摘要:目前基于稳态视觉诱发电位(SSVEP)的脑-机接口在人机协作中受到广泛关注,现有面向SSVEP信号的相位与频率信息的深度学习分类方法,仍存在信息利用不充分等问题。针对上述问题,本文基于迁移学习思想提出一种用于SSVEP信号分类的深度神经网络模型,将快速傅里叶变换后的复向量作为输入,对各个导联的实、虚部向量进行卷积,学习对应的相频特性。该模型分为两部分:第一部分利用所有被试者之间的统计共性获得相位和频率信息的全局相频特征模块;第二部分利用训练好的全局相频特征模块对局部相频特征模块进行初始化,通过局部相频特征模块的进一步强化学习对训练参数进行微调,以减少每个被试者之间的个体差异。实验采用BETA公开数据集,结果表明:本文所提模型在时窗为1.5s时,平均准确率和平均信息传输率分别为89.98%和71.80bit/min,均优于现有方法。该研究为深入挖掘、利用脑电信号中的相位与频率信息提供了全新思路,对推动脑-机接口技术的发展具有重要意义。