脑机接口(Brain-Computer Interface，BCI)是一种不依赖于大脑外周神经与肌肉正常输出通道的通讯控制系统。脑机接口技术通过采集和分析大脑生物电信号，在大脑和外界建立直接交流通道，为思维正常但有运动障碍的人提供与外部环境交流的手段。　　脑机接口的研究方法有多种，较其他研究方法，稳态视觉诱发电位(Steady-State VEP, SSVEP)具有受试者无需进行训练或只需很少训练，实验简单易行，同时具有较好的稳定性和较强的抗干扰性等特点，可见基于SSVEP的BCI系统具有较高的研究价值和较好的应用前景。本文研究的BCI系统是基于SSVEP的BCI系统，具体研究成果如下:　　(1)用于SSVEP脑机接口的视觉刺激器的设计与实现　　根据稳态视觉诱发电位的特点和产生原理，运用Matlab中的Psychtoolbox工具箱完成了刺激范式的设计，通过Psychtoolbox工具箱中的Screen函数，在LCD显示屏上呈现实验需要的刺激模块。刺激范式一是在LCD屏幕上呈现单个刺激模块，刺激模块每次以不同的频率闪烁，通过该实验验证了受试者注视固定刺激频率能够产生特定的诱发脑电波形;刺激范式二是在LCD屏幕上呈现多个刺激模块，每个刺激模块以不同的频率同时闪烁，受试者可以通过注视其中的一个刺激模块做出选择，该实验可为受试者提供多种选择操控。　　(2)基于独立成分分析(ICA)与希尔伯特黄变换(HHT)的特征提取方法　　为了有效的提取稳态视觉诱发脑机接口中的脑电特征，提出了基于独立成分分析(ICA)与希尔伯特黄变换(HHT)的特征提取方法。首先对采集得到的脑电信号进行带通滤波，得到预处理的脑电信号;其次，将滤波后的脑电信号作为ICA的输入，经过ICA实现独立成分的快速获取;进而，引入HHT对独立成分进行经验模态分解(EMD)，分解获取固有模态函数（IMF）;最后，通过对IMF的频域分析，即可提取出特征。通过将本文提出的特征提取方法与其他特征提取方法在频域、功率谱估计、时间消耗等多方面比较，验证了本文方法的正确性和有效性。　　(3)基于SSVEP_BCI的机器人控制系统设计　　在上述研究的基础上，设计了基于SSVEP_BCI的机器人控制系统，以实现受试者通过对视觉刺激器的观察，达到对机器人控制的目的。SSVEP_BCI的机器人控制系统主要包含两部分:第一部分是对脑电信号的采集和处理。采用g.MOBIlab+数字脑电仪对脑电信号进行采集，并通过调用其提供的CAPI函数，实现脑电信号数据的获取，然后使用Matlab完成脑电信号的特征提取和特征分类等，整个过程采用Matlab和C++语言混合编程实现。第二部分是对Nao机器人的控制。首先，将Nao机器人与PC端接入同一无线网络环境;其次，在PC端调用Nao的API函数，将识别好的命令转换为Nao机器人可以识别的命令类型;最后，通过无线网络将指令传送给Nao机器人，实现对Nao机器人的控制。实验利用基于SSVEP的BCI控制系统达到了对机器人控制的目的，为脑机接口技术走出实验室进入实际应用提供了可能性。