基于诱发脑电的人机交互系统的设计与实现

提出一种基于稳态视觉诱发脑电（SSVEP）的人机交互控制系统的设计方法。该系统采用闪烁刺激使操作者产生SSVEP信号,通过采集电路将信号送入PC中,由软件对其进一步处理和分析,提取出刺激器的闪烁频率,进而转换成相应的控制命令控制机械手臂操作。由于采用软硬件相结合的刺激源、信号逐级放大的电露设计、程序在线检测算法等,系统具有很好的人机交互的实时性和稳定性。检测算法对SSVEP的识别准确率达到90％以上。     

基于 STM32 的脑电信号采集系统设计

脑电信号包含大量的脑功能状态信息,已被广泛应用于脑神经疾病诊断、脑机接口、睡眠分期、麻醉深度监测等领域。脑电信号是幅度为微伏级的生物电信号,频率不超过 150 Hz,极易受到眼电、心电等信号干扰,因此,有效提取脑电信号是分析脑电信号的前提。文章设计了基于 STM32 的脑电信号采集系统,实现脑电信号的有效采集。通过贴在前额的三导联生物电极,将脑电信号感应至预处理电路,在前端模拟电路中对信号进行多级放大,并设计了无源滤波网络及多个有源滤波器对信号进行滤波和调理,同时加入电平抬升电路、电极连接状态检测电路。利用 12 位模数转换器将脑电信号转换为数字信号,并通过蓝牙模块传至上位机,实现脑电信号的有效提取与传输,为下一步处理分析提供基础。通过对比采集到的脑电信号和国外同类产品的输出,验证了该脑电采集系统的有效性。     

脑电信号在线采集系统设计与实现

为了实现对脑电信号的实时采集,设计了一种基于ADS1299的无线脑电信号采集系统。该系统由硬件和软件两部分构成,硬件部分由以ADS1299为核心构成的信号采集模块、ATmega328主控制模块、RFD22301数据传输模块组成;软件部分则使用Java编写上位机检序,能够实时显示与处理脑电信号。高共模抑制比和高信噪比的前置放大器设计是信号采集模块设计的关键。同时,对经典的双T陷波电路进行改进,使得Q因子可调。通过一系列的采集和处理,最终实现脑电信号在上位机上的实时显示。     

基于稳态视觉诱发电位的脑机接口系统的设计与研究

目的设计与研究将稳态视觉诱发电位作为输入信号的脑机接口系统.系统以显示器图形闪烁模块作为稳态视觉诱发电位的刺激源,经过滤波、放大等信号预处理后,对采集到的脑电信号中的稳态视觉诱发电位成分采用一种基于滑动窗的迭代式逐点频谱监测方法进行诱发电位的特征提取和识别,并将其转换为相应的控制命令以实现对伺服机械手臂6种运动方向的实...     

基于脑肌电信号的机械臂控制方法与实现

针对脑-机接口目前存在的输入信息源单一、特征识别准确率低、输出控制指令少的问题,本文提出一种基于脑肌电信号的机械臂控制系统。首先对单侧手臂肌电信号和左右手运动想象脑电信号进行同步采集,然后分别进行特征提取和分类识别;并最终将分类模型应用于机械臂的多指令实时控制中。实验结果表明：20名被试者均实现了机械臂的多指令实时控制,且各动作识别准确率平均达到了95%以上。该系统模型丰富了混合脑-机接口的多样性,为脑-机接口在机械臂的控制应用提供了理论依据和实践基础。     

