基于运动想象脑机接口的AuFBCSP方法

针对基于运动想象的脑机接口问题,提出了一种新的特征提取方法,即加强的滤波带宽共同空间模式方法。与传统的滤波带宽共同空间模式方法相比,文中提出的方法充分考虑了被试在进行运动想象时发生事件相关去同步时段的特异性,从而得到更多的特征,并利用这些特征分类,取得更高的准确率和kappa值。在特征的选择上,利用BCI的竞赛数据,将基于互信息的方法和基于准确率的方法进行对比,发现基于准确率的特征选择方法优于基于互信息的特征选择方法。     

脑机接口中基于MRP的半监督判决空间模式法

在脑-机接口研究中,如果训练样本少,判决空间模式法不能很好地提取运动相关电位特征。为此,文中在半监督框架下,采用自训练方法,引入分类置信度高的无标记样本,迭代学习MRP的空间判决模式。实验结果验证了所提算法的有效性。     

脑-机接口技术发展

脑-机接口是将人的想法和意图转换为外部设备控制信号的新型通讯系统.文中介绍了BCI系统的组成和工作原理,脑-机接口技术的发展、研究状况及其关键技术,并对其未来发展面对的挑战进行了探讨.     

基于运动想象的异步在线脑-机接口系统

目前,运动想象脑-机接口( motor imagery brain computer interface,MIBCI) 的离线分析和研究相对比较成熟,但是异步在线MIBCI始终具有挑战性。针对在线BCI系统的识别率和控制方式,提出了利用共空间模式(common spatial pattern,CSP)算法对运动想象(motor imagery,MI)进行特征提取并结合alpha波进行异步控制。构建了一种简单实用的自主控制小球运动MIBCI实验系统。有四名受试者参加了在线实验,其中有两名受试者在线运动想象识别正确率最高能达到100%。实验结果验证了本文所建系统的可行性和实用性。      

基于脑机接口的智能家居系统设计方案

本文给出了一种基于脑机接口技术的智能家居系统设计方案,对系统设计中涉及的脑电信号选择、脑电信号采集、信号预处理、特征提取、特征分类、设备控制等方面进行研究,给出系统的设计方案,具有重要的意义。     

机-脑接口研究

机-脑接口的一个具体应用是对睡眠的监测和控制。研究发展一种无干扰、不唤醒监测和控制“醒-睡过渡过程”中那些妨碍入睡思维活动的方法。基于Vxworks实时操作系统和ARM微处理器的“微型手腕式嵌入式计算机”。可产生刺激信号,控制、测量、记录、处理使用者的应答信息,分析脑的状态。由于它的微小结构（舍传感器）及其与环境的独立性,保证了使用者无干扰。利用“非限定微行为反应技术”,保证了使用者无唤醒。该方法可将入睡潜伏期测量的精度从十几分钟提高到6S左右,并在小样本实验中有效控制了“醒一睡过渡过程”中那些妨碍入睡的思维活动,显著缩短了入睡时间。为中断那些讨厌的干扰性思维和过多不能控制的焦虑提供了一种新途径。     

基于深度学习的运动想象脑机接口研究综述

近年来,随着脑机接口（Brain-Computer Interface,BCI）技术的进一步发展,对特征提取技术的鲁棒性的需求也持续增加。深度学习（Deep Learning,DL）作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力,在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征,因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络（Convolution Neural Network,CNN）、深度信念网络（Deep Belief Network,DBN）和递归神经网络（Recurrent Neural Network,RNN）是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型,还探讨了它们在BCI中集成其他方法的实际运用。     

基于头皮脑电的游戏型脑机接口应用研究综述

游戏型脑机接口(game-BCI)是指将脑机接口与游戏结合,通过对脑电信号的识别,使用户完成对游戏的直接控制,不仅为健康人提供了新型的游戏交互方式,也为残障人士提供了新的康复治疗途径。相比于其它侵入性BCI,基于头皮脑电的BCI有无创、时间分辨率高、成本低、便携性好等优势,具有更加广泛的应用前景。该文对基于头皮脑电的游戏型脑-机接口技术进行了总结,将其按控制信号类型分为主动式、反应式、被动式以及混合范式,介绍不同类型游戏BCI的控制策略和应用场景,并对比分析了游戏BCI中不同类型脑电信号常采用的分类算法,最后讨论了该领域目前存在的问题和未来的发展方向。     

