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。     

采用小波熵和频带能量提取脑电信号特征

对于采用两种不同意识任务(想象左手运动和想象右手运动)的脑-机接口系统,采用脑电信号的小波熵和频带能量作为组合特征,采用Fisher线性判别分析进行分类,最后采用分类准确率和互信息作为评价标准,进行脑电信号的特征提取离线分析结果表明:该算法在分类准确率和互信息上都取得了良好的识别结果,为脑-机接口系统中意识任务的特征提取和分类提供了新方法。     

采用平滑伪Wigner-Ville分布的SSVEP脑机接口系统

提出基于多频率刺激源诱发SSVEP的脑机接口(BCI)系统.针对脑电信号的微弱性和非平稳性特点,在对其进行预处理和空间滤波的基础上,采用平滑伪Wigner-Ville分布的时频分析方法将时间窗口长度内的脑电信号转换为时间-频率分布的信号.分类汇总视觉刺激时间内的脑电频率,并提取脑电信号中的最大频率成分作为目标频率.实验结果表明:随着分析时间窗的增大,平滑伪Wigner-Ville时频分析方法具有一定的优势.当时间窗为4s时,其分类准确率达98.29%,信息传输率达28.01bits/min,超过经典的典型相关分析(CCA)和功率谱密度分析(PSDA)的结果.     

神经电流磁场的MRI实验研究

利用人类脑电alpha波在睁眼时被阻断的现象,设计了用磁共振检测脑电信号中最高能量段的alpha波的实验。结果表明,所得磁共振信号alpha频段在不同条件下有明显的改变,且主要在alpha活动明显的枕区有比较一致的变化,从而初步证明,在特定的条件下,应用磁共振检测神经电流活动信号是可能的。     

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.     

脑机融合控制中脑电伪迹处理方法

脑机融合控制的典型控制信号源是脑电,然而脑电信号具有低信噪比、低空间分辨率、极易受到伪迹的污染,这给该类控制系统中脑电信号的处理带来了巨大的挑战.针对脑电中存在的各种伪迹,分析总结了各种伪迹处理方法并比较它们的优缺点,最后针对脑机融合控制的实用化需求,指出该领域脑电伪迹处理方法未来的研究方向——在线实时、自适应/机器学习、免伪迹参考、少通道/单通道、优化融合多种有效方法综合去除EEG中的主要伪迹.     

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。     

立体深度运动感知的脑电信号研究

立体显示舒适度在很大程度上取决于立体深度运动变化。该文基于脑电EEG技术对两类深度运动的特征进行识别。首先通过主观实验确定脑电实验所用的两类视频素材,计算脑电信号在时域和时频域的点列r2值,并通过共同空间模式提取不同脑区和整个脑区的时频域差异最大的EEG信号的空域特征,采用支持向量机进行信号分类。仿真分析结果证明:刺激时大脑顶区脑电信号的α、β频带相对能量上升;对于两类深度运动,差异最显著的波段集中在顶区的α频带;Dorsal路径上具有相对较高的分类率。这表明,观看立体深度运动场景时,采用EEG去识别舒适度具有可行性。     

意念控制无人机的相关研究

意念控制无人机是基于脑-机接口(Brain-Computer Interface,BCI)系统来实现的。使用NeuroSky的脑波传感器ThinkGear AM(TGAM)模块提取脑电信号,对TGAM模块的配套开发包进行软件编译和开发,将提取到的脑电信号中的专注度和眨眼强度以数值的形式显示出来,并设置阈值定义不同的飞行模式,在PC端设计出一个意念控制显示平台,可以直接观察佩戴者的意念状态和无人机的飞行状态。另一方面,PC端由串口将处理后的脑电信号传输给信号发射器,信号发射器根据实时采集的脑电信号输出对应的指令,从而操控STC15系列四旋翼直升机的起飞、下降、飞行方向和前进速度。     

基于HOC-SVM的运动状态下脑电的特征提取与分类

研究人脑在不同运动状态下的脑电信息,不仅能够揭示出各种运动状态对于大脑活动的影响,也是工程技术人员设计脑-机接口与神经修复系统的关键技术之一。文章根据脑电信号的μ节律变化,首次将表征时间序列摆动特性的高阶过零分析(Higher Order Crossing,HOC)方法运用于运动状态下的脑电信号的特征提取并结合支持向量机(Support Vector Machine,SVM)对输入的高阶过零特征量进行了有效的分类。将该方法提取的特征量与基于统计学的特征量分别用SVM进行分类,结果表明本方的识别率明显高于基于统计学特征量的方法。说明基于HOC-SVM方法在脑电信号的特征提取与分类中有较强的可行性和实用性。     

基于似然同步方法的非线性脑电信号分析方法

头皮脑电信号具有非平稳特性,相干等传统分析方法并不能很好地检测这些脑电时间序列间的依赖关系。广义同步中的似然同步算法对非平稳信号处理具有较好的效果,该文将它应用到实际脑电信号分析中。基于单向耦合Henon映射系统和实际脑电数据的仿真结果均表明,基于广义同步的似然同步方法适用测量非平稳信号间关系。针对健康被试静息态下,从闭眼到睁眼的过程中脑电信号间同步性的变化进行了研究,发现从闭眼到睁眼过程中,大脑的alpha波在几乎所有电极间的同步强度都显著地减弱,大脑的活动受到一定的抑制。上述结果也表明该方法在脑电数据分析中具有重要的意义,为其他的脑电研究提供一定的参考方法。     

