视觉诱发电位脑-机接口实验范式研究进展

近年兴起可实现人脑直接对外信息交流和控制、让"思想"立即变"行动"的脑-机接口(BCI)新技术已在脑科学、神经计算、人工智能与机器人等多领域显示诱人前景。实验范式设计是研究与开发BCI系统的首要关键步骤。针对常见的各类视觉诱发电位(VEP)实验范式,从首个传统反应式VEP-BCI实验范式入手介绍了其诱发平台、实验流程和整体性能研究现状与存在问题及发展瓶颈;比较分析了近些年研究开发的多种改进型VEP-BCI实验范式,并展望了可能的实验范式发展新动向,希冀为研究开发高性能BCI提供新思路。     

面向康复与辅助应用的脑 机接口趋势与展望

无需肢体神经肌肉接触便可实现人与外界机器设备信息交互、使"思想"变成"行动"的脑-机接口(BCI)是脑神经科学与工程技术结合的新产物,亦是临床神经功能康复与运动辅助控制的新技术,可望为部分或完全丧失语言交流与肢体运动控制能力患者(如脑卒中、脊髓损伤、脊髓侧索硬化等疾病)提供全新的增强治疗与康复手段,但目前实际应用尚存在信息处理效率欠高、康复训练时间过长、控制模型通用性差等技术瓶颈。综述了上述技术难点并以运动想象(MI)BCI和BCI拼写器(Speller)为典型介绍了其可能的模型优化策略和解决方案,最后展望了未来BCI发展方向。     

脑-机接口研究中想象动作电位的特征提取与分类算法

人在想象但未实施肢体或其他身体部位动作时,与该动作相关的大脑运动皮层区域会发生与该动作实施时相似的电生理响应,称为想象动作电位.想象动作电位的提取与分类是脑-机接口(BCI)技术的关键和难点.本文分别介绍了想象动作电位的时频分析、复杂度分析、相位耦合测量、多通道线性描述符、多维统计分析等特征提取方法和线性判别分析、人工神经网络、支持向量机等分类算法,以供BCI系统设计与研究时参考.     

运动意识任务的模式识别方法研究

针对脑机接口研究中运动想象脑电信号的模式识别问题,提出了一种基于离散小波变换和AR双谱的特征提取方法.该方法首先利用Daubechies类小波函数对二路脑电信号进行3层分解,抽取小波系数的均值、能量均值、均方差三个特征;然后,采用5阶AR模型进行双谱估计,抽取双谱切片特征;最后,将这两类特征进行组合后使用马氏距离线性判别进行分类.利用BCI2003竞赛的标准数据,该方法使得EEG的识别正确率达到92.86%,与竞赛的最好结果(89.29%)相比提高了3.57%,为BCI研究中脑电信号的模式识别提供了有效的手段.     

功能性电刺激的仿生控制技术的研究与应用

功能性电刺激(FES)主要用于肢体残疾人的功能性恢复锻炼,而国内目前存在的FES康复系统大多不够智能化。针对这个问题,探索了基于脑机接口(BCI)和中枢模式发生器(CPG)的仿生FES控制方法,利用BCI识别上层控制命令发送给CPG生成相应模式,然后控制FES。实验结果表明,BCI-CPG联合控制FES的思想能够达到预期效果。     

脑机接口中基于WPD和CSP的特征提取

针对脑机接口(brain computer interface,BCI)中2类运动想象任务的特征提取问题,提出了一种小波包分解(wavelet packet decomposition,WPD)与共同空间模式(common spatial pattern,CSP)相结合的脑电信号特征提取方法.该方法首先选择7个重要导联的脑电(electroencephalograph,EEG)信号,用‘haar’小波基进行三阶WPD分解;然后对每个导联分解后的其中5个子带进行重构,获取相关频域信息;最后对重构后信号利用CSP特征提取,获得六维特征向量.CSP与WPD相结合能够充分利用WPD的时频特性,有效避免CSP要求输入导联数过多、缺乏频域信息等缺陷.对2008年国际BCI竞赛数据和本实验室实验数据,采用该方法进行特征提取,通过概率神经网络(probabilistic neural network,PNN)分类.2种数据源分类正确率分别为92％和80％,相对于单纯的CSP特征提取,正确率分别提高5％和20％.实验结果表明:WPD与CSP相结合的特征提取算法能提取明显的特征,进而提高BCI的识别正确率.     

