文献类型：期刊文章

作　　者：施翔宇[1] 潘家辉[2]

SHI Xiang-Yu;PAN Jia-Hui(Center for Brain Computer Interfaces and Brain Information Processing,School of Automation Science and Engineering,South China University of Technology,Guangzhou 510640,China;School of Software,South China Normal University,Foshan 528225,China)

机构地区：[1]华南理工大学自动化科学与工程学院脑机接口与脑信息处理研究中心,广州510640 [2]华南师范大学软件学院,佛山528225

出　　处：《计算机系统应用》

基　　金：广东省重点研发计划(2018B030339001);国家自然科学基金面上项目(62076103);广州市重点领域研发计划(202007030005);广东省自然科学基金面上项目(2019A1515011375)。

年　　份：2022

卷　　号：31

期　　号：3

起止页码：30-37

语　　种：中文

收录情况：IC、JST、ZGKJHX、普通刊

摘　　要：从脑电信号中检测P300电位是实现P300脑机接口的关键.由于不同个体间的脑电信号存在较大差异,现有的基于深度学习的P300检测方法均需要大量的脑电数据来训练模型.对于小样本的患者数据,至今仍没有令人满意的解决方案.本文提出了一种改进的适用于小样本P300脑电信号检测的原型网络方法.该模型通过卷积神经网络提取特征,结合度量方法余弦相似度,实现P300脑电信号的分类和识别.在第3届国际脑机接口竞赛的数据集II上进行测试和比较,取得了平均字符识别率达95%的良好识别性能.进一步地,我们把该方法应用于小样本的意识障碍患者意识状态检测中.在基于命令遵循的意识状态检测实验中, 5位正常人的准确率均为100%, 10位意识障碍患者的意识状态检测结果与临床评估结果相匹配.研究证明该模型对改进应用于小样本的P300脑机接口系统具有重要意义.

关 键 词：脑机接口 原型网络  脑电图 P300 意识障碍  

分 类 号：TN911.7] R318]