算法的复杂度与运算消耗，所以如何平衡和折中这一矛盾问题也是随之而来的挑战。组合的多样性使得其在不同情况下会有不同的表现，这就需要更多的研究进行验证与总结。

2　运动想象脑电信号的特点

上述各方法叙述总结如图1所示，各算法有自身优势的同时，在运动想象脑电信号分析中也存在诸多限制。因此，目前大部分研究人员在特征值提取过程中，针对各自的研究需求对现有算法进行改进，或者与其他算法进行联合。有实验表明，相比于单一特征值，联合的特征值会取得更好的识别结果。张毅等[31]提出基于小波变换和样本熵的特征提取算法，得到最高正确识别率为91.43%。Bai等[32]提出基于小波系数与CSP的四分类运动想象脑电信号模式识别算法，最高识别率可达90%。由此看来，混合特征向量组将会是未来运动想象脑电信号特征提取算法研究的新趋势。

(1) 事件相关同步或去同步想象。这是由于人体想象不同肢体运动时，大脑被激活区域和产生电位频率不同所造成的生理现象。例如当人们想象单侧肢体运动时，大脑对侧主感觉运动皮层的mu节律和beta节律幅度明显减小，产生事件相关去同步现象，而同侧主感觉运动皮层的mu节律和beta节律幅度明显增加，产生事件相关同步现象[16-17]。根据运动想象信号的这一特点，可以根据不同的想象运动来着重处理相应活跃区域的数据，剥离不明显数据，从而减少运算量。

(2) 很强的个体差异性。运动想象脑电信号是一种抽象的想象信号，难以量化描述，并极易受到心理、生理和环境等因素的影响，随着个体想象习惯、运动习惯的差异，所表现的想象信号数据也不同，甚至同一个体在不同时间内对同一想象任务的数据都会表现出很大的波动。这就要求相关处理算法需要具有很强的泛化能力和自适应性，以保证人与机器的良好交互和沟通[18]。

3　运动想象脑电信号的处理方法

3.1　特征提取算法

特征提取主要是将脑电信号转换为一组可以准确体现原始数据特征的向量。从不同的想象任务中提取有价值的信息是脑电信号研究中的重要课题之一。提取出的特征的好坏将直接影响脑电信号的识别率。常用的特征提取算法主要有功率谱分析法、小波变换法、样本熵法和共同空间模式法。

三只松鼠通过创业营销战略的机会导向、超前行动、创新性、风险管理和资源整合几个维度，利用探索性创新和利用性创新将产品、服务和内容传递给顾客，与顾客、合作伙伴、员工等价值链中成员共创价值，实现企业目标(见图1)。

HS-SPME萃取及进样过程由Gerstel公司多功能自动进样系统（MPS 2）完成，萃取头为2 cm 50/30 μm DVB/CAR/PDMS三相萃取头。

在目前的应用中，许多研究人员将线性判别法与其他算法联合进行脑电信号的识别。Mahanta研究小组[33]将贝叶斯、矩阵模型与LDA算法相结合，并取得了较好的实验结果。Hsu[7]将卡尔曼滤波器与LDA算法结合，增强算法自适应能力的同时，还提高了两种想象运动的识别准确率。

(1) 线性判别法(linear discriminant analysis,LDA)。线性判别法是一种统计学上的分析方法，其原理是在已知的分类下遇到新的样本时，选定一个判别标准来判定将样本放置于哪一分类中。线性判别法操作简单，而且不需要繁复的计算，最重要的是其适用于实时的分类系统，因此成为脑电信号分析领域应用最为广泛的算法之一。但由于LDA需要依据已知样本对未知数据进行预测，所以对训练集依赖度过强，若训练集样本数较少，则从训练集数据估计出来的分类器边界可能不是最优。

选择疏松肥沃、保水保肥、排灌条件良好、微酸性壤土较好，pH值5.5～7。整地时亩施腐熟有机肥4000千克，过磷酸钙40千克，整平整细，冬、春宜做高畦，夏、秋做平畦，畦宽1.2～1.5米。

