基于经验模态－小波包分解和卷积神经网络的 Ｐ３００ 脑电信号分类研究

针对P300脑电信号信噪比低、随机性强及个体差异性大等问题，本文提出了一种将经验模态分解（EMD）和小波包分解（WP）相结合的滤波方法，并使用改进的卷积神经网络（CNN）对脑电信号进行分类识别。首先利用经验模态分解算法将原始脑电信号分解成若干个本征模函数（IMF）分量，并对每个分量进行频谱分析以去除主频段在0~30Hz以外的分量；然后，对保留的IMF分量进行小波包分解，根据P300电位的有效时频信息，选择合适的频段进行重构，再将重构后的各个本征模函数叠加，得到经过滤波后的脑电信号；最后，设计合适的卷积神经网络结构，对P300信号进行分类识别。本文使用国际BCI竞赛数据集对提出的方法进行验证。实验结果表明，两名被试的分类准确率分别为97.78%、95.56%，说明该方法能够有效的改善P300信号的识别效果（相比其他方法至少提升了2.78%，1.39%），为进一步提高基于P300信号的脑机接口系统的性能提供了一种新的有效的途径。