基于卷积神经网络的P300事件相关电位分类识别

丑远婷 邱天爽 钟明军

(大连理工大学电子信息与电气工程学部，辽宁 大连 116024)

引言

近年来，基于P300事件相关电位的脑机接口(brain computer interface, BCI)系统得到广泛的重视和应用。它通过分析处理在不同视觉刺激下人体脑部产生的脑电(electroencephalography, EEG)数据，检测P300事件相关电位，进而转换成相应的指令来实现对外部设备的操控。其中，P300事件相关电位的分类识别在BCI系统中占据着至关重要的地位。在字符拼写脑机接口系统中，P300事件相关电位是人体接受视觉刺激后在脑部头皮中可检测到的潜伏期约300 ms左右的正向电位。由于其波幅小、信噪比低，常常淹没在自发脑电和伪迹干扰中，因此P300事件相关电位不易被检测。高效准确地从EEG数据中分类识别出P300事件相关电位，对于BCI系统的正常运作具有重要的意义。

近年来，文献中报道了较多P300事件相关电位的分类识别方法。其中，文献[1]介绍了早期的分类方法，这些方法主要基于信号的时域特征来对信号进行处理，通常将固定时间长度窗口内提取到的EEG波形的最大幅度差、波形面积以及待识别信号与P300事件相关电位模板信号的相关系数作为分类特征。早期研究方法仅仅考虑到时域信息而忽略频域等方面的信息，分类方法比较简单，因而对于P300信号识别正确率仅有80%。更多的研究者致力于EEG信号的特征提取方式和分类模型的研究。Liu等利用频带功率和逐步判别分析(stepwise discriminant analysis，SWDA)计算的P300幅值共同作为分类特征，并使用受试者工作特征(receiver operating characteristic,ROC)曲线下的面积(area under curve,AUC)作为度量标准[2]。……