基于熟悉人脸范式的P300脑机接口字符输入系统的设计与实现

脑机接口系统是一种使大脑能够不依赖于外周神经和肌肉通道,与外部环境进行交互的系统。基于P300的脑机接口字符输入系统是脑机接口技术的一种典型应用。对基于传统范式的P300脑机接口系统进行改进,设计并实现了基于熟悉人脸范式的P300脑机接口字符输入系统。实验建立了基于熟悉人脸的P300脑机接口系统的信号采集与处理模型,对采集到的数据进行预处理、特征提取,并使用集成支持向量机算法对脑电信号进行分类。结果表明,除P300电位外,熟悉人脸范式诱发出了Vpp和N170电位。与以往传统范式80.6%的字符输入正确率相比,基于熟悉人脸范式的字符输入正确率达到93.5%,具有良好的发展前景。     

脑电信号采集系统的设计

分析了脑电信号作为生物电信号的特征,并根据这些独有的特征提出了对采集脑电信号的系统的性能要求,从而规划出整体的设计框图.系统具有高输入阻抗、高共模抑制比的等特点,并且具有良好的实时性和通用性.其中,信号采集部分是将电极记录的脑电信号进行三级的放大和滤波,最终将此信号传送至模数转换模块.     

左右手运动想象脑电模式识别研究

如何提高左右手运动想象脑电信号的分类率是脑机接口研究领域的一个热点话题。基于美国EGI64导脑电采集系统得到3名健康被试的脑电数据,首先,采用独立成分分析（Independent Component Analysis,ICA）对采集的数据进行去噪处理;然后,利用离散小波变换方法对分解C3/C4处的EEG平均功率信号,选用尺度6上逼近系数A6的重构信号作为脑电特征信号;最后,用Fisher线性判别分析法（Fisher Linear Discriminant Analysis,FLDA）、支持向量机方法 （Support Vector Machines,SVM）和极限学习机分类方法 （Extreme Learning Machine,ELM）分别对特征信号进行分类。分类结果表明：极限学习机分类方法得出的平均分类率要高于Fisher方法与SVM方法的平均分类率,可以达到92%,而且运行速度也高于另两种分类算法。     

基于EMD和SVM的抑郁症静息态脑电信号分类研究

以静息态脑电信号为基础,通过固有模态分解(empirical mode decomposition, EMD)算法对脑电信号进行信号去噪和特征值提取,通过支持向量机(support vector machine, SVM)算法对抑郁症患者和正常对照组人群的脑电特征值进行分类分析。 通过系统化的数据采集试验,采集了20位抑郁症患者和25位健康对照组的静息态脑电信号;对静息态脑电信号进行信号的去噪和特征提取;采用SVM算法对抑郁症患者和正常人对照组脑电特征值进行二值分类,分类正确率达到93.3%。 相较于传统的小波变换提取的特征值,分类准确率有明显的提高。     

基于卷积神经网络的多类运动想象脑电信号识别

针对传统多类运动想象（MI）脑电信号的识别方法须进行繁琐的预处理以及特征提取问题,提出基于深度学习的MI信号自动分类方法.在样本表示方面,提出将多通道脑电（EEG）信号转化为一维序列信号处理,在增加样本数量的同时又能够忽略与通道位置相关的空间信息的影响;根据输入信号的特点,采用多层一维卷积神经网络学习不同运动想象状态时脑电信号中的时频信息,自动完成特征提取和分类工作. 将所提出的方法在公共数据集上与多种方法进行比较,并完成对实际采集数据集的分类. 利用所提方法在不需要先验知识的条件下,对脑电信号进行端到端的学习. 结果表明该方法可以获得更高的多分类准确率以及降低个体差异对分类的影响. 所提出的方法有利于促进基于MI 的脑机接口系统的开发.     

基于CAN总线的铁路道口控制系统

针对现有铁路道口信号控制系统“定点报警”方式对快速列车和慢速列车的速度不能识别,造成道口关闭时机不合理、影响道口通过效率等问题,提出了一种基于CAN总线技术的单线铁路区段道口控制系统解决方案：使用“定时报警”方式,并模块化设计单线铁路区段道口信号控制系统.道口信号控制系统在列车接近道口传感器时,采集列车的速度并适时启动报警.实验表明,该系统能实现设计要求,提高道口通过效率.     

大鼠嗅觉区脑电信号检测与处理技术研究

设计一种大鼠嗅觉诱发电位的脑电信号（Electroencephalogram,EEG）采集和处理系统,系统可以对受到嗅觉刺激时的大鼠诱发脑电信号进行处理和分析.系统的检测电极置于大鼠大脑的嗅前核区和海马区,信号采集预处理电路包括前级信号放大器、高通滤波器、低通滤波器、可变增益信号放大器、50Hz陷波器等.系统控制模块采用MSP430低功耗芯片,采用nRF24L01无线通信模块将采集到的信号传给上位机,然后上位机程序对大鼠的嗅觉诱发信号进行处理、分析、显示.实验表明,系统能够较好的获取大鼠嗅觉诱发脑电信号.数据处理结果显示,有刺激时的脑电信号和无刺激时的脑电信号相比,信号幅值增大、复杂度降低.所以此系统可用于对爆炸物的探测.     

