摘 要：

随着计算机技术的不断发展， 近年来脑-机接口一直是被广泛热议的话题之一。 将脑-
机接口技术与人工智能相结合， 使得脑-机接口技术在脑部疾病治愈、 娱乐消费、 机器控
制等领域得到广泛应用， 其中关于脑电信号的采集和处理在脑-机接口技术中至关重要。
脑电信号按其产生的方式可分为诱发脑电信号和自发脑电信号， 其中 P300 电位是一种典
型的诱发型脑电信号， 这种信号在受外界刺激时诱发大脑产生； 而自发脑电信号通常在人
睡眠没受外界刺激时产生。 对于 P300 信号， 其往往出现在刺激后的 300 毫秒左右， 此时
脑电信号曲线会出现一个正向的波峰。 而睡眠脑电信号会在人睡眠的不同阶段呈现出差异
化较大的脑电信号波动状态， 所以可以根据一个人的睡眠脑电信号来划分出睡眠的状态。
本文通过对 5 位被试者的训练数据进行处理分析， 通过多种分类算法比较找出 5 个被试测
试机中的 10 个待识别目标； 根据训练数据和测试数据集运用主成分分析法得到适用于所
有被试者的一组最优通道组合； 通过选择适量的样本作为有标签样本， 其余训练数据作为
无标签样本， 通过设计基于 SVM 的半监督学习算法在以达到较高的训练效率， 并通过问题
二的测试数据验证算法的可行性； 最后采用支持向量机， K 近邻模型，一维卷积神经网络
三类方法进行对比选优， 设计了睡眠分期预测模型对特征样本进行预测， 结果表明一维卷
积能够很好的保留脑电信号的时序特征，因此准确率最高。

（1） 数据处理： 首先对给的样本数据进行预处理， 预处理主要使用带通录波器在滤
波范围为 0.2-8Hz 范围内实现滤波， 滤波后能够去粗高频噪声， 提高数据的信噪比。 然后
对数据进行单次分割和组块， 其目的是将数据中包含 P300 脑电信号的数据部门进行平均
划分， 以满足分类的准确率， 提高脑-机接口系统信息传输效率。 同时为了提高模型的训
练速度， 要对信号片段进行降采样。 最后在对数据进行规范化处理， 以提高脑-机接口数
据的利用效果， 降低数据计算成本， 使得数据应用于不同算法训练学习速度都有较大提高。

（2） 针对问题一， 问题一主要目的是找出被试测试集中的 10 个待识别目标， 首先对
数据预处理， 然后设置模型分类评估指标， 选用支持向量机、 随机森林、 一维卷积神经网
络对模型进行预测得出相应结果。 通过比较三种算法的准确率得出一维卷积神经网络的预
测准确率最高。

（3） 针对问题二， 通过主成分分析法， 对数据进行降维处理， 去除脑电数据信号中
的冗余和无关信息， 对测试通道进行筛选， 去除对 P300 信号响应不明显的通道， 保留对
P300 响应效果好的通道。 最后， 通过算法自动学习所有通道对应权重大小， 由最后各通道
权重占比选择最优通道子集。

（4） 针对问题三， 根据附件 1 中所给数据， 选择一定样本数据作为有标签样本， 然
后将剩下的数据作为无标签训练样本。 根据问题二中所选择的最优通道组合， 设计了基于
自训练半监督方法的脑电信号分类算法， 通过部分测试数据检验了该算法的有效性， 并利
用该学习方法找出了剩余测试集中的待识别目标。

（5） 针对问题四， 本文首先采用带通滤波对睡眠脑电信号进行处理， 然后对样本数
据进行划分， 选择部分数据作为训练数据， 采用支持向量机、 K 近邻模型、 一维卷积神经
网络三种算法对数据进行训练， 最后对剩余样本进行预测， 通过各种算法准确率对比发现
采用一维卷积神经网络算法准确率最好， 能够很好地保留脑电信号的时序特征。

关键词： 脑电信号； 采集通道； 睡眠分期； 信号预处理； 支持向量机； 随机森林； 自训练半监督方法； K 近邻模型； 一维卷积神经网络

链接：https://pan.baidu.com/s/180Q1LEWQjZKBOdkfosIYIg
提取码：f69s