脑网络分析方法及其应用

网络结构作为一种常见的数据关系表示方法被大量运用在各类研究中。人的大脑也可通过定义节点和连接边的方式抽象成一个复杂的网络结构。这个网络通常被简称为脑网络,其结构与人类的认知功能和脑疾病存在密切联系。分析和研究脑网络可以为人类探索大脑工作方式、研究神经性退化疾病的病理机制、改善心理疾病及大脑损伤的诊断治疗提供有力的工具。目前,脑网络分析及其应用已成为计算机与生物信息、医学等交叉学科中的研究热点。本文旨在回顾脑网络分析中的典型方法和应用,并按照脑网络构建、脑网络表示、脑网络分析3个部分加以介绍。最后,总结全文并展望未来研究方向。     

便携式脑电采集器研究与设计

脑电信号是人脑内部各种活动的外部表征,脑电信号的分析及处理对临床上一些疾病的诊断和治疗十分重要。基于脑机接口技术,提出了便携式脑电采集器的设计,它将脑电信号进行收集,通过蓝牙的上行通道将信号传递到计算机,并进行信号处理分离出5种脑波信号,在编制的显示软件中准确显示出来,为我国脑机接口技术向实用性转化提供了依据。     

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。     

脑控: 基于脑——机接口的人机融合控制

近年来,一类被称之为脑控的新型控制系统发展迅速, 这是一种基于脑--机接口(Brain-computer interface, BCI)的人机融合控制系统, 也是一种基于人的意念和思维的控制系统. 脑控系统已被成功应用于残疾人的生活辅助、中风病人和损伤肢体的康复训练、 操作员状态的实时监控、游戏娱乐和智能家居等广泛的领域. 本文在简要介绍了脑控的研究背景、基本原理、系统结构和发展概况的基础上, 着重对脑电信号(Electroencephalogram, EEG)模式、控制信号转换算法和应用系统研究等主要问题的研究现状, 进行了较为详细的论述和分析, 并探讨了进一步研究的方向和思路. 最后对脑控的未来发展方向和应用前景进行了分析和展望.     

脑机接口系统的协同工作机制

脑机接口(Brain-Computer Interface,BCI)是一种新型的对外信息交流和设备控制方式。脑机接口系统的协同工作机制包含了人机协同和软硬件各模块间的协同。本文探讨了这些协同工作如何开展、各部件如何共同协调与协作来完成共同的任务。     

基于智能计算的脑机制研究

解析脑认知原理和脑疾病的发病机制已是当下脑科学研究的热点。智能计算在脑影像领域的应用可为认知心理学研究、脑疾病的识别和干预以及类脑智能理论研究等提供借鉴和参考。本文介绍利用智能影像计算方法在识别脑认知网络成分、构建脑有向连接模型、预测认知行为变化、构建心理过程神经表征等方面的工作,并对未来相关研究进行展望。     

无线便携式动物脑电遥测记录系统

开发出一套无线便携式动物脑电遥测系统。采集的数据经过放大、滤波后调制发射,接收器接收到无线信号后进行解调并通过串口打印显示出电压信号。实验中将测量电极植入大鼠颅骨内,并将信号采集发射器背负在大鼠身上,分别记录大鼠睡眠、清醒和癫痫脑电波形。实验结果表明该系统,复杂环境下发射器的发射距离达到20 m,可以稳定工作8 h,且具有体积小、功耗低、精度高等特点,适用于大鼠脑电遥测实验。     

浅谈脑-机接口技术

脑机接口是近年来发展起来的一种人机接口,它不依赖于大脑的正常输出通路(即外围神经和肌肉组织),就可以实现人脑与外界(计算机或其它外部装置)直接通信的系统。本文概述了基于脑信号的脑机接口的基本结构,常用算法及应用前景。     

基于能量熵的运动想象脑电信号分类

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

基于KIV模型的脑电识别方法

脑电信号具有动态、非线性和数值高度随机的特点, 针对传统的人工神经网络模型识别脑电信号时在特征提取和识别精度方面表现出的局限性, 本研究提出了一种新的识别方法, 使用KIV模型对脑电信号进行识别. 首先, 通过仿真实验, 分析了KIV模型不同的刺激下表现出的动力学特性. 接着, 使用KIV模型分别对癫痫脑电信号和情感脑电信号进行识别, 在实验过程中不进行特征提取, 直接将多通道原始脑电信号输入到KIV模型中, 在BONN和GAMEEMO数据集上分别获得了99.50%和90.83%的识别准确率. 研究结果表明, 与现有的模型相比, KIV模型具有较好的识别脑电信号的能力, 可为脑电识别提供帮助.     