基于脑电的快速序列视觉呈现脑-机接口系统研究进展综述

脑-机接口(BCI)系统建立大脑与外部设备之间的直接交流通路,结合快速序列视觉呈现(RSVP)范式能够实现利用人类视觉系统进行高流通量图像目标检索。近些年来,RSVP-BCI系统在范式编码、脑电(EEG)解码和系统应用方面的研究取得了长足的进步。对范式编码的研究揭示不同范式参数对系统性能的影响,促进提升系统性能;脑电解码的研究在提升算法分类性能的同时推动少训练、零训练样本、多模态等场景下的应用;对RSVP-BCI系统应用的研究实现推动系统走向实际应用并拓宽了应用领域。同时,系统仍面临着迈向实际时可应用领域范围窄、脑电跨域解码难题以及计算机视觉飞速进步带来的挑战。该文对RSVP-BCI近年来的相关研究进展进行了回顾与总结,并对未来的发展方向进行了展望。     

运动想象脑电信号的ERD/ERS分析基础

脑机接口能提供一种不依赖于外周神经和肌肉,实现大脑与外界进行信息交流的全新通路。运动想象脑电研究是脑机接口技术研究领域一个重要课题,本文对运动想象脑电信号分析基础做简要介绍。一、脑电分类及特点脑电是人脑神经细胞群的自发性节律电活动在大脑皮层或头皮的总体反应的体现。近年来,一系列先进的成像技术也能够非常直观地呈现人脑各区域状态的变化情况,但这些并不影响基于EEG的相关研究。相比于以上成像技术,EEG     

自适应脑机接口研究综述

脑机接口(BCI)不依赖于外周神经和肌肉,在大脑与外部设备之间建立起直接交流的通路。近年来,该技术在识别准确率和系统交互速率方面已取得巨大突破。然而,脑电(EEG)信号非平稳特性较强且用户主观状态波动较大,传统脑机接口技术对大脑活动的动态变化欠缺适应性,影响了脑机接口系统的控制稳定性,也限制了其智能化发展和应用。自适应脑机接口可根据大脑当前状态动态调整诱发范式和实时更新识别模型,从而增强脑控系统对非平稳大脑活动的适应性,提高其控制精度和鲁棒性,实现更加实用化的脑控系统,对推动脑机接口技术进一步发展极具意义。该文对自适应脑机接口的相关研究进行了回顾和总结,并对该技术未来发展的方向进行了展望。     

脑机接口中脑电图-近红外光谱联合分析进展研究

脑机接口(BCI)能将受试者意图相关的大脑活动转化为外部设备控制指令,在神经疾病治疗、运动康复等方面具有较高应用潜力。BCI的实现需从人脑获取有意义的信号,而脑电图(EEG)可以反映神经电活动,主要用于对反映实时性要求较高的BCI系统;近红外光谱(NIRS)主要反映血流动力学水平,一般用于神经生理状态等需要精确定位脑活跃区域的研究。EEG和NIRS因其非侵入、方便穿戴、成本较低等优点,成为BCI的重要信号获取方法。相比于单模态BCI系统,基于EEG-NIRS 联合分析的混合BCI系统由于具有更丰富的信号特征,在生理状态检测、运动想象等领域得到了越来越多的关注与研究。该文从EEG-NIRS联合分析在脑机接口中应用的研究现状出发,在数据和特征融合程度、层面上归纳最近的相关领域研究现状,并对EEG-NIRS信号处理手段的研究前景进行了展望。     

适合类脑脉冲神经网络的应用任务范式分析与展望

类脑脉冲神经网络(SNN)由于同时具有生物合理性和计算高效性等特点,因而在生物模拟计算和人工智能应用两个方向都受到了广泛关注。该文通过对SNN发展历史演进的分析,发现上述两个原本相对独立的研究方向正在朝向快速交叉融合的趋势发展。回顾历史,动态异步事件信息采集装置的成熟,如动态视觉相机(DVS)、动态音频传感(DAS)的成功应用,使得SNN可以有机会充分发挥其在脉冲时空编码、神经元异质性、功能环路特异性、多尺度可塑性等方面的优势,并在一些传统典型的应用任务中崭露头角,如动态视觉信号追踪、听觉信息处理、强化学习连续控制等。与这些物理世界的应用任务范式相比,生物大脑内部存在着一个特殊的生物脉冲世界,这个脉冲世界与外界物理世界互为映像且复杂度相似。展望未来,随着侵入式、高通量脑机接口设备的逐步成熟,脑内脉冲序列的在线识别和反向控制,将逐渐成为一个天然适合SNN最大化发挥其低能耗、鲁棒性、灵活性等优势的新型任务范式。类脑SNN从生物启发而来,并将最终应用到生物机制探索中去,相信这类正反馈式的科研方式将极大的加速后续相关的脑科学和类脑智能研究。     