基于GSM／GPRS无线报警系统的设计

为了对偷盗、抢劫、火灾、有害气体泄露等事故进行有效监测和报警,提出了一种基于GSM／GPRS无线报警系统,它包括各种无线报警传感器、控制处理模块和GSM／GPRS模块等。将有关硬件焊接在线路板上,软件编程后烧写在单片机中,并将SIM卡插入SIM卡座中。上电,各传感器分别采集信号后,有声光报警,设定手机上可接收短信,电脑屏幕上有警情显示,表明达到了设计要求。     

基于MCU与虚拟仪器的脑电信号采集系统

针对人体表皮脑电信号特点提出了基于MCU与虚拟仪器的脑电信号采集系统。采用生物电信号前置放大电路、滤波电路、50Hz工频陷波电路、电平抬升电路有效滤除信号噪声并放大脑电信号,同时采用MSP430MCU高速采样技术和串口通信技术并结合LabVIEW开发上位机软件低成本地完成对脑电信号的数字化采集和实时波形显示。系统仿真和实验表明,系统能够有效地实时采集人体生物电信号,为脑机接口研究提供支持。     

酒精脑电信号降维去噪方法的研究

脑电信号数据维度高,且极易受到噪声干扰。除环境噪声干扰外,自身伪迹干扰对脑电的影响更严重,因此,对采集到的原始数据进行去噪处理是有必要的。常见的脑电去噪方法 (如FastICA、奇异性检测、差分谱法等)并不适用于采样点数有限的酒精脑电去噪,经过实验,去噪后的酒精脑电信号特征损失严重。针对酒精脑电数据特点在传统脑电信号预处理方法的基础上,提出了一种基于主成分分析算法(Principal components analysis,PCA)和奇异值迭代分解法(Singular Value Decomposition,SVD)相结合的方法对酒精脑电信号进行去噪。通过PCA算法成功将64维脑电信号降至15维,减少了脑电信号处理的计算量,对提取的主成分进行4次奇异值迭代分解,达到了对脑电信号去噪的同时保留了更多信号特征的目的。     

基于卡尔曼滤波的ECoG信号去噪方法研究

脑电信号反映了生物体的大脑活动,在采集和处理过程中极易受到各种噪声的干扰,如眨眼、快速眼动、心电、肌电等,这些噪声给脑电信号的分析处理带来了很大的困难。本文提出了卡尔曼滤波模型和模型参数估计的方法,将其应用于脑电ECoG信号去噪预处理。实验所用的数据是公开的脑机接口竞赛实验数据（BCI Competition Ⅲ dataset Ⅰ）,分类正确率为92%。实验结果表明通过本方法去噪预处理后,分类正确率比竞赛第一名高,并且优于小波去噪与谱减法等预处理方法。     

温度实时测控系统的开发

介绍了温度测控系统的设计与开发。该系统通过通用微机对温度进行信号采集、锁存、转换，并对其进行实时的监控与显示，系统同时具有自动启动调节功能。硬件包括信号采集电路、A／D转换电路、信号放大电路、显示与报警电路、自动调节电路、D／A转换电路、微机总线接口电路、读写控制及译码电路；软件以DOS为操作系统平台，采用汇编语言进行开发，完成了计算机对A／D、D／A转换，LED显示和报警以及各个锁存器、驱动器的控制。该系统不但造价低廉、方便易用，且具有很好的扩充性及广泛的实用性。     

融合语音信号和脑电信号的多模态情感识别

为构造有效的情感识别系统,通过声音刺激分别诱发出高兴、悲伤、生气以及中性4种情感,并采集相应的语音信号和脑电信号。首先,利用相空间重构技术提取脑电信号和语音信号的非线性几何特征和非线性属性特征,并结合两者的基本特征分别实现情感识别;然后,通过构建基于限制玻尔兹曼机的特征融合算法,从特征层融合的角度实现多模态情感识别;最后,利用二次决策算法从决策融合的角度构建多模态情感识别系统。实验结果显示,从特征融合的角度构建的多模态情感识别系统相比语音信号和脑电信号情感整体识别率,分别提高1.08%和2.75%;从决策融合的角度构建的多模态情感识别系统相比语音信号和脑电信号情感整体识别率,分别提高6.52%和8.19%;决策融合相比特征融合构建的多模态情感识别系统整体识别效果更优。因此,融合语音信号和脑电信号等不同来源的情感数据可以构造出更有效的情感识别系统。     