基于LABVIEW的脑电信号虚拟采集系统设计

在神经科学研究领域,对大脑的观察主要来源于对脑电信号的收集与分析;当前对脑电信号收集的方法是通过专业脑电设备将信号收集保存,再由专业软件处理;由于这类仪器非常昂贵,系统体积也比较大,软件更新快,现在只能用在科学研究上,根本无法用于有规模的实验教学,更不可能一人一机;为此,提出了一种基于LABVIEW的脑电信号虚拟采集系统设计方法,使脑电收集与分析可以广泛地应用于教学;该方法首先对脑电信号虚拟采集系统的硬件进行构造,然后以硬件构造为依据,利用AR模型功率谱估计对脑电信号进行特征提取,在特征提取过程中,对模型类型与模型系数算法以及模型最佳阶数进行分析,最后通过将二阶低通滤波器与二阶高通滤波器进行串联,形成4阶Bessel带通滤波器,实现脑电信号的滤波,并以脑电信号传输电路的设计完成脑电信号虚拟采集系统的设计;实验结果证明,所提方法可以快速地对脑电信号虚拟采集系统进行设计,并为该领域的研究发展提供支撑。     

脑控智能轮椅控制系统

为身体高度瘫痪的残疾人士能够自由移动,提出了一种基于脑机接口实验平台BCI2000的自发想象控制轮椅的新方法。该控制系统主要由Emotiv脑电采集装置、一台笔记本电脑、一个单片机控制器组成,对采集的信号进行时频特征分析,并利用改进的感知器算法对信号进行分类。利用提示被试者想象左右手运动的脑电信号特征,实现对轮椅的左转和右转的控制,对今后进一步研究轮椅的精确控制系统具有重要的指导意义。     

轮椅脑控算法研究与实验验证

文章介绍了一种基于BCI实现轮椅运动控制的新型控制方法,研究了一种便携化的脑机接口范式,搭建了适用于普通轮椅的便携化脑机轮椅控制系统;系统根据脑电信号的自身特点,选用Emotiv公司的EPOC无线便携式脑电仪采集脑电电波信号,由单片机控制,实现脑电电波数据的处理,由集成两个无刷电机的制动器执行命令,选用ZD6716V3作为无刷电机的控制器,且每个电机中,都有一个霍尔传感器,提供来自电机的速度反馈信号,以精确获取每个电机的速度参数,并将电机集成在轮椅后轮上,实现轮椅速度和方向的控制;此外,进行了基于脑电识别率的控制方式实验、基于小车的脑控实验以及基于轮椅的脑控实验;实验结果表明脑电信号的准确率可以达到83%,满足实际使用需求。     

基于Android的脑电信号无线采集与分析系统设计

提出一种基于Android平台的脑电无线采集与警觉度监测终端的设计。采用Wi-Fi作为无线通信方案,以Android手机作为上位机,在手机上设计应用程序,通过手机应用程序可以方便地实现对采集设备的参数设置、无线连接、数据接收、波形显示、数据分析和文件存储。Android手机端通过Wi-Fi与下位机建立通信,实时接收Wi-Fi模块发送的脑电数据,绘成脑电图,并能通过手机端向下位机发送控制命令,再将基于极限学习机的脑电信号分类算法通过Java编码移植到手机内部,分析脑电信号所携带的警觉度信息。立足便携式脑电信号无线采集系统,在系统中加入基于Android系统的传输控制方法,并植入训练速度快、分类效果好的算法程序,为便携式脑电信号采集提供了一个新方案。     

基于深度信念网络的脑电信号疲劳检测系统

传统的疲劳驾驶检测系统,一般采用对面部特征进行识别与信息提取的方式,易受到外界因素干扰,检测效率较低。针对这一问题,提出基于深度信念网络（DBM）的脑电信号(EEG)疲劳检测系统。结合深度信念网络工作原理和系统整体框架,设计系统硬件结构和软件功能。采用SAA7115型号信号解码器对数字化信号进行分离,通过采集模块电路图,将解码器连接到低噪声Video接口处,保证分离后的脑电信号为合成信号;通过TMS320DM642的DSP数字信号处理器对端口1信号进行合成、对端口2信号进行复合信号编码,保证信号采集不受外界因素干扰;将受限玻尔兹曼机在硬件采集模块中提取的信号进行疲劳程度检测,根据脑电信号变化强度,区分疲劳和未疲劳状态下脑电信号特征,完成系统设计。实验结果表明,所设计系统具有较高检测效率,可为疲劳驾驶人员生命安全提供保障。     

