摘 要:
对脑电信号的准确有效分析，有助于把握大脑的活动状态，是实现脑机接口
技术和评估睡眠质量的重要前提。本文分别考虑了目标字符识别问题、最优组合
通道的选取问题，使用部分无标签数据进行半监督学习问题、数据集选取方式和
分配比例问题、睡眠分期问题，并分别建立模型进行求解。
针对问题一，考虑原始诱发脑电包含干扰信号，利用经验模态分解方法得
到 8 个 IMF 分量，分析不同频率下的信号特征。采用四阶低通 Butterworth 滤波
器和快速傅里叶变换进行滤波和去噪。将原始训练集按 5:1 划分为训练集和测试
集，利用重采样方法实现正负样本平衡，通过识别目标字符所在的行和列，将
多分类问题转化为二分类问题。建立了基于 SVM、 DNN、 LSTM 和 1D-CNN 的
目标字符识别模型，验证集上的识别准确率分别为 68.17%、 71.12%、 73.44% 和
77.87%。仅通过 2 轮实验，就可实现测试集字符的准确预测， char13∼char22 的
识别结果依次为 M、 F、 5、 2、 I、 T、 K、 X、 A、 0（被试者 S2 和 S3 由于原始
数据的问题仅能识别 char13∼char21，结果与其余三个被试者相同）。
针对问题二，考虑各个通道重要程度不同，建立了带注意力机制的 1D-CNN
通道筛选模型，得到了每个被试者 20 个通道的注意力权重。分别选取权重最大
的 15 个通道作为每个被试者的最优组合通道，被试者 S1 为 {Fz、 F3、 F4、 Cz、
C4、 T7、 CP3、 CP4、 CP5、 CP6、 Pz、 P3、 P4、 O1、 O2}， S2 为 {Fz、 F3、 Cz、
C3、 T7、 CP3、 CP5、 CP6、 P3、 P4、 P7、 P8、 Oz、 O1、 O2}， S3 为 {Fz、 F4、 C3、
C4、 T8、 CP3、 CP4、 CP6、 Pz、 P3、 P4、 P7、 P8、 Oz、 O1}， S4 为 {Fz、 F3、 F4、
Cz、 C4、 T7、 T8、 CP3、 Pz、 P3、 P4、 P7、 Oz、 O1、 O2 }， S5 为 {Fz、 F3、 Cz、
C3、 T7、 T8、 CP3、 CP5、 Pz、 P3、 P4、 P7、 P8、 Oz、 O1} 将其取交集得到适用
于所有被试者的最优组合通道 {Fz、 CP3、 P3、 P4、 O1}，且每个被试者基于 15
通道和 5 通道的测试集识别结果均为 M、 F、 5、 2、 I、 T、 K、 X、 A、 0。五名被
试者基于 5 通道的 1D-CNN 验证集平均识别准确率为 75.20%，基于原有 20 通道
为 77.87%，引入注意力机制后小幅提升为 77.93%，基于 15 个最优组合通道时
进一步提升为 78.06%
针对问题三，考虑部分数据无标签，利用问题一中的 1D-CNN 预测网络、问
题二的最优通道组合和现有标签数据预训练得到了初始分类模型。按是否使用
先验信息，设计了两种伪标签添加方式。无先验信息时，利用初始分类模型，对
无标签数据添加伪标签，选出 softmax 输出概率大于 0.8 的数据，将其添加到标
签数据中，并更新初始分类模型；使用先验信息时，考虑到每轮测试中每行和每
列都会各出现一次正样本，其余为负样本，选取所有行中输出概率最高的行作为
行预测结果，列预测同理，并将其作为无标签数据的伪标签。实验结果表明，上
述过程重复 10 次后，所有无标签数据都会被添加到标签数据中，也即得到了稳
定的半监督学习分类模型。无先验和有先验方式最终对 char13∼char22 的识别结
果均为 M、 F、 5、 2、 I、 T、 K、 X、 A、 0，在验证集上的分类准确率分别从初
始的 63% 提升至 67.23% 和 71.48%，接近有监督训练的分类准确率 75.2%，验证
了半监督学习模型的有效性。
针对问题四，考虑原始睡眠脑电数据仅包含四个特征，从能量角度出发构造
了 9 个新特征，扩充了原有数据集，并按训练集和测试集 4:1 的比例随机划分了
100 次， SVM、随机森林和 CatBoost 在 100 个测试集上睡眠分期的平均分类正
确率分别为 65%、 94.3%、 95.06%。改变训练集占总样本的比例分别为 0.8、 0.7、
0.6、 0.5 和 0.4，得到 CatBoost 在 100 个测试集上睡眠分期的平均分类正确率分
别为 95.06%、 91.22%、 88.42%、 85.73% 和 82.06%，验证了所建立的模型可以在
较少训练样本情况下实现较高的分类正确率。
关键字： 脑电信号 傅里叶变换 1D-CNN LSTM CatBoost
链接：https://pan.baidu.com/s/1S7S0jx6ylzIvd4aYwPlEug
提取码：qssp