基于P300的BCI系统是目前最常用的头皮脑电BCI系统之一，该系统以ERP（event-related potential）中P300电位作为目标信号。P300电位是与大脑决策过程相关的ERP成分，反映着大脑对外界刺激的评价与分类过程。实验中，通常利用oddball范式诱发P300电位。从EEG上看，P300是在大脑接收目标刺激后大概250-500ms内出现的正向偏移电位。
下图展示了通过oddball范式为正常站立状态下受试者呈现Non-target(80%)和target(20%)视觉闪烁刺激时，在Pz导联处检测到的ERP时域波形图。在图中，我们可以清晰的看到：相较于Non-target，在target刺激呈现后400ms处出现明显的正向偏移电位，即P300电位，且顶叶脑区激活程度增强。
P300-BCI进行目标识别的原理简单来说就是基于oddball范式对刺激呈现进行时间编码，并检测每个时间间隔内脑电信号中是否出现P300诱发电位。如在1988年，Farwell和Donchin基于行列闪烁编码范式设计了6*6矩阵键盘（共36指令）的P300 speller系统中，通过确定诱发出P300的行闪烁和列闪烁时间定位目标指令，再基于检测到的目标指令，系统给出相应字符的输出。
几种典型算法
由于P300 BCI具有显著的时域特征，在目前的P300-BCI研究中，多采用基于检测P300诱发电位的出现与否对信号进行检测。根据脑电图特征判断P300诱发电位的存在与否，可以认为是一个具有判别函数的二元分类问题，其决策超平面定义为:
w⋅f (x) + b = 0
其中x是特征向量f(⋅)是一个转换函数,w是一个分类的权重向量，b是偏差项。对于非线性可分离问题，f(⋅)可以表示将特征映射到更高维空间的核转换，以尝试创建线性可分集。对于线性方法, f (x) = x。目前常用的解码算法都是通过解决w和b来实现的。
因为假设P300是针对n个行/列之一的增强引出的，且P300响应对于行/列刺激是不变的，所得到的分类被视为各行以及列的得分特征向量之和的最大值：
通过分别为目标和非目标刺激分配+1和-1的类标签，该设计选择与训练的超平面具有最大正距离的脑电响应。这理想地类似于选择强烈表示的由训练数据定义的特征P300的响应。预测字符位于矩阵中预测的行和列的交点处。因为等式（2）和（3）对于恒定偏置项b是不变的，所以不需要计算它。
参考文献
Krusienski D J , Sellers E W , Cabestaing F , et al. A comparison of classification techniques for the P300 speller[J]. Journal of Neural Engineering, 2006, 3(4):299.
LDA
线性判别分析（Linear Discriminant Analysis，LDA）是P300 speller中常用的典型分类方法，具有计算量低、分类效果良好等特点。
LDA通过将高维样本数据投影至低维空间，保证样本数据在该空间中有最大类间距离和最小类内距离，其目标函数可表示为下式
其中，为类间散度矩阵，为类内散度矩阵。通过求解最大的个特征值和对应的个特征向量,得到投影矩阵；
参考文献
Blankertz B , Lemm S , Treder M , et al. Single-trial analysis and classification of ERP components — A tutorial[J]. Neuroimage, 2011, 56(2):814-825.
备注
本文章为公益性质，旨在为脑机接口开发人员、研究人员提供数据下载途径，共同促进脑机接口行业的发展。
如有侵权，请联系博主。
若诉求合理，可删除文章。
如链接失效，可联系博主微信：BCIRobot
