運動想象指想象特定動作但實際上并不執行該動作的行為，已經在神經科學等領域得到廣泛關注。運動想象腦電信號分類算法主要根據腦電信號所包含的生理信息，尤其是從生理信息中提取出的特征，對各類運動想象任務進行區分。近年來，運動想象腦電信號分類算法在分類器與機器學習策略兩方面出現了一些新的研究進展。分類器方面，一些研究對傳統機器學習分類器進行了改進，深度學習與黎曼幾何分類器也已在該領域得到廣泛應用。機器學習策略方面，出于提高分類準確率等目的，集成學習、自適應學習與遷移學習等機器學習策略被引入到運動想象腦電信號的分類中。本文綜述討論了運動想象腦電信號分類算法的研究進展，希望能夠對各分類器與機器學習策略進行總結評價，為開發更高性能的分類算法提供思路。
高頻穩態非對稱視覺誘發電位（SSaVEP）為設計舒適、實用化的腦—機接口（BCI）系統提供了一種新的范式，但是高頻信號幅值弱、噪聲強，研究如何增強其信號特征具有重要意義。本研究采用30 Hz高頻視覺刺激，將周圍視野標準等分為八個環形扇區，基于視覺空間到初級視覺皮層（V1）的映射關系選擇八種環形扇區對，并為每種環形扇區對設計三種相位（同相[0o，0o]、反相[0o，180o]、反相[180o，0o]），探究相位調制下SSaVEP的響應強度和信噪比兩類特征。本文共招募八名健康受試者參與試驗，結果表明，30 Hz高頻刺激下，有三種環形扇區對在相位調制下SSaVEP特征的差異較大，且空間特征表現為下側視野環形扇區對的兩類特征值明顯高于上側視野環形扇區對。研究進一步采用濾波器組集成任務相關成分分析計算環形扇區對在三種相位調制下的分類精度，平均分類精度最高可達91.5%，證明了相位調制的SSaVEP特征可用于編碼高頻SSaVEP。綜上，本研究結果為增強高頻SSaVEP信號特征，拓展傳統穩態視覺誘發電位范式指令集提供了新思路。