1、腦-機接口技術的核心思想在于將輸入的觀測腦電信號轉換為輸出的控制信號，從而驅動計算機設備。通過受試者頭皮電極采集到的腦電（EEG，Electroencephalogram）非常微弱，并且伴隨多種偽跡（Artifact）的干擾，給腦電信號的特征提取和后續(xù)分析增加了更大的難度。盲信號分離（BSS，Blind Source Separation）是在通信系統的輸入和傳輸信道均未知的情況下提出來的，即對源信號的先驗知識少知或不知，對傳輸信道特性

2、也未知。本課題針對腦電信號處理中的問題，對基于BSS思想的自動去除EEG中偽跡的方法展開了研究。
　　本文首先對腦電信號偽跡分離的研究背景和國內外研究狀況做了介紹，然后學習了腦電信號的基本知識，詳細闡述了腦電信號與偽跡信號的特性與分類，研究中著重考慮對腦電信號影響最嚴重的眼電偽跡和50Hz的工頻干擾。
　　其次介紹了盲信號分離的核心思想，其用于解決腦電信號偽跡分離問題時的數學模型、約束條件和預處理過程，還深入學習了盲信號分離

3、的經典算法（JADE，FastICA）。在分析了傳統算法局限性的基礎之上，進一步尋求了腦電信號領域的一種全新的解決問題思路，本文首次嘗試將Stone’s BSS算法引入EEG信號處理領域，為腦電信號的偽跡去除引入了新方法。Stone’s BSS突破了以往信號處理方法中要求源信號不能服從高斯分布和相互獨立的局限性，只要求混合信號是時間可預測的，分別采用長、短濾波預測對混合信號作用，將BSS問題轉變成一個廣義特征分解問題，從而求得解混矩陣。

4、文中還對Stone’s BSS進行了改進，引入遺傳算法用于對長、短濾波調諧，使之成為一種成熟穩(wěn)定的算法。
　　緊接著選取了一組具有代表性的模擬信號對改進的Stone’s BSS與其他BSS方法的分離結果做了對比，理論上證明了改進算法在高斯型、亞高斯型信號分離中的良好性能。
　　最后，結合目標信號的特征和性質，通過不同的實際數據對改進的Stone’s BSS算法在EEG中的眨眼偽跡（EOG，Electrooculogram）和