(4) 共同空间模式法(common spacial pattern,CSP)。共同空间模式法是由Kolse等[28]首次引入脑电分析领域的。目前被认为是一种有效的脑电信号特征值提取方法[29]。其基本思想是寻找一组空间滤波器，使得在这组滤波器下一类信号方差达到极大，另一类信号的方差达到极小，从而得到差异最大的特征。该算法优点是不需要预先选择特异性频带，但是不足之处在于，其对噪声敏感且依赖于多通道分析，很大程度上限制了该算法在便携式BCI系统中的应用[30]。

运动想象脑电信号的分析方法与其特点有着密切的关系。作为一种特殊的生物信号，脑电信号具有非平稳性、随机性和非线性的特点且信号微弱、易受干扰。而运动想象脑电信号除具有上述性质之外，还具有以下两点特性。

根据《行政事业单位内部控制规范（试行）》第二章第十二条规定，单位内部控制的控制方法包括：不相容岗位相互分离、内部授权审批控制、归口管理、预算控制、财产保护控制、会计控制、单据控制、信息内部公开八个方面，在此主要以预算控制为例分析。而预算控制分预算编制、预算执行及预算评价三个主要环节。

3.2　特征识别算法

特征识别是对所输入的脑电特征向量进行辨认、分类和解释的过程。其结果是决定系统的反馈与人类意识是否统一的关键。信号分类结果的好坏不仅取决于信号特征的明显程度，还取决于分类方法的有效性[4]。目前，许多特征识别方法被应用于脑电信号分析领域，其中最具代表性，且分类结果较好的识别方法主要有以下几种。

通过科学研究，教师的科研能力和学术水平大幅度提升。教师利用重点实验室的优势将科研工作中的新发现、新进展以及学科前沿动态等知识融入到教学中，有益于培养学生的探索精神和创新思维[4]。将科研实例部分转化为课堂内容，激发了学生极大兴趣，拓展了学生的视野，为学生们进一步深造和就业打下了坚实的基础[5]。以高水平科学研究促进教学的教学理念中，有助于把最新科学研究成果整合于教学，提高教学质量，能使学生受到启发，提高对相关学科的兴趣和爱好，激发创造力和解决问题的能力[6]。因此，科研进课堂，有利于培养医学生不断学习，获取新知识的能力，能够培养创新思维。

(2) 小波变换法(wavelet transform,WT)。WT是一种典型的时频分析法，具有良好的分辨率，可以在时域和频域表征信号的局部特征。其基本思想是利用小波函数系去逼近或者表示原始信号[22]，其本身多分辨的特点可以将脑电信号分解为多个尺度，从而表现出信号的不同节律信息。所以小波变换能够在对信号的分解与重构的过程中，提取出信号的隐藏特征。文献[23]和[24]利用小波变换对脑电信号进行特征值提取，取得了较高的识别率。但是小波变换法很大程度上需要依赖先验知识抽取感兴趣的频段，然而运动想象脑电信号产生机理复杂，难以获取准确的先验知识，降低了其应用的灵活性。

图1　特征提取算法归纳 Figure 1　Summary of feature extraction algorithm

(3) 样本熵法(sample entropy,SE)。样本熵是由Richman等[25]于2000年提出的一种改进的复杂度测算方法。因其具有分析数据短、抗干扰性强、运算量小的特点，近年来被广泛用于脑电信号分析。周鹏等[26]提出了基于样本熵的左、右手运动想象信号分类方法，平均识别率达到87.8%。Lei Wang等[27]提出样本熵与支持向量机的分类方法对3种想象任务进行识别，最高识别率达78.68%。样本熵是一种非线性分析法，可以反映脑电信号的非线性特征，但却不能反映出它的时频特征。

