文献综述（或调研报告）：
脑-机接口（Brain-Computer Interface, BCI）技术就是利用大脑与外部设备直接传递信息或控制命令的这样一个系统[1]。它的主要原理是：当人的大脑产生想象活动的时候，不同想象活动会激发对应大脑区域的电位变化，通过一些仪器设备收集到这些电位变化的数据，利用计算机算法将这些信号转换为可以用来控制外部设备的指令[2]。它的出现有助于神经损伤的恢复，在脑卒中患者的辅助康复训练中起着重要的作用。
一般情况下，一个完整的BCI系统主要有以下几个部分组成[3]:脑电信号采集、特征提取、模式识别、输出控制器。
在脑电信号采集方法中，不少研究者都采用了非侵入式皮层电位采集的方式，利用10-20导联系统或其他导联系统来获取多通道的脑电数据。同时，多数人也选择了直接利用BCI竞赛中已有的数据进行处理分析。每个信号获取的方式都各有千秋，因此，同时兼有数据的准确性和方法的实用性在脑电信号处理过程的第一步便显得尤为重要。
特征提取和模式识别过程，是整个系统性能的关键。随着研究的深入，庞大的数据量、运算空间的开销、高维度的特征等等成为了一个又一个技术挑战。进入21世纪以来，科技的进步对于脑电信号的处理也有很大的提高，各国也提出了许多有效的算法。
脑电信号的特征提取和模式识别算法主要可分为三类。
第一类是基于时域分析。信号的时域分析是指在时间轴上对信号进行波形分析、统计特征计算和相关性分析等的一类处理方法，它是最早发展起来的EEG特征提取方法 [4]。传统的时域特征统计参数主要包括平均值、均方根值、方差、标准差以及概率密度等[5]。时域分析法的优势在于，能包含EEG信号的全部信息。但是，脑电信号导联数多，波形过于复杂，除了时域信息外，还包含频域以及空间域的信息。因此，在实际应用中，时域分析法还存在着许多的不足。
第二类是基于频域和提取运动想象期间的频率因子。频域分析是一种能在频域范围内评价系统性能的工程方法，其可以清楚地表达参数对其性能的影响。频域特征的统计参数有频带功率估计、功率谱密度、脑节律频率和小波等。提取这些参数常用的算法有快速傅里叶变换算法、数字滤波算法、功率谱估计法和小波变换算法等。不同的运动想象任务下的神经信号有不同的频率特性，在0.1-40Hz的范围内可以找到有用的脑电信号频率分布。然而，通常情况下，由于脑电信号的信噪比过低，无法在同一时间检测出信号。尽管限制了有效的频带范围，提取的特征值仍然混有太多噪声，影响了最后的结果。
第三类是基于空间分析。研究者们在时域分析的基础上，提出了许多识别运动想象脑电信号的机器学习方法，如高斯混合网络模型[6]、独立分量分析[9][10]、自回归模型[11]、SVM和CSP[7][12]等。这些方法通过降维技术把多个变量化为少数几个主成分[8]，在统计特定标准上，例如统计不相关、统计独立等都取得了较为完美的结果。其中，应用最广泛的是共同空间模式滤波（Common Spatial Pattern, CSP）。通过计算空间滤波器，把原始信号投射到一个新的空间，最大限度地提高两个运动想象任务数据间的方差比。在这个空间中，运动想象任务可以通过投影的差异进行最优分类[12]。
此外，在传统的机器学习的基础上又进一步地提出同步似然网络[13][14]和人工神经网络。由于具有非线性、非局限性、非常定性、非凸性四大基本特征，人工神经网络具有良好的自学习功能、自适应性、并行处理和实时学习的能力，从而被广泛应用于信号特征提取等领域。神经网络还可以通过训练数据获得先验知识，并将“学到”的知识蕴含在各神经元中，通过多个神经元的广泛连接相互处理信息。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
