摘要脑-机接口（Brain-ComputerInterface,BCI）可以不依赖外周神经与肌肉组织，把大脑与外界设备连接起来，建立起一条全新的、独立的信息传输通道。以便于直接控制外界设备，为一些障碍患者提供正常的运动能力，提高他们的生活质量。其中，脑电信号（electroencephalogram，EEG）的提取是脑机接口技术的关键，本文对脑电信号进行研究，具体如下：（1）通过设备完成脑电信号提取时信号中通常含有噪声，含有噪声的信号不能进行直接分析和使用，因此需要对其进行去噪处理，在本文中采用两种方式进行去噪，分别为硬阈值去噪与软阈值去噪。在进行去噪之前分别进行了两层和三层的分解实验，并对两种结果进行比较最终选择两层小波分解进行处理。最终对硬阈值和软阈值两种去噪方法进行了实验，对实验所得到的信噪比和均方根误差数据进行比较，选用软阈值去噪方法。（2）由于EEG信号非线性且平稳性不足等特征，在本文对比了小波变换和模糊熵在对信号进行处理时的优势和劣势，结合两种方法对脑电信号特征进行提取，首先对受试者a的C3通道和C4通道所采集的数据进行小波分解处理，随后根据不同层频带提取对应节律，在完成小波分解之后将数据采用模糊熵方法实现特征提取。本文的实验结果表明，提取的特征重叠较少，有助于后续进行脑电信号的分类。（3）就脑电信号的分类而言，在本文中利用当前较为成熟的神经网络以及支持向量机等方法，选择合适的核函数后利用Matlab2019a中的工具箱完成信号的处理和分类，分类结果证明，本文所采用的信号分类方法精确度为61%，达到预期要求，具有良好的分类效果。关键词：脑电信号；软阈值；小波变换；模糊熵；AbstractBrain-ComputerInterface(BCI)canconnectthebrainwithexternaldeviceswithoutrelyingonperipheralnervesandmuscletissue,andestablishanewandindependentinformationtransmissionchannel.Inordertodirectlycontroltheexternalequipment,providenormalexercisecapacityforsomedisabledpatientsandimprovetheirqualityoflife.Amongthem,theextractionofelectroencephalogram(EEG)isthekeytobrain-computerinterfacetechnology.ThispaperstudiesEEGsignalsasfollows:(1)WhentheEEGsignalisextractedbythedevice,thesignalusuallycontainsnoise,andthesignalcontainingnoisecannotbedirectlyanalyzedandused.Therefore,itneedstobedenoised.Inthispaper,twomethodsareusedfordenoising.Hardthresholddenoisingandsoftthresholddenoising.Twoandthreelayersofdecompositionexperimentswereperformedbeforedenoising,andthetworesultswerecomparedandfinallytwolayersofwaveletdecompositionwereselectedforprocessing.Finally,twodenoisingmethods,hardthresholdandsoftthreshold,weretested.Thesignal-to-noiseratioandrootmeansquareerrordataobtainedbytheexperimentwerecompared,andthesoftthresholddenoisingmethodwasselected.(2)DuetothenonlinearityandlackofstationarityoftheEEGsignal,theadvantagesanddisadvantagesofwavelettransformandfuzzyentropyintheprocessingofsignalsarecompared.CombiningthetwomethodstoextractthecharacteristicsofEEGsignals,firstlyThedatacollectedbytheC3channelandtheC4channelofthetesteraissubjectedtowaveletdecompositionprocessing,andthenthecorrespondingrhythmisextractedaccordingtodifferentlayerbands.Afterthewaveletdecompositioniscompleted,thedataisextractedbythefuzzyentropymethod.Theexperimentalresultsinthispapershowthattheextractedfeaturesarelessoverlapping,whichishelpfulforthesubsequentclassificationofEEGsignals.(3)IntermsoftheclassificationofEEGsignals,inthispaper,thecurrentmatureneuralnetworkandsupportvectormachineareusedtoselecttheappropriatekernelfunctionandthenusethetoolboxinMatlab2019atocompletethesignalprocessingandclassification.Itisprovedthattheaccuracyofthesignalclassificationmethodusedinthispaperis61%,whichmeetstheexpected...