(1)功率谱分析法(power spectrum analysis,PSA)。PSA主要是从频域角度入手，其意义在于把幅度随时间变化的脑电信号变换为脑电功率随时间变化的谱图，对脑电信号频域上的特征，如能量、幅值、功率谱密度等进行分析。通常由傅里叶变换[19]、AR模型[20]、AAR模型[21]实现功率谱估计。功率谱分析算法简单，易于操作，但分辨率有限。而且这些方法都是基于运动想象脑电信号为线性的假设下进行分析的，因此无法灵活地刻画出信号中重要的非线性信息。较为适用于长度短并且分类模式少的脑电数据分析中。

(2) 人工神经网络(artifical neural network,ANN)。神经网络是模仿人脑工作方式构造的一种信息处理系统，具有类似大脑的学习和推理能力，特别适合处理不精确且模糊的信息问题[34]。神经网络的种类很多，常用的有BP神经网络，RBF神经网络，LVQ神经网络，MLP神经网络等。Subasi等[35]应用RBF网络识别两种脑电模式，识别率为75.96%。Subasi等又提出一种基于小波神经网络和最大似然的AR模型预处理的脑电信号识别方法，识别率为93%。Li等[36]提出一种基于BP神经网络的左、右手运动想象脑电信号识别方法，识别率最高达到92.4%。需要指出的是，每一种神经网络都有其固有的缺陷，仅对某一类或几类问题有效，不具有良好的普遍性。

其中e1和e2为当前设计点及MPP的Kriging预测误差。通过比较当前设计点可靠度指标与目标可靠度，并考虑关键点建模误差，可避免对概率约束有效性的误判。

就神经网络在脑电信号分析方面的发展而言，集成神经网络算法将成为其新的发展方向，虽然集成神经网络技术在脑电领域的应用并不多见，但已有实验证明相比于单一分类器，集成神经网络在二分类运动想象识别应用中的分类效果更为突出[37]。

(3) 支持向量机(support vector machine,SVM)。支持向量机是在计算学习理论的基础上建立并发展的，因其良好的预测准确性和处理大量数据的能力，而被生物医学领域广泛应用[38]。SVM的原理是将低维空间不可分的数据映射到高维空间中，并通过计算得到一个最优面，从而使样本线性分开[39]。SVM虽具有较强的泛化能力和非线性映射能力，但核函数的选择和参数的选取，都具有不确定性。SVM应用已十分普遍，因此单一的SVM算法在运动想象脑电信号分析领域的提升空间并不大。在当前的研究中，许多与其嵌套和联合的算法已被提出，如KF-SVM[40]、KPAC-SVM[41]、PCA-SVM[42]。

(4) 贝叶斯分类器(Bayes classifier,BC)。与上述几类分类器相比，贝叶斯分类器在脑电信号处理中应用相对较少。贝叶斯分类器是一种以贝叶斯定理为理论指导，基于在先验概率与条件概率已知的情况下的特征识别方法[43]。对于脑电这种特殊的生物信号，为使分类器表现良好，往往需要为每个分类提供大量的样本，因此算法的速度与效率就显得尤为重要。而贝叶斯分类器的最大优势恰好是其在处理大量数据时的高速度，但相对的其分类正确率与其他算法相比就略为逊色。

2012年，Wei-Yen Hsu[10]利用模糊Hopfield神经网络聚类方法分类左、右手运动想象脑电信号，最高识别率可达87.9%。施锦河等[11]提出基于CSP、Hilbert变换和SVM的四类运动想象脑电信号特征提取与分类算法识别率可达到92.22%。2013年，赵丽等[12]提出基于小波包和马氏距离判别法的3种模式想象运动实时判别法，并取得了较好的分类效果。Blasco等[13]提出一种基于归一化互相关的脑电地图分类方法，分类3种想象任务，识别率平均可达74.6%。2014年Minyou Chen等[14]提出幅频分析法提取相位特征值的方法，并结合LDA分类2种想象任务，识别率最高可达90.71%。2015年Hortal等[15]利用傅里叶变换和SVM算法识别4种想象任务，并实现对机械手臂的实时控制，识别率最高达到70%。

