李嘉伟，任立红，丁永生，陈 磊

(东华大学 数字化纺织服装技术教育部工程研究中心，上海 201620)

0 引 言

近年来，基于脑电(electroencephalogram, EEG)信号的脑机接口系统受到了广泛的关注。脑机接口是一种新的人机交互方式，通过识别脑电信号来获取被试者意图，这项技术能为神经肌肉损伤的患者提供不依赖外围神经的新的通讯工具[1]。通常在EEG信号处理中，P300诱发电位由于它的稳定性，以及不需要训练等特性越来越被研究人员所接受。P300诱发电位是一种事件相关电位[2]，是对发生概率相对较小的外界事件或刺激的反应，由于P300诱发电位一般出现在刺激发生后300 ms左右，故称为P300信号。

基于脑电信号识别用户意图是脑机接口的核心任务，特征提取和分类是识别脑电信号最重要的环节，直接决定了分类的性能。目前特征提取以及分类算法主要分为3大类:生成模型分类器、线性分类器以及非线性分类器。在生成模型分类器中贝叶斯分类器是选择具有最大后验概率的类作为该对象所属的一类。线性分类器中常用的是LDA(linear discriminant analysis)分类器，LDA分类速度快且无须高性能计算，通常用于二分类问题，在线性分类中占有一席之地[3]。另外一类是非线性分类器，例如支持向量机(SVM)神经网络分类器等。RAKOTOMAMONJY A等[4]提出一种集成支持向量机，将数据分为多个类，并利用不同的支持向量机训练数据，最后综合多个支持向量机的结果来降低由于单个数据误差造成的整体影响，并最终得出96%的分类准确率；CECOTTI H等[5]将卷积神经网络(CNN)应用于脑电分类中，提出了基于CNN的7个分类器—4个具有不同特征集的单一分类器以及3个多分类器，并应用于BCI竞赛数据集得出95.5%的识别率；……