增强现实场景下基于稳态视觉诱发电位的机械臂控制系统

目前脑控机械臂在医疗康复等多个领域展现出了宽广的应用前景,但也存在灵活性较差、使用者易疲劳等不足之处。针对上述不足,该文设计一套增强现实(AR)环境下基于稳态视觉诱发电位(SSVEP)的机械臂异步控制系统。利用滤波器组典型相关分析方法(FBCCA)实现对12个目标的识别;提出基于投票策略和差值预测的动态窗口,实现刺激时长的自适应调节;利用伪密钥实现机械臂异步控制,完成拼图任务。试验结果表明,动态窗口可以根据受试者状态自动调整刺激时长,离线平均准确度为(93.11±5.85)％,平均信息传输速率(ITR)为(59.69±8.11) bit·min^–1。在线单次命令平均选择时间为2.18 s,有效地减轻受试者的视觉疲劳。每位受试者均能迅速完成拼图任务,证明了该人机交互方法的可行性。     

运动意图的头皮脑电编解码及其脑-机接口研究进展

基于运动意图的脑-机接口(BCI)对人体运动功能增强、替代和康复具有重要研究意义与应用价值。其中,运动想象(MI)是最常用的表征运动意图的BCI范式。然而,传统MI-BCI通常仅实现不同肢体部位运动意图解码,且识别正确率较低,制约着精细运动控制与康复效果。针对上述问题,近年来研究者在单一肢体特定部位、运动学与动力学意图诱发头皮脑电编解码以及运动意图错误相关电位检测3个方面开展了一系列有意义的探索,并在高自由度的运动指令控制和面向卒中患者的临床康复应用方面取得了较大的研究成果。该文从运动意图的头皮脑电(EEG)编解码相关范式及其BCI应用两个方面综述了本领域研究进展,并探讨当前研究存在的问题和可能的解决方案,以期促进运动意图BCI技术的深入研究及开发应用。     

脑机接口技术中安全高效的属性基访问控制

随着脑机接口技术(Brain-Computer Interface, BCI)在新兴医疗健康监测领域的广泛应用,其受到的安全威胁越来越多,导致其隐私保护问题受到了关注。该文针对BCI应用中的隐私保护问题提出一种通信模型,并为其设计了一种基于密文策略的属性基(Ciphertext-Policy Attribute Based Encryption, CP-ABE)访问控制方案,利用代理重加密技术实现细粒度的属性撤销。经分析表明,方案有效地解决了BCI模型中敏感数据的隐私保护问题,并且在能量损耗及通信计算开销等性能评估中表现优异。     

基于相关性和稀疏表示的运动想象脑电通道选择方法

在基于运动想象(MI)的脑机接口(BCI)中,通常采用较多通道的脑电信号(EEG)来提高分类精度,但其中会有包含与MI任务无关或冗余信息的通道,从而影响BCI的性能提升。该文针对运动想象脑电分类中的通道选择问题,提出一种采用相关性和稀疏表示对通道进行选择的方法(CSR-CS)。首先计算训练样本每个通道的皮尔逊相关系数来选择显著通道,然后提取显著通道所在区域的滤波器组共空间模式特征拼接成字典,利用由字典所得到的非零稀疏系数的个数表征每个区域的分类能力,选出显著区域所包含的显著通道作为最优通道,最后采用共空间模式和支持向量机分别进行特征提取与分类。在对BCI第3次竞赛数据集IVa和BCI第4次竞赛数据集I两个二分类MI任务的分类实验中,平均分类精度达到了88.61%和83.9%,表明所提通道选择方法的有效性和鲁棒性。     

DVB条件接入系统中通用接口的功能实现

通用接口是DVB条件接入系统用于接收码流解扰的重要组成部分.首先介绍了DVB通用接口的工作原理,然后阐述了通用接口软件的设计方法,最终实现了通用接口功能.