4　运动想象脑电信号存在的问题及发展方向

4.1　存在问题

当今时代是生物科技的时代，随着脑计划在全球范围内的推进，更多的研究者关注到脑电信号研究领域，BCI技术的兴起更是加快了运动想象脑电信号分析技术的发展。但是客观地说，运动想象脑电信号处理方法仍存在很多问题，主要体现在以下几个方面。

(1) 识别种类有待增加。目前运动想象脑电信号的识别模式大多不超过5种。且研究人员多集中于对左右手运动想象的分类研究，这大大限制了BCI技术的发展和实际应用。对算法的研究最终的目的还是落实于实际，过少的识别种类显然缺少实际应用的价值，也限制了算法的普及，比如某些算法在二分类脑电识别中表现良好，却不适用于多分类的脑电识别。

图2　特征识别算法归纳 Figure 2　Summary of feature recognition algorithm

(2) 识别率有待提高。识别率是评价算法优劣的一个重要指标，而目前实验阶段的识别率与实际应用还有差距。识别率各种因素综合影响的结果，如训练程度、数据质量、算法选择等。往往识别率与识别时间相矛盾，所以如何平衡这两个方面也是算法处理中所要考虑的重要问题之一。

(3) 自适应性不强。实时的脑电信号受到诸多主观因素的影响，变化随机且无固定规律，这就要求算法对脑电信号具有良好的适应性，以保证分析结果的稳定。但目前算法大部分都是基于固定的数据集进行处理与分析的，缺乏处理变化数据的能力。

(4) 过于模块化。目前的分析都是基于大脑功能模块化假设下有限导联的研究，其中主要以C3、C4电极为主。但实际大脑的工作是关联的，并不是相互分离且独立的。一个动作的形成是大脑各个区域协同作用的结果，所以仅仅对几个导联进行分析不足以支撑某些复杂运动的研究。

(5) 算法过于复杂且缺乏实用化。为追求较好的稳定性和识别结果，往往将算法过度复杂化。过于复杂的算法为其实用化带来很大困难，使其只能停留在实验仿真阶段，不能走出实验室真正应用到BCI系统中，大大限制了算法的发展和应用。

1.2.6 培养条件 实验涉及的种子无菌萌发、无菌苗增殖及生根培养的光照培养条件为培养温度（25±1）℃，光照强度2 000～2 500 lx，光周期12 h∕d；暗培养条件为全天无光照，温度（25±1）℃。

4.2　发展方向

运动想象脑电信号的处理技术是一门融合了多学科信息的交叉技术，涉及生物医学、神经科学、信号处理、控制工程等。作为一种新兴技术，运动想象脑电信号的处理尚有许多局限，但随着科技发展和人们愈加深入的研究，越来越多的研究开始注重信号处理技术在脑电分析中的应用，就目前研究看，未来的发展将更朝向于下列方向。

(1) 学科融合。多学科相结合、多研究方式共同作用是运动想象脑电信号分析方法发展的必然趋势。借鉴或引用其他学科领域分析方法，不仅可以拓宽思维，还可以实现学科算法之间的优势互补。例如将遗传算法、蚁群算法等应用于脑电分析中，以解决路径规划或参数选取问题。

(2) 算法联合。运动想象脑电信号的处理方法将更着眼于简单、快速、准确和实用，让人们通过更少的训练次数和训练时间就能建立与外界的意念交流。单一算法都存在各自的局限，很难实现研究人员越来越高的要求目标，所以多算法的联合将会成为重要的发展趋势，以优化、嵌套、集成等方式进行多种算法连接，从而取长补短，增强优势。