基于稳态视觉诱发电位的脑机接口设计

为了设计出更适合的脑机接口，本文对基于稳态视觉诱发电位的概念进行了阐释，着重介绍了SSVEP信号原理与基础。对传统的三种刺激方法进行了简述，并最后选用LCD显示器实现简单闪烁刺激进行实验，采用正弦编码的方法对目标方块的灰度值进行调制，最终完成在线SSVEP-BCI系统设计。     

脑计算机接口技术与应用前景

脑计算机接口(Brain-Computer Interface,BCI)技术是在人脑和计算机或其他电子设备之间建立通信系统,该系统通过记录人的脑电信号来了解人的思维,用思维来控制计算机,操纵设备、智能家居、无人驾驶交通工具等。该技术涉及神经科学、心理认知科学、康复工程、生物医学工程和计算机科学等多种学科。目前,脑计算机接口系统正在成为研究热点,本文介绍了脑计算机接口系统的结构、工作原理、存在问题及发展前景。     

闪光视觉诱发电位在脑机接口中的应用研究

运用叠加平均与快速傅立叶变化相结合的方法,提取大脑皮层的稳态视觉诱发电位SSVEP（steady state visual evoked potential）信号,并作为输入信号应用于脑控机器人系统。通过实验确定了测试电极、视觉刺激颜色与背景亮度等模式参数,并且研究了不同使用者在不同视觉刺激频率下的SSVEP幅值变化趋势。研究结果表明,该方法能更好地提高信噪比,提取出的稳态视觉诱发电位信号能够准确反映使用者的控制意图,应用于脑控机器人系统,取得了很好的效果。     

用于BCI的脑电信号检测电路的设计

设计了一种新颖的用于脑机接口(BCI)的脑电信号检测电路,采用阻容耦合、共模信号取样驱动、有源屏蔽驱动和浮动电源等技术,具有结构简单、抗干扰能力强、稳定性和可靠性高的优点.经仿真分析和实际电路调试,证明该电路可有效抑制背景噪声和干扰,可用于BCI中实现对微弱低频脑电信号的提取.     

基于小波分析的脑电密码计算方法

为有效提取脑电信号特征波,结合小波技术提出一种脑电特征波计算方法。对脑电信号进行小波分解,重构相关频段信号,提取特征波,并结合BP神经网络对其进行计算。实验结果表明,该方法有效,对3个受试者的平均识别率大于80%,适合残疾人等各种人群。     

基于混合特征选择算法的抑郁症分类方法

使用尽可能少的特征进行快速而准确地诊断抑郁病症在临床应用中十分重要,然而单一传统特征选择算法仅保留特征的一种特性而忽略其他特性。针对这种情况,提出以混合特征算法联合遗传算法来选择分类特征集。利用信号间的相位锁定构建了五个频段下两组被试的脑功能连接矩阵,并根据t检验的结果,将具有显著差异(p<0.05)的连接值作为特征。面对高维特征,提出使用基于互信息的二次规划特征选择和费舍尔分数对所有特征分别进行排序,并将二者的前100个特征进行交集或者并集的包装处理。通过遗传算法进一步选择最优子集进行分类。实验结果表明,该分类法不仅将特征数目降维了90%以上,还拥有最高的分类精度,达到96.8%。     

LM算法在神经网络脑电信号分类中的研究

在脑机接口(BCI)中,脑电信号(EEG)的特征提取和分类识别可以通过多层前馈神经网络的大量学习来实现,但是基于误差反向传播的BP神经网络标准算法收敛速度慢,在训练中效率不高,分类正确率也很有限。针对这些问题,文中提出使用一种快速稳定的Levenberg-Marquardt算法来代替BP算法进行神经网络的学习训练,并利用BCI 2008竞赛的Graz数据集B进行了对左右手想象运动脑电信号分类的MATLAB仿真实验。该方法使得脑电信号分类的正确率达到87.1%,比BP算法的正确率78.2%要高,并且具有更好的收敛性。该算法为脑电信号的分类提供了有效的手段。