摘要: 为了提高脑-机接口(Brain-Computer Interface, BCI)系统中基于稳态视觉诱发电位(Steady-state Visual Evoked Potentials,SSVEP)信号的分类准确率,提出了一种新的基于Fisher+Fuzzy的分类算法。该算法首先对提取的脑电特征利用Fisher算法得到最佳投影方向和阈值,然后对样本点到最佳超投影面的距离d进行模糊化,再通过模糊推理确定分类结果。该分类算法改善了在SSVEP分类中使用单一Fisher分类器难以对多分类问题中处于歧义区的样本进行有效分类的问题。结果显示在SSVEP的三、四、五分类中,Fisher+Fuzzy分类器取得了94.72 %,92.18 %,86.08 %的平均分类准确率,高于单一Fisher分类器90.07 %,80.60 %,74.42 %的平均准确率,对具有较低可分性的数据集进行分类时准确率显著提高。