在护理管理当中实行分级管理制度,由分管院长进行总体把控,再由护理部主任来进行监督,最后由护士长来进行实施。这样可以有效的将医院感染防控措施进行落实,并且在实施的过程当中更具有直接性以及权威性。通过分级管理制度的实行,护理管理者以及参与者都成为了医院感染防控的主力人员,能够及时地带领年轻护士开展各项防控工作,提高院感管理工作效率。在每个科室当中,还要设置兼职的感染控制护士,对控制感染工作的落实进行监督、记录,然后进行持续改进,提高医疗质量与医疗安全。

5　小结

本文通过大量资料对运动想象脑电信号的研究方向及所涉及的数据处理方法进行整合，分析了目前的研究状况，并从运动想象脑电信号的特点入手，总结了常用的信号处理算法，分析了现存的问题并对其研究方向做出展望。运动想象脑电信号处理方法的研究具有重要的理论意义与应用前景，但目前相应的理论和算法尚不完善，还需要进行更多更深入的研究。

参考文献

[1]　　　　谢丹,江朝晖,冯焕清,等. 基于LVQ和脑电信号的左/右手动识别[J]. 北京生物医学工程,2004,23(4):269-271.

Xie D,Jiang CH,Feng HQ,et al. Using LVQ to distinguish left/right hand moving based on EEG[J]. Beijing Biomedical Engineering,2004,23(4):269-271.

[2]　边洪瑞,王江,韩春晓,等. 基于复杂度的针刺脑电信号特征提取[J]. 物理学报,2011,60(11):735-743.

Bian HR,Wang J,Han CX,et al. Features extraction from EEG signals induced by acupuncture based on the complexity analysis[J]. Acta Physica Sinica,2011,60(11):735-743.

[3]　Motamedi-Fakhr S,Moshrefi-Torbati M,Hill M,et al. Signal processing techniques applied to human sleep EEG signals—a review[J]. Biomedical Signal Processing and Control,2014,10(2):21-33.

[4]　谢松云,张振中,杨金孝,等. 脑电信号的若干处理方法研究与评价[J]. 计算机仿真,2007,24(2):326-330.

Xie SY,Zhang ZZ,Yang JX,et al. Research and evaluation on some EEG processing methods[J]. Computer Simulation,2007,24(2):326-330.

[5]　李颖洁,邱意弘,朱贻盛. 脑电信号分析方法及其应用[M]. 北京:科学出版社,2009:1-10.

[6]　Jatoi MA,Kamel N,Malik AS,et al. A survey of methods used for source localization using EEG signals[J]. Biomedical Signal Processing and Control,2014,11(1):42-52.

[7]　Hsu WY. EEG-based motor imagery classification using enhanced active segment selection and adaptive classifier[J]. Computers in Biology and Medicine,2011,41(8):633-639.

[8]　刘伯强,张振旺,刘忠国,等. 一种运动想象脑电分类算法的研究[J]. 生物医学工程研究,2007,26(1):20-23.

Liu BQ,Zhang ZW,Liu ZG,et al. An algorithm research of EEG classification on motor imagery[J]. Journal of Biomedical Engineering Research,2007,26(1):20-23.

[9]　Jeannerod M. Mental imagery in the motor context[J]. Neuropsychologia,1995,33(11):1419-1432.

[10]　Hsu WY. Fuzzy Hopfield neural network clustering for single-trial motor imagery EEG classification[J]. Expert Systems with Applications,2012,39(1):1055-1061.

[11]　施锦河,沈继忠,王攀. 四类运动想象脑电信号特征提取与分类算法[J]. 浙江大学学报(工学版),2012,46(2):338-344.

Shi JH,Shen JZ,Wang P. Feature extraction and classification of four-class motor imagery EEG data[J]. Journal of Zhejiang University (Engineering Science),2012,46(2):338-344.

[12]　赵丽,郭旭宏,耿丽清. 多类运动想象脑电信号的处理研究[J]. 中国生物医学工程学报,2013,32(5):636-640.