能量熵与峰值窗口结合去除眼电伪迹研究

为改进传统独立分量分析自动去除眼电伪迹算法中存在识别眼电分量速度慢、需采集同步参考眼电信号、丢失脑电信号问题,提出一种不需要参考眼电信号的眼电伪迹自动识别去除方法。利用FastICA分解出独立分量,计算各独立分量频谱能量熵,以频谱能量熵值作为判据识别出眼电分量;然后使用峰值窗口分离出眼电分量中存在的脑电信号,与其他独立分量进行拼接;利用FastICA逆变换重构出去眼电伪迹的脑电信号。实验结果表明：该方法能准确快速自动地去除眼电伪迹,并较好地保留其他的脑电信号成分;频谱能量熵识别眼电伪迹平均用时为0.01?s,准确率为98％,适用于实时EOG去除。     

基于CuBICA算法的EEG伪迹去除方法

在高阶累积量和独立分量分析的基础上,提出一种基于CuBICA算法的脑电信号伪迹去除方法。针对脑电信号中常含有的眼电、心电等伪迹问题,利用小波包方法对原始脑电信号去噪,并进行中心化和白化处理,运用CuBICA算法对消噪后的脑电信号进行盲源分 离。分析分离后各信号间相关性,结果表明,CuBICA算法能成功分离脑电、眼电与心电信号,有效去除纯脑电信号中的各种伪迹。     

RSVP与SSVEP混合脑电信号刺激与多类事件检测

提出一种新的基于快速序列视觉呈现（Rapid Serial Visual Presentation,RSVP）与稳态视觉诱发电位（Steady-State Visually Evoked Potential,SSVEP）组合范式的脑电信号（Electroencephalogram,EEG）刺激与多类事件检测方法。对诱发的原始脑电信号通过电位重参考、基线去除、空间滤波等预处理操作去除数据的伪迹和噪声,通过自举聚合决策树（Bagging Tree,BT）和支持向量机（Supported Vector Machine,SVM）等机器学习算法,对14名受试者双重刺激诱发的脑电信号进行目标与频率相结合的多类事件检测,通过实验验证了该组合范式诱发的脑电信号具有良好的多类可分性,为开发基于RSVP和SSVEP两种范式的混合型脑-机接口应用提供了一种新的有效途径。同时,实验结果还表明,基于机器学习的BT和SVM模型对RSVP和SSVEP组合范式诱发的EEG信号进行多类识别的性能明显优于传统的典型关联分析（Canonical Correlation Analysis,CCA）算法的性能。     

抑郁症患者脑电导联选择算法及分类研究

基于EGI公司64导脑电采集系统,采集了16位青少年抑郁症患者和16位正常人静息态下闭眼4分钟的脑电数据。运用频谱不对称分析法（Spectral Asymmetry Index,SASI）和去趋势波动分析（Detrended Fluctuation Analysis,DFA）算法提取脑电时域和频域特征。针对提取的特征的导联,一方面,选择最佳电极Pz作为分类的导联,另一方面,通过遗传算法对所有导联进行筛选,将筛选后的导联特征用于分类。使用支持向量机（Support Vector Machine,SVM）在单导联和多导联的情况下,对抑郁症患者和正常人进行分类,结果发现,单导联下,使用SVM分类器对抑郁组和对照组的SASI和DFA结果进行分类,分类精度分别为45.5%和51.5%,使用遗传算法的分类精度分别为78.1%和90.6%,SASI算法的计算实时性优于DFA算法,DFA算法的准确性优于SASI算法。该研究为抑郁症的计算机辅助诊断提供了理论依据。     

