面向脑控车辆的模糊融合控制方法研究

脑控车辆（brain-controlled vehicle,BCV）是指利用脑机接口（brain-computer interface,BCI）解析驾驶员的脑电信号（electroencephalogram,EEG）从而获得控制命令的车辆,其性能受BCI本身性能影响很大。目前,BCI的识别准确率、可识别分类的指令数都受限,并且其指令识别时间较长,因此仅靠脑电信号控制的车辆,其控制性能并不理想。针对在BCI性能受限的情况下提高脑控车辆的控制性能这一问题,基于模糊逻辑,提出了一种模糊脑控融合控制的方法：基于模糊离散事件系统（fuzzy discrete event system,FDES）监督理论对于驾驶员给出的脑控指令的正确程度进行监督评估;同时基于模糊逻辑设计一个自动控制器根据车辆当前状况进行模糊推理得到自动决策;根据评估后驾驶员指令的正确程度与自动决策进行二次模糊推理,对自动决策作出更符合人意图的调整,得到最终决策。为证明所提方法的有效性,采用一种新型的SSVEP（steady-state visual evoked potential）型脑机接口设备。并基于此平台,设计了后续实验,验证了所提出的方法能够在BCI性能受限的情况下提高脑控车辆的控制性能。     

脑机接口（BCI）系统的实时数据传输技术研究

脑机接口（BCI）系统包含两大模块：脑电信号采集与处理。其中采集和处理程序间实时数据传输是需要解决的关键问题之一。本系统采用LabVIEW语言开发信号采集程序，考虑程序运行速度，信号处理程序用Visual C^＋＋设计。本文对各种Windows下进程间通信（IPC）机制研究之后，提出用动态链接库（DLL）来实现基于文件映射的共享内存技术。实验结果表明，该技术能够很好地满足采集数据的大批量、高频率和多通道等要求。     

混合脑机接口及其研究进展

脑机接口（brain-computer interface,BCI）技术作为一项新兴且发展潜力巨大的技术,已成为国际研究热点。但面向实际应用,现有BCI技术仍面临许多有待解决的问题,如基于稳态视觉诱发（SSVEP）的BCI技术控制命令数有限,基于运动想象（motor imagery,MI）的BCI存在诱发生理信号空间分辨率低、训练时间长等问题。研究表明,混合脑机接口（hybrid brain-computer interface,HBCI）相比于传统单模态BCI系统,在系统准确率、稳定性方面均有所提升。文章对HBCI进行了介绍,从基于多脑电模式的混合脑机接口、基于多种刺激诱发的混合脑机接口、基于多模态信号的混合脑机接口这三个类别分别对HBCI的研究进展进行阐述,并对HBCI关键技术、需要解决的问题及应用方向进行了概述。     

基于脑电BCI的研究综述

一直以来脑研究都是国内外的研究热点,脑机接口（Brain Computer Interface, BCI）则是脑研究中的重要内容之一。正因为如此,越来越多的国内外研究者开始从事BCI的相关研究,并取得了诸多优秀成果。该文从BCI信号角度入手,总结了近年来基于脑电BCI的典型系统、相关分析方法及研究成果,并具体分析了其中存在的不足之处。     

基于P300-SSVEP的双人协同脑-控机械臂汉字书写系统

基于脑-机接口（Brain-computer interface, BCI）的脑-控技术发展迅速,取得较大进展。然而,现有研究多采用单人脑控方式,存在执行效率低、可控自由度低的问题,难以满足复杂条件下的操控任务需求。针对此问题,本文采用时-频-相混合编码的视图脑-机交互方法,设计双人协同策略,通过解码P300和稳态视觉诱发电位（Steady-state visual evoked potential, SSVEP）脑电特征,开发了108指令的双人协同脑-控机械臂系统,实现双人同时对汉字一笔一划的书写。8名被试在线平均正确率为87.92%,平均在线信息传输速率（Information-transfer rate, ITR）为66.00 b/min。该系统扩展了BCI信息交互方式,初步验证了协同BCI操控机械臂的可行性和有效性,为协同BCI提供了技术支撑。     

混合脑机接口的研究进展

传统的脑机接口（Brain Computer Interface,BCI）有许多不足,如基于运动想象的BCI需要受试者进行大量练习;基于P300位的BCI需要多次重复闪烁;基于SSVEP的BCI上的控制命令数量受刺激频率及其他因素影响.为此,研究人员提出了混合脑机接口（hybrid Brian Computer Interface,hBCI）.本文主要讨论了hBCI的研究进展,综述了常见的三种hBCI类型,分别是基于多种大脑模式的hBCI、基于多种感官刺激的hBCI、基于多种信号的hBCI,通过分析最新的hBCI系统的一般原理、刺激范式、实验结果、优点和应用,发现利用hBCI技术可以提高BCI的分类准确率,增加控制命令的数量,明显优于单一模态的BCI.     