Zhao L,Guo XH,Geng LQ. Research on multi-class motor imagery EEG signal processing[J]. Chinese Journal of Biomedical Engineering,2013,32(5):636-640.

[13]　Blasco JLS,Iáez A,et al. Visual evoked potential-based brain-machine interface applications to assist disabled people[J]. Expert Systems with Applications,2012,39(9):7908-7918.

[14]　Chen M,Fang Y,Zheng X. Phase space reconstruction for improving the classification of single trial EEG[J]. Biomedical Signal Processing and Control,2014,11(5):10-16.

[15]　Hortal E,Planelles D,Costa A,et al. SVM-based brain-machine interface for controlling a robot arm through four mental tasks[J]. Neurocomputing,2015,151(Part1):116-121.

[16]　Pei XM,Zheng CX,He WX,et al. Quantitative measure of complexity of the dynamic event-related EEG data[J]. Neurocomputing,2006,70(1-3):263-272.

[17]　诸强,王明时. 左右手运动想象脑电模式的识别[J]. 生物医学工程学杂志,2004,21(6):1031-1034.

Zhu Q,Wang MS. Discrimination between left and right hand movement imagery event-related EEG pattern[J]. Journal of Biomedical Engineering,2004,21(6):1031-1034.

[18]　Hsu WY. EEG-based motor imagery classification using enhanced active segment selection and adaptive classifier[J]. Computers in Biology and Medicine,2011,41(8):633-639.

[19]　Polat K,Güne S. Artificial immune recognition system with fuzzy resource allocation mechanism classifier,principal component analysis and FFT method based new hybrid automated identification system for classification of EEG signals[J]. Expert Systems with Applications,2008,34(3):2039-2048.

[20]　Burke DP,Kelly SP,de Chazal P,et al. A parametric feature extraction and classification strategy for brain-computer interfacing[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering,2005,13(1):12-17.

[21]　Guger C,Schlögl A,Neuper C,et al. Rapid prototyping of an EEG-based brain-computer interface (BCI)[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering,2001,9(1):49-58.

[22]　张俊伟,刘建平. 小波变换在运动想象脑电分类中的应用[J]. 现代电子技术,2013(19):70-72.

Zhang JW,Liu JP. The applications of wavelet transform in motor imagery EEG classification[J]. Modern Electronics Technique,2013 (19):70-72.

[23]　Hsu WY,Sun YN. EEG-based motor imagery analysis using weighted wavelet transform features[J]. Journal of Neuroscience Methods,2009,176(2):310-318.

[24]　吴小培,冯焕清,周荷琴,等. 结合小波变换和独立分量分析的脑电特征提取[J]. 仪器仪表学报,2004,25(1):116-120.

Wu XP,Feng HQ,Zhou HQ,et al. EEG pattern extraction of combining wavelet transform and independent component analysis[J]. Chinese Journal of Scentific Instrument,2004,25(1):116-120.

[25]　Richman JS,Moorman JR. Physiological time-series analysis using approximate entropy and sample entropy[J]. American Journal of Physiology-Heart and Circulatory Physiology,2000,278 (6):H2039-H2049.

[26]　周鹏,葛家怡,曹红宝,等. 基于样本熵的运动想象分类研究[J]. 信息与控制,2008,37(2):191-196.

Zhou P,Ge JY,Cao HB,et al. Classification of motor imagery based on sample entropy[J]. Information and Control,2008,37(2):191-196.

[27]　Wang L,Xu G,Yang S,et al. Motor imagery BCI research based on sample entropy and SVM[J]. 2012 Sixth International Conference on Electromagnetic Field Problems and Applications,2012:1-4.

[28]　Koles ZJ,Lazar MS,Zhou SZ. Spatial patterns underlying population differences in the background EEG[J]. Brain Topography,1990,2(4):275-284.

[29]　Müller-Gerking J,Pfurtscheller G,Flyvbjerg H. Designing optimal spatial filters for single-trial EEG classification in a movement task[J]. Clinical Neurophysiology,1999,110(5):787-798.