基于BCI的下肢辅助康复系统的研究

脑-机接口作为一种新颖的人机接口方式,为人脑和外界事物进行信息交流和控制提供了一种全新的通道。该文把脑一机接口技术成功的应用到医疗康复中,利用运动想象时大脑感觉运动区域产生的事件相关同步和事件相关去同步现象来分析左右手运动想象时的脑电信号特征,进而来判断想象者的运动意图,从而实现脑电信号对下肢辅助康复设备的控制,为中风患者做下肢的运动康复性训练。     

基于MYO的无线肌电控制鼠标

为了解决手部残疾人无法正常操作电脑鼠标这一实际困难,本文基于肌电信号采集模块MYO和STM32微控制器,设计了一款可穿戴的肌电控制鼠标。由置于上臂的MYO模块、陀螺仪、STM32模块、蓝牙组成。其中,MYO模块用来实时采集使用者的肌电信号,并进行信号模拟调制;STM32进行信号AD转换、特征分析,解析出手臂用力模式;陀螺仪发送手臂实时移动位置信息来控制光标移动;蓝牙模块实时发送手臂用力模式及光标移动信息给上位机,从而控制上位机光标的点击、拖动、移动动作。该鼠标具有功耗低、体积小、无线传输、信号精度高、控制灵敏度高、稳定可靠等优势,可以很好地解决手部残疾人操作和控制电脑鼠标问题。     

基于脑电信号特征的驾驶疲劳检测方法研究

目前,疲劳驾驶已成为一种严重的社会问题,然而对于疲劳驾驶的检测与预防仍缺乏有效的技术手段.采用疲劳驾驶模拟实验、结合对象辨别实验和对被试面部表情变化分析,探索了脑电信号特征与驾驶疲劳状态间的相关性.提取脑电信号的δ波、θ波、α波、β波四种脑电节律的能量值作为疲劳驾驶的特征值,采用δ波能量值与θ波能量值之和与β波能量值的比值作为疲劳指数.结果显示,疲劳指数与被试疲劳程度呈正相关,验证了利用脑电信号检测疲劳程度的合理性与客观性,为疲劳检测提供了新的思路.     

单片机实现遥控器键盘功能接口及应用

在介绍红外遥控器原理的前提下,深入研究了PS2键盘鼠标协议的工作原理和实现过程.重点给出了红外遥控键盘收发系统是如何实现的,包括红外遥控器与P87LPC764单片机的硬件接口电路和接口软件模块实现遥控键盘的编程方法,该设计适用于各种电子产品.     

脑机接口技术研究

脑机接口(Brain-Computer Interface,BCI)是在人脑和外界之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的一种通讯系统.该文概述了基于脑电信号(EEG)的BCI技术的基本原理、研究方法、类型、研究现状,并分析了目前存在的问题与应用前景.     

脑机接口中基于BISVM的EEG分类

针对脑电信号(EEG)分类问题,提出基于批处理增量式支持向量机(BISVM)的分类方法.将所有数据通过批处理进行分组,采用第1组数据在SVM中建立初始分类器模型,将剩余组内数据顺序作为新增样本,对满足卡罗需-库恩-塔克(KKT)条件的样本进行增量学习和减量去学习,不断判断KKT条件并更新参数,丢弃错误样本,对初始分类器模型进行更新.对2008年脑机接口竞赛数据及本实验室采集数据,用小波包分解(WPD)结合共空间模式(CSP)进行特征提取,SVM、ISVM及BISVM分类.结果表明,BISVM的平均分类准确率相对SVM及ISVM分别提高了3.3%及0.3%,BISVM平均训练时间相对ISVM从1.076 s减少到0.793 s.BISVM为改善计算机对大脑的适应性,实现快速实时在线的脑机接口系统奠定基础.     

一种携带式脑电与血氧同步采集系统设计

脑电与近红外光谱(EEG-NIRS)联合成像技术是一种无创多模态神经成像技术.两者在时间分辨率与空间分辨率上具有互补特性,可以提供更全面的脑功能活动信息.本文提出了一种携带式脑电与血氧同步采集系统,用于同步监测脑功能活动.在该系统中,采集前端包含接口统一的前置高灵敏度光电探头、双波长光电二极管及脑电主动电极,提高系统便携性与抑制运动干扰能力.采集主板包含嵌入式Wi-Fi模块、ADS1299模拟前端,在满足EEG微弱信号采集与NIRS信号高动态特性要求的同时,减小电路板尺寸.该系统采用频分复用技术,解决EEG与NIRS同步问题.为验证系统性能,分别与商用EEG仪器Brain Products和NIRS仪器ETG4000做了对比实验.实验结果表明,该系统可用于同步监测由大脑活动产生的脑电信号与大脑血红蛋白浓度变化.     

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.     

基于脑电信号的驾驶疲劳预报关键参数选取

为了实现驾驶疲劳的及时预报,利用脑电仪在模拟驾驶中采集驾驶员的脑电数据.采用功率谱估计计算不同频段波能量分布情况,确定采用delta和alpha波实现驾驶疲劳预报是可行的.为此,采用BP神经网络构建预报系统,分别对delta波、alpha波单独输入和两者同时输入时预报精度进行验证,结果表明,两者同时输入时预报效果最理想,为车载实时驾驶疲劳预警系统开发提供依据.