非侵入式脑—机接口编解码技术研究进展

脑—机接口（brain-computer interface,BCI）系统通过采集、分析大脑信号,将其转换为输出指令,从而跨越外周神经系统,实现由大脑信号对外部设备的直接控制,进而用于替代、修复、增强、补充或改善中枢神经系统的正常输出。非侵入式脑—机接口由于具有安全性以及便携性等优点,得到了广泛关注和持续研究。研究人员对脑信号编码方法的不断探索扩展了BCI系统的应用场景和适用范围。同时,脑信号解码方法的不断研发极大地克服了脑电信号信噪比低的缺点,提高了系统性能,这都为构建高性能脑—机接口系统奠定了基础。本文综述了非侵入式脑—机接口编解码技术以及系统应用的最新研究进展,展望其未来发展前景,以期促进BCI系统的深入研究与广泛应用。     

脑机接口技术的研究现状及发展趋势

脑机接口（BCI）是在人脑和计算机或其他电子设备之间建立的一种直接的信息交流和控制通道,是一种不依赖于常规大脑信息输出通路的全新信息交流系统。BCI技术为目前服务机器人提供了一个可选择的人机交互方式。本文介绍BCI技术的组成及工作原理,论述近年来BCI的发展现状,指出目前BCI研究存在的问题及未来发展趋势。     

基于脑机接口的控制器

为实现大脑与设备的通讯,研究基于脑机接口的控制器．本文研究脑电信号（EEG）的特征提取,实验通过E．Prime心理学软件结合Neuroscan公司生产的64导脑电采集设备获取脑电原始信号,利用小波算法对原始脑电信号进行分析,提取感兴趣的频段小波系数作为特征;分析脑电信号的功率谱,基于Fisher准则设计分类器．本文在研究脑机接口（Brine．ComputerInterface,BCI）的基础上通过想象实现了对运动的控制．以轮椅为实际控制对象,仅仅通过两个电极采集脑电信号,设计制作了控制器,理论验证实验成功的通过想象控制轮椅的四个方向的运动．本文最后还探讨了脑机接口的应用前景．     

脑机接口系统中的交互技术研究

首先介绍了脑机接口(brain-computer interface,BCI)系统的概念和基本组成,交互技术在系统中的重要作用,以及目前国际上比较典型的交互技术;其次鉴于当前交互技术中存在的不足,分析了如何使人在脑机接口系统发挥更重要的作用,提出了一种新的脑机接口实验范式,该范式中随着被试操作技能的提高系统性能可以得到明显提升;之后建立了该实验范式的原型机系统——基于BCI的倒摆交互控制系统;最后对脑机交互技术的发展及脑机接口技术未来的应用做了展望。     

Modified CC-LR algorithm with three diverse feature sets for motor imagery tasks classification in EEG based brain–computer interface

Motor imagery (MI) tasks classification provides an important basis for designing brain–computer interface (BCI) systems. If the MI tasks are reliably distinguished through identifying typical patterns in electroencephalography (EEG) data, a motor disabled people could communicate with a device by composing sequences of these mental states. In our earlier study, we developed a cross-correlation based logistic regression (CC-LR) algorithm for the classification of MI tasks for BCI applications, but its performance was not satisfactory. This study develops a modified version of the CC-LR algorithm exploring a suitable feature set that can improve the performance. The modified CC-LR algorithm uses the C3 electrode channel (in the international 10–20 system) as a reference channel for the cross-correlation (CC) technique and applies three diverse feature sets separately, as the input to the logistic regression (LR) classifier. The present algorithm investigates which feature set is the best to characterize the distribution of MI tasks based EEG data. This study also provides an insight into how to select a reference channel for the CC technique with EEG signals considering the anatomical structure of the human brain. The proposed algorithm is compared with eight of the most recently reported well-known methods including the BCI III Winner algorithm. The findings of this study indicate that the modified CC-LR algorithm has potential to improve the identification performance of MI tasks in BCI systems. The results demonstrate that the proposed technique provides a classification improvement over the existing methods tested.     

基于改进原型网络的P300脑电信号检测

从脑电信号中检测P300电位是实现P300脑机接口的关键. 由于不同个体间的脑电信号存在较大差异, 现有的基于深度学习的P300检测方法均需要大量的脑电数据来训练模型. 对于小样本的患者数据, 至今仍没有令人满意的解决方案. 本文提出了一种改进的适用于小样本P300脑电信号检测的原型网络方法. 该模型通过卷积神经网络提...     

