摘 要：

大脑是人体中高级神经活动的中枢， 以外围神经为媒介向身体各部分发出指令， 脑机
接口技术旨在不依赖正常的由外围神经或肌肉组织组成的输出通路的通讯系统， 实现大脑
与外部辅助设备之间的交流沟通。 P300 事件相关电位是诱发脑电信号的一种， 人在受到某
种刺激时通常在 300-500ms 能诱发 P300 电位的产生。

针对问题一， 本文首先对数据集中的脑机信号进行了预处理，包括使用 ICA 去除眼电
信号的干扰、使用滤波器去除噪声， 基于小波变换和能量熵对信号进行特征提取，以及对
信号进行数据分段。在训练模型的选择上，本文使用了动态卷积神经网络、 SVM、 KNN 三
种模型，经比较选择识别效果最好的 SVM 模型来确定被试测试集中的 10 个待识别目标。
通过训练支持向量机得到可以识别 P300 电位的模型， 从而根据 P300 出现的位置确定识别
目标，识别结果依次为： M、 F、 5、 2、 I、 T、 K、 X、 A、 0。

针对问题二，本文沿用了问题一中的 SVM 分类模型，同时加入递归特征消除， 通过
不断消除当前特征子集中对目标函数贡献最小的特征，得到基于特征的重要程度排序表。
首先使用 SVR-RFE 算法对每个被试者进行通道选择， 得到每个通道的特征权重， 选取前
10 个权重排名高的通道作为每个被试者的最优通道组。 再对所有被试者进行通道选择， 得
到一组泛化性较强的适用所有被试者的一组最优通道名称组合，最优通道组合选择为： Fz、
F3、 C3、 C4、 CP4、 Pz、 P4、 P7、 Oz、 O2。

针对问题三，由于半监督学习带来的训练样本不足问题，本文首先使用了生成对抗网
络 GAN 扩增样本， 然后使用原型网络进行训练。原型网络能通过训练映射函数， 将样本
特征映射到高维空间， 使得类别相同的样本处于相近的区域， 从而实现通过少量样本数据
进行分类的目标。 通过对问题二给出的数据测试检验， 能证明该方法的有效性。 将模型用
于预测其余待识别目标， 可得其余识别目标为: T、 K、 X、 A、 0。

第四部分使用 SVM 和 KNN 模型预测睡眠分期， 可以在较少的训练样本中得到较高的
预测准确率， 当训练集占 15.0%， 测试集占 85.0%时， 模型测试准确率达 71.50%。在对 5
个睡眠分期逐个进行准确率分析时， 发现模型在检测清醒期、快速眼动期和深睡眠期有着
更好的分类效果。

关键字： P300 电位， ICA， SVM，通道选择，半监督学习， GAN

链接：https://pan.baidu.com/s/1Z2vxwVMklQQ-L1EmgU-ndg
提取码：qv3o