基于卷积神经网络的P300脑电信号解码OA北大核心CSTPCD

P300拼写器是允许用户使用脑电图(Electroencephalogram,EEG)输入的脑机接口(Brain-Computer Interface,BCI)系统,高传输、高准确率地检测P300信号对于提高P300拼写系统的性能非常重要.针对P300脑电信号特征提取方式信噪比低、识别困难等特点,提出一种基于批量归一化和残差块的卷积神经网络(Convolutional Neural Network,CNN)模型,可以在模型训练中保留重要特征的同时加快模型损失的收敛速度.采用分类精度、AUC(Area under Curve)、准确率、召回率、F_(1)-score等指标来验证所提模型的有效性,并与其他方法进行了对比实验.实验结果显示,与传统的CNN算法相比,所提模型的分类精度提升6%,损失函数的收敛速度也有提升;与传统机器学习方法相比,所提模型的各项评价指标都优于传统算法.证明该算法是提高P300拼写器性能的有效方法.