面向运动想象脑电图识别的镜卷积神经网络

目的 脑电图（electroencephalogram,EEG）是一种灵活、无创、非侵入式的大脑监测方法,广泛应用于运动想象脑机接口系统中,运动想象脑电图识别精度是决定系统性能的关键因素。然而由于脑电图采集时间长、个体差异大等原因,导致单个受试者可用于模型训练的样本数量少,严重影响了卷积神经网络在脑电图识别任务中的表现。为此,本文提出一种镜卷积神经网络（mirror convolutional neural network,MCNN）模型,使用集成学习与数据扩增方法提高运动想象脑电图识别精度。方法 在训练阶段,基于源脑电通过互换左右侧脑电通道构造镜像脑电,并与源脑电一起用于源卷积网络训练,有效扩增了训练样本;在预测阶段,复制已训练源卷积网络作为镜像卷积网络,将测试集中的源脑电输入源卷积网络,构造的镜像脑电输入镜像卷积网络,集成源卷积网络与镜像卷积网络输出的类别预测概率,形成最终类别预测。结果 为了验证模型的有效性和通用性,基于3种不同运动想象脑电图识别卷积网络模型分别构造镜卷积网络,并在第4届脑机接口大赛2a与2b数据集上进行实验验证。实验结果与原始模型相比,运动想象四分类和二分类准确率分别平均提高了4.83%和4.61%,显著提高了识别精度。结论 本文面向运动想象脑电图识别,提出了镜卷积神经网络模型,通过集成学习与数据扩增方法提高运动想象识别精度,有效改善了运动想象脑机接口性能。     

基于主动干电极传感器的无线可穿戴脑电采集系统

为了减少脑电信号(EEG)采集系统的复杂性、实验前长时间繁琐的准备过程,以及改善采集系统的抗干扰性、可穿戴性和舒适性,设计了一种带有8通道主动干电极传感器的无线可穿戴脑电采集系统,具有24位ADC,109 dB信噪比,±500 mV/10 Hz的交流输入范围.实验结果表明:该系统和商业系统记录的脑电图波形之间的相关系数为0.89,增加了可穿戴无线采集系统的可靠性,改善穿戴的舒适性.采用该系统可实现脑电的静态记录和基于稳态视觉诱发(SSVEP)的脑-机接口(BCI)应用.     

分层向量自回归的多通道脑电信号的特征提取研究

有效的特征提取方法能提高脑机接口（Brain-computer interface,BCI）系统对脑电（Electroencephalogram,EEG）信号的识别率.因脑电信号都是多通道的,本文将分层向量自回归（Hierarchical vector autoregression,HVAR）模型用于脑电信号的特征提取,并结合传统的线性支持向量机（Support vector machine,SVM）用于脑电信号识别.该模型不仅克服了自回归（Autoregression,AR）模型只能用来提取单通道特征的局限性,而且不再采用传统VAR（Vector autoregression）模型所有通道共用一个时滞的处理方法.创新之处在于在传统的VAR模型基础上添加正则化思想,有效地压缩参数空间,实现合理的分层结构.本文首次将HVAR模型用于由Keirn等采集并整理的脑电数据中.实验结果证明HVAR模型在阶数较小的情况下（2阶）与阶数较大（6阶）的AR模型效果相当,可见低阶的HVAR能很好地刻画脑电信号的时空关联关系,这说明HVAR可能是刻画EEG信号的一种新颖的方法,这对其他多通道时间序列分析都有借鉴意义.     

基于支持向量机的脑电信号中左右手判别

在脑-机接口的研究中分类识别技术占有重要地位。介绍了一种方法,用于对单次信号的分类。这种方法主要思想是将共空域子空间分解和支持向量机相结合,以便提取信号特征。该方法被用于“BCI Competition 2003”第IV数据包上,分类正确率达89%。     

脑—机接口研究中想象动作提取的新方法

想象动作提取是脑—机接口（BCI）技术的关键和难点之一．本文采用连续小波变换结合贝叶斯神经网络组成新的分类方法，利用想象动作思维引起的事件相关去同步（ERD）现象进行特征脑电信息检测与模式识别．研究表明，该方法较常用的线性分类器具有更高的识别准确率和较强的抗干扰能力及较快的识别速度，基本可以满足实时BCI系统模式识别的需求．     

基于双树复小波变换和GBDT的运动想象脑电识别

针对脑机接口研究中的脑电信号特征提取与分类问题,提出了一种基于双树复小波变换结合GBDT的想象左右手运动脑电识别的方法。该方法首先深入研究了双树复小波变换相比于小波包变换在脑电信号特征提取方面的优势并验证了ERD/ERS现象;实验数据采用了2003年国际脑机接口竞赛的标准数据集DataSetⅢ,然后,选取了4个典型的时间段进行实验对比,利用双树复小波变换分解与重构提取运动感知节律相关信号分量的能量均值作为特征进行GBDT分类。最后,实验取得了较好的分类准确度,验证了双树复小波变换结合GBDT的方法在脑电信号识别应用中的有效性。     

嵌入式脑机接口系统的软件设计与实现

脑机接口的出现使得人与外设之间新型交互方式的实现成为可能,为了加强其实验平台的便携性和灵活性,文中着重探讨了基于先进精简指令微处理器(Advanced RISC Machines)的嵌入式脑机接口(brain-computer interface)系统的数据采集、数据传输、数据处理以及应用控制等方面的设计;采用基于TCP/IP协议的方法实现脑电采集和主模块之间的通信;并利用高性能处理器和多线程技术构建了具有实时数据处理能力、可衔接不同脑电实验应用程序的实验平台.