A brain-computer interface (BCI) measures and analyzes brain activity and converts this activity into computer commands to control external devices. In contrast to traditional BCIs that require a subject-specific calibration process before being operated, a subject-independent BCI learns a subject-independent model and eliminates subject-specific calibration for new users. However, building subject-independent BCIs remains difficult because electroencephalography (EEG) is highly noisy and varies by subject. In this study, we propose an invariant pattern learning method based on a convolutional neural network (CNN) and big EEG data for subject-independent P300 BCIs. The CNN was trained using EEG data from a large number of subjects, allowing it to extract subject-independent features and make predictions for new users. We collected EEG data from 200 subjects in a P300-based spelling task using two different types of amplifiers. The offline analysis showed that almost all subjects obtained significant cross-subject and cross-amplifier effects, with an average accuracy of more than 80%. Furthermore, more than half of the subjects achieved accuracies above 85%. These results indicated that our method was effective for building a subject-independent P300 BCI, with which more than 50% of users could achieve high accuracies without subject-specific calibration.

中文翻译：

---

基于卷积神经网络和大脑电图数据的独立于受试者的 P300 脑机接口学习不变模式

脑机接口 (BCI) 测量和分析大脑活动，并将此活动转换为计算机命令以控制外部设备。与传统的 BCI 在操作之前需要特定学科的校准过程相比，与学科无关的 BCI 学习与学科无关的模型，并消除了新用户的学科特定校准。然而，构建独立于学科的 BCI 仍然很困难，因为脑电图 (EEG) 的噪声很大，并且因学科而异。在这项研究中，我们提出了一种基于卷积神经网络 (CNN) 和大 EEG 数据的不变模式学习方法，用于独立于主题的 P300 BCI。CNN 使用来自大量受试者的 EEG 数据进行训练，使其能够提取与受试者无关的特征并对新用户进行预测。我们使用两种不同类型的放大器在基于 P300 的拼写任务中收集了 200 名受试者的 EEG 数据。离线分析显示，几乎所有受试者都获得了显着的跨受试者和跨放大器效应，平均准确率超过80%。此外，超过一半的受试者达到了 85% 以上的准确率。这些结果表明，我们的方法对于构建独立于主题的 P300 BCI 是有效的，超过 50% 的用户可以在没有主题特定校准的情况下实现高精度。超过一半的受试者达到了 85% 以上的准确率。这些结果表明，我们的方法对于构建独立于主题的 P300 BCI 是有效的，超过 50% 的用户可以在没有主题特定校准的情况下实现高精度。超过一半的受试者达到了 85% 以上的准确率。这些结果表明，我们的方法对于构建独立于主题的 P300 BCI 是有效的，超过 50% 的用户可以在没有主题特定校准的情况下实现高精度。