[30]　Bashashati A,Fatourechi M,Ward RK,et al. A survey of signal processing algorithms in brain-computer interfaces based on electrical brain signals[J]. Journal of Neural Engineering,2007,4(2):R32-R57.

[31]　张毅,罗明伟,罗元. 脑电信号的小波变换和样本熵特征提取方法[J]. 智能系统学报,2012,7(4):339-344.

Zhang Y,Luo MW,Luo Y. EEG feature extraction method based on wavelet transform and sample entropy[J]. CAAI Transactions on Intelligent Systems,2012,7(4):339-344.

[32]　Bai XP,Wang XZ,Zheng SH,et al. The offline feature extraction of four-class motor imagery EEG based on ICA and Wavelet-CSP[C]//Nanjing:33th Chinese Control Conference,2014:7189-7194.

[33]　Mahanta MS,Aghaei AS,Plataniotis KN. A Bayes optimal matrix-variate LDA for extraction of spatio-spectral features from EEG signals[C] //Engineering in Medicine and Biology Society (EMBC),2012 Annual International Conference of the IEEE. San Diego,CA:IEEE,2012:3955 - 3958.

[34]　毛健，赵红东，姚婧婧. 人工神经网络的发展及应用[J]. 电子设计工程,2011,19 (24):62-65.

Mao J,Zhao HD,Yao JJ. Application and prospect of artificial neural network[J]. Electronic Design Engineering,2011,24(19):62-65.

[35]　Subasi A,Alkan A,Koklukaya E,et al. Wavelet neural network classification of EEG signals by using AR model with MLE preprocessing[J]. Neural Networks,2005,18(7):985-997.

[36]　Li MA,Wang R,Hao DM,et al. Feature extraction and classification of mental EEG for motor imagery[J]. Fifth International Conference on Natural Computation,2009,2:139-149.

[37]　李明爱,王蕊,郝冬梅. 基于神经网络集成技术的运动想像脑电识别方法[J]. 北京工业大学学报,2011,37(3):347-352.

Li MA,Wang R,Hao DM. An EEG recognition algorithm of motor imagery based on neural network ensemble[J]. Journal of Beijing University of Technology,2011,37(3):347-352.

[38]　Subasi A,Ismail Gursoy M. EEG signal classification using PCA,ICA,LDA and support vector machines[J]. Expert Systems with Applications,2010,37(12):8659-8666.

[39]　刘斌,魏梦然,罗聪. 基于脑电BCI的研究综述[J]. 电脑知识与技术,2014 (7):1493-1495.

Liu B,Wei MR,Luo C. Research progress on BCI based on EEG[J]. Computer Knowledge and Technology,2014 (7):1493-1495.

[40]　Yang BH,Wu T,Wang Q,et al. Motor imagery EEG recognition based on WPD-CSP and KF-SVM in brain computer interfaces[J]. Applied Mechanics and Materials,2014,556-562:2829-2833.

[41]　Xiong YJ,Zhang R,Zhang C,et al. A novel estimation method of fatigue using EEG based on KPCA-SVM and complexity parameters[J]. Applied Mechanics and Materials,2013,373-375:965-969.

[42]　Jin J,Wang XY,Wang B. Classification of direction perception EEG based on PCA-SVM[J]. Third International Conference on Natural Computation,2007,2:116-120.

[43]　Khorshidtalab A,Salami MJE. EEG signal classification for real-time brain-computer interface applications:a review[J]. 2011 4th International Conference on Mechatronics (ICOM),2011:1-7.

[44]　刘冲,颜世玉,赵海滨,等. 多类运动想象任务脑电信号的KNN分类研究[J]. 仪器仪表学报,2012,33(8):1714-1720.

Liu C,Yan SY,Zhao HB,et al. Study on multi-class motor imagery EEG classification based on KNN[J]. Chinese Journal of Scientific Instrument,2012,33(8):1714-1720.