基于脑功能网络连接的隐藏信息检测研究

大脑在视觉或听觉刺激作用下对是否隐藏的信息有不同的认知反应,而大脑的这种反应涉及到不同脑区的协同和信息流动。该文基于传统视觉刺激隐藏信息测试方法,设计了视听同步刺激的对比试验;并针对当前测试方法主要集中于脑中央区电极点的这一缺点,通过记录全脑区导联的信号来分析不同脑区神经活动的变化。首先用视觉刺激和视听同步刺激相关脑电位构建了脑功能网络,并计算脑网络聚集系数和特征路径长度作为基本特征量,同时构建了一种量子门节点神经网络分类器,将其应用于脑电特征的分类。实验结果表明,结合脑网络特征和量子神经网络分类器的方法,能够较为准确地识别隐藏信息,同时视听同步刺激效果好于视觉刺激。     

脑电相位同步性分析方法研究

脑电同步被认为是脑功能区域整合的表现.基于脑电同步产生的生理机制,从信号分析方法着手,研究了如何把希尔伯特变换应用到脑电同步性研究领域,并就此研究提出一种改进的小波分析方法.对真实脑电数据处理的结果证明了该方法在脑电同步分析中的有效性,并比较了2种方法的特点.从结果可以看出,希尔伯特相位同步分析方法更能反映数据的真实性,更符合生物信号的特性.     

基于LabWindows/CVI信号时域处理系统的设计

基于LabWindows/CVI软件开发平台,设计了信号时域处理分析系统,从而实现了对所采集的原始信号波形在时域中的信号叠加、信号的积分微分、相关分析以及卷积处理,通过与成熟软件Matlab对比,此设计正确可行、系统运行稳定可靠.     

超限报警报表输出设计方案探讨

本文针对数据采集系统中超限报警报表设计问题进行了探讨，其中着重讨论了多路快速信号数据采集系统的超限报警报表设计问题，并提出了几种具体的设计方案。而后通过实例阐述了一个多路快速信号数据采集系统超限报警报表的硬件和软件设计过程。     

基于改进CSSD的脑电信号特征提取方法

针对脑-机接口系统在训练样本较少的情况下,存在脑电(EEG)信号特征值稳定性低、特征向量区分度差等不足,提出一种脑电特征提取方法,即正则化共空域子空间分解法(R-CSSD).该方法在传统共空域子空间分解(CSSD)算法的基础上引入正则化思想,通过正则化参数将目标实验者的训练数据与其他实验者(称为辅助实验者)的同类型训练数据进行有效结合,以构造正则化空间滤波器,完成对目标实验者运动想象EEG信号的特征提取,并进一步选用K近邻(KNN)算法实现脑电数据的分类.实验结果表明:在小训练样本情况下,R-CSSD方法有效提高了脑电信号特征值的稳定性,在提高分类正确率、降低时间消耗方面具有良好的性能.     

基于局域均值分解与典型相关分析的眼电伪迹去除方法

为消除眼电伪迹( ocular artifact, OA)对脑电信号( electroencephalography, EEG)造成的严重影响,提出一种基于局域均值分解法( local mean decomposition, LMD)与典型相关分析( canonical correlation analysis, CCA)的眼电伪迹自动去除方法,记为LMDC法。首先,利用LMD将每导脑电采集信号自适应地分解为一系列具有物理意义的乘积函数( production function, PF)分量,通过CCA去除PF分量之间的相关性,获得相应的典型变量;其次,计算每导脑电信号与多导眼电信号间的相关系数矩阵,实现眼迹成分的自动识别,将典型相关变量中对应眼迹成分的部分随机变量置零,其余随机变量不变,得到新的典型相关变量;最后,基于CCA逆变换将新的典型相关变量投影返回得到眼迹去除后的PF分量,并进一步重构出眼迹去除后的脑电信号。基于BCI竞赛数据库进行实验研究,结果表明：LMDC法相对其他常用方法获得了较好的眼迹去除效果,并对多位实验者和多种眼迹表现出较强的自适应性。     

便携式脑电信号实时采集系统

针对目前国内的脑电相关设备多是引进国外技术,且价格昂贵、体积庞大、实时性差、容易失真等问题,设计了基于DSP的便携式脑电信号采集系统.该系统采用无创双极导联方式将微幅级的脑电信号感应至预处理电路,经多级放大和滤波后由ADS8320将模拟信号数字化,再由DSP(TMS320VC5509)进行数字滤波,利用最小均方算法和独立成分分析分别滤除工频干扰和生理伪迹.实验结果表明:本系统能够满足设计要求,可以实时采集微弱的脑电波,并将滤波后的结果显示并保存.该采集系统使用方便,易于携带,有利于脑电诊疗设备的社区化和家庭化普及,不仅满足对采集到的脑电信号的质量要求,而且符合经济要求.