P300信号识别

0 P300基础

0.0大脑

大脑区域的名称

0.1 P300的定义

层级：ERP→P300

频率：以delta（0.5-4hz）脑波为主要贡献和theta(4-7.5hz)脑波响应的融合。

位置：顶叶中心区的正向波峰（Parietocentral Positive）

波峰：大约为10μV（通常是200-250ms之间的最大值，信号容易识别时也可能是400ms，信号难以识别时可能800ms才会出现）

波峰的测量方式：波峰和触发前基线的差值

波峰与时域概率的关系：刺激出现的频率和P300振幅负相关，在出现频率小于1/10s时达到最大值，之后再减小出现频率则不增加P300振幅。

潜伏期：约为300ms（）

潜伏期测量方式：波峰时间点和刺激开始时间点的差值

触发方式：主要与期待、意动、觉醒、注意等心理因素有关[1]。当刺激出现的可能性更低时、被试在猜测而不是已经知道下一个刺激的位置时，成分会更明显， 它的程度与被试的心理活动更相关，而与刺激的形式没那么相关[2]。

0.2 预处理

最佳滤波频段是0.1-15Hz，大于0.5Hz的模拟高通滤波会降低P300信号的振幅，P300后段的信号也会由于相位扭曲而变为负值

1 特征提取 

特征提深度学习进行电信号的特征提取和分类

1.1 使用1D卷积核LSTM混合模型
手把手教你使用 1D 卷积和 LSTM 混合模型做 EEG 信号识别-CSDN博客

1.1.1 背景知识

pytorch之nn.Conv1d详解-CSDN博客
什么是LSTM层

9.2. 长短期记忆网络（LSTM）动手学深度学习2.0.0

1.1.2 实例

基于CNN-LSTM的脑电P300信号检测

Single Trial P300 Classification Using Convolutional LSTM and Deep Learning Ensembles Method

1.2 算法

P300信号最容易混淆的就是相邻按键的信号，以下是解决这些问题的可能的办法

深度学习难分样本挖掘（Hard Mining）

PyTorch学习之六个学习率调整策略

8种识别时间序列信号的方法