文献综述
本课题的现状及发展趋势：
近几十年来，人们对脑电信号（Electroencephalogram,EEG）的研究不断地深入。随着越来越完善的信号处理技术以及越来越精密的EEG采集设备的出现，研究者们对EEG更加精确地分析。目前EEG由于具备反应灵敏、不易伪装、识别结果客观真实、实时性强等优点，备受重视并成为研究热点。文章[1]主要从信息交流与控制、功能康复与增强、状态识别与监测3个主要发展方向综述了脑机接口的研究现状，并对脑机接口的发展所面临的机遇和挑战进行了展望。
EEG的研究主要是通过分析使用人员的脑电，解读出其正在进行的思维活动，并根据解读的分类结果控制不同的外部设备。由于信号中存在噪声干扰，并不是产生的所有EEG都可直接应用于分类识别。因此我们对采集的脑电信息进行预处理后，需要对基于运动想象的EEG特征提取和分类识别。
因为EEG是一种无周期非线性的随机信号，所以传统的特征提取方法主要以时域、频域和时频域结合的方法为主。实际上特征提取就是为了剔除原始数据中的“噪声”干扰，强化信号的信号特征，以简化后续过程的计算量。目前关于运动控制相关的脑电信号的特征提取的方法主要有下面几类：
（1）单一类信息法
单独使用EEG的时域信息或频域信息作为特征值进行分析。时域法主要研究的是EEG的几何特性，它能够直观的反映出信号的不同之处，具有明显的物理意义，但是由于EEG的复杂性以及不同种类的波形差异，导致了该方法的正确率低。频域法利用的是EEG频域特征明显这一特点，将EEG的频谱能量值作为EEG的特征信息。此方法使用简单，但是特征提取过于单一，使其对EEG的分类不佳，具有很大的局限性。
（2）传统时频特征组合法[2]
将时域均值或平均能量与频域中的功率谱进行组合，作为组合特征量。由于EEG是一种无周期变换的非线性随机信号，组合特征量能够很好的表达出信号的特征信息。
（3）模型法[3-4]
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。