脑电信号中眼电伪迹的自动去除算法

为实现眼电伪迹的自动去除,提高算法的有效性和稳健性,提出一种眼电伪迹自动去除算法。采用样本熵和一种通用的伪迹判决方法对眼电伪迹进行自动识别,通过脑电信号的重构实现眼电伪迹的去除。实验结果表明,对于不同长度的真实脑电信号,该算法均能准确地去除眼电伪迹,较好地保留其他的脑电信号成分,且可以完全自动地去除眼电伪迹,适用于实时场合。     

舒尔特方格与LSTM的注意力分级建模

在基于脑电信号的注意力分级研究中,存在两个亟待解决的技术难点。第一不同注意类型的脑电数据采集及标注困难;第二脑电特征提取算法忽视原始脑电信号时序特征。针对以上问题,设计了基于视觉搜索和反应时技术的舒尔特方格范式,实现对不同注意类型脑电数据的采集以及自动标注;设计长短期记忆深度学习网络（LSTM）实现对注意力分级,保存原始脑电信号的时序特征。实验结果表明,注意力分级模型可以很好区分高中低三种注意力水平;对比现有的五种基于EEG信号的注意力分级算法,小波变换（DWT）、近似熵、共空间模式（CSP）、基于相干系数的脑网络和卷积神经网络（CNN）,在相同的EEG数据集上,该注意力分级模型识别准确率最高,高出DWT算法21.49个百分点;高出近似熵算法25.82个百分点;高出CSP算法20.53个百分点;高出基于相干系数的脑网络算法13.32个百分点;高出CNN9.05个百分点。     

基于FPGA的电流采集系统设计

在大气垂直探测仪干涉调制系统中,为满足摆动扫描电机驱动反射镜扫描时的稳定性要求,提出一种应用于空间遥感仪器的电流采集系统设计。在现场可编程门阵列控制下,使外围电路协同工作,实现对电机电流输出信号进行连续采样、存储及传输。实验结果表明,通过该系统采集获取的电流波形与理论分析相一致,并且具有较高的稳定性。     

基于迁移学习的癫痫EEG信号自适应识别

脑电图（electroencephalogram,EEG）信号智能识别是癫痫病检测的重要手段。传统的智能识别方法在进行检测时,都假定智能模型训练采用的训练样本集和测试样本集满足同一分布特征,但在实际应用时,此假设条件过于苛刻,当训练和测试数据对应的场景有一定漂移时传统方法不再适用。针对上述情况,将近年来广受关注的对分布差异性场景具备较好性能的迁移学习方法引入到脑电图识别中,使得最终所得的模型对训练和测试数据的分布要求较之传统方法得到进一步放松,扩大了算法的适应场景,实现了在数据漂移场景下对癫痫EEG信号的自适应识别。实验表明,基于迁移学习的方法比传统方法具有更好的适应性。     

面向脑电情感识别的改进多分类RVM模型研究

从相关向量机（RVM）和支持向量机（SVM）的相似性以及RVM的稀疏特性出发，将RVM应用于脑电信号（EEG）的情感识别中。针对一对一（OAO）和一对多（OAA）两种多分类方法各自的特点和不足，提出了一种全新的两层多分类模型（OAA-OAO），改进现有OAO算法中无效投票影响最终决策的现象。设计情感EEG信号识别对比实验，验证基于RVM的改进多分类算法在脑电信号情感识别中的应用。对于实验室采集的情感脑电信号，提取其非线性特征（功率谱熵、样本熵和Hurst指数）并采用主成分分析法进行降维。将OAA-OAO-RVM算法分别和OAO-SVM、OAO-RVM两种识别网络进行对比，分析RVM的识别性能以及OAA-OAO多分类算法的分类性能。结果表明，采用降维后的最优特征集合作为识别网络的输入向量得到的识别性能更高，且RVM表现出的性能优于SVM。同时，改进后的OAA-OAO算法较传统OAO模型的平均识别率提高了7.89%，证明OAA-OAO算法可有效去除一部分无效投票从而使分类精度得到显著提高，验证了此模型是一种有效的多分类模型。