脑机接口(Brain-Computer Interface,BCI)是一种脑机融合感知的新技术,它不依赖于人体自身的信息输出系统,而是通过在大脑与外部辅助设备之间建立的直接连接通路实现与周围环境的交流。P300脑电信号是一种内源性的事件相关电位,具有严格的锁时性,因此被广泛用作脑机接口系统的控制信号。针对P300电位非线性、非平稳性以及个体差异性大等特点,本文结合机器学习和深度学习中的有关方法,从脑电信号的预处理、特征提取和分类识别等方面入手,对P300脑电信号处理算法进行研究。本文主要的研究工作如下:(1)提出一种将经验模态分解(Empirical Mode Decomposition,EMD)算法与频谱分析算法相结合的P300脑电信号去噪方法:首先将原始脑电信号进行EMD分解,得到若干个固有模态分量(Intrinsic Mode Function,IMF);然后根据P300电位的有效频率范围,使用频谱分析算法保留有用的IMF分量并进行重构,即得到消噪后的脑电信号。将该方法与其他传统的脑电信号去噪方法进行对比实验,结果表明该方法具有较好的去噪效果。(2)使用小波包分解(Wavelet Packet Decomposition,WPD)算法初步提取P300脑电信号的特征:对预处理后的P300信号进行四层小波包分解,然后选择合适的小波包子带进行重构。实验结果表明,相比于小波变换,小波包分解算法的特征提取效果更好。且同时使用小波包分解算法和改进的卷积神经网络模型对P300信号进行特征提取与分类,能够得到更高的分类准确率。(3)提出了一种基于改进的卷积神经网络(Convolutional Neural Network,CNN)的P300脑电信号分类方法,即T-CNN模型。由于脑电信号中包含了大量的时间和空间信息,直接进行卷积运算会使得这两种信息同时出现在提取的特征中,因此,本文将卷积层中的卷积核针对性地设置为向量,使其在卷积操作中只能提取空间特征或时间特征。同时,为了防止训练过程中出现过拟合现象,本文在CNN模型中添加了Dropout和批量归一化操作。实验中分别使用传统的机器学习方法和T-CNN模型对P300脑电信号进行分类,结果表明,T-CNN模型能够得到更高的分类准确率,证明了深度学习算法在P300脑电信号识别中的有效性。