基于稀疏组lasso的脑机接口通道和特征选择研究

脑电信号(EEG)特征提取和分类是脑机接口(BCI)系统的核心问题之一。由于BCI系统中EEG信号多通道采样和特征向量的高维性,有效的特征选择算法已经成为研究中不可分割的一部分。针对EEG特征选择问题采用一种新方法:基于封装式稀疏组lasso的EEG融合特征的同时通道和特征选择方法。实验中将该方法与现有的通道选择和特征选择方法进行比较,结果表明,该方法更适用于高维融合特征的最优特征子集选择问题,且该算法稳定、时间成本低。此外,在保证错误率相当或较低的情况下,该方法能够同时实现通道和特征选择。国际BCI竞赛IV的两类运动想象信号的测试错误率为15.28%。     

基于MEG的脑机接口特征提取方法研究

脑磁信号作为一种新的脑机接口(BCI)输入信号,含有手运动方向的模式信息。在研究了适用于非平稳性的自适应自回归模型和适用于非高斯性的高阶谱自回归模型的基础上,本文针对脑磁信号的非平稳非高斯性,提出了一种新的特征提取算法,即基于经验模态分解的自回归模型。实验结果表明该算法适合于分析非高斯、非平稳的脑磁信号,结果优于上述的两种算法,并且超过了脑机接口竞赛四优胜者的识别率。     

基于小波包分解的脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征抽取,提出一种基于小波包分解的方法,利用Fisher距离准则,选择具有较大可分离性的特定子带小波包系数和能量作为有效特征,构成特征矢量,并采用BCI2003竞赛数据,通过对该特征矢量的可分性和识别精度2个指标的评估,表明了所提出方法的有效性。     

基于基因优化的脑电信号特征选择

针对脑机接口( BCI)研究中脑电信号的特征选择问题,提出了一种基因优化算法(GO).GO算法在变异的基础上实现自下而上、由微观到宏观的自组织优化,可以在提高分类精度的同时很大程度上节省在线数据处理的时间.为检验提出方法的有效性,将其与基于AGA的特征选择方法以及基于Fisher距离的滤波选择方法进行了比较,实验结果表明基于GO的分类精度明显高于其他方法,获得了最好的模式识别性能.     

Motor imaginary-based BCI for controlling a remote car

This paper presents the application of an effective electroencephalogram (EEG) based brain-computer interface (BCI) for controlling a remote car in a practical environment.The BCI uses the motor imagin...     

Improvement of mental tasks with relevant speech imagery for brain-computer interfaces

Brain-computer interfaces (BCIs) based on electroencephalography (EEG) have been attracted enough attention by researchers. In order to determine whether silent reading can improve mental tasks for BCI systems, this paper proposed a two-step experiment: mental tasks with speech imagery and mental tasks without speech imagery. Reading Chinese characters in mind is set as speech imagery. Since Chinese characters are monosyllabic, it is very convenient to read them in mind with related mental tasks simultaneously. Ten Chinese subjects are trained by two steps in this experiment. Feature vectors of EEG signals are extracted and classified by common spatial patterns (CSP) and support vector machine (SVM), respectively. Compared with just mental tasks, the accuracies between two tasks have been significantly improved by appending speech imagery, and the average of accuracies of ten subjects is increased from 76.3% to 82.3%. During the imagery period, the temporal stability of EEG signals is evaluated by Cronbach’s alpha coefficients. The steadiness of signals is different between mental tasks, and EEG signals are more stabilization with speech imagery. The stability of brain activity is conducive to the operation of BCIs.     

基于HHT和SVM的运动想象脑电识别

对运动想象脑电信号(EEG)分类识别是脑-机接口(BCI)研究领域的重要问题。本文通过经验模式分解(EMD)将EEG分解为一系列内蕴模式函数(IMF),并对重要IMF的瞬时幅度提取AR模型参数,同时对所有的IMF进行Hilbert变换(HT)得到Hilbert谱,进而求得瞬时能量(IE)。将得到的AR参数和IE,结合时域均值和中值绝对偏差估计(MAD),组成初始特征,然后利用经遗传算法(GA)优化的支持向量机(SVM)进行分类,得到识别结果。对2008年BCI CompetitionⅣDataset 1中想象左手和脚运动的两组数据进行识别,在仅仅使用少数通道的情况下,识别正确率分别达到84.7%和85.8%,初步验证了该方法的有效性。     

基于小波包分解的意识脑电特征提取

针对2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(brain-computer interface,BCI)设计,提出了基于小波包分解的特征提取方法。首先深入研究了小波包变换,结合事件相关去同步化(event-related desynchronization,ERD)/事件相关同步化(event-related synchronization,ERS)现象,提出以小波包分解系数来考虑特征,然后对C3、C4导联脑电信号进行小波包分解系数方差和相对能量2种特征的提取,最后采用最简线性分类器进行分类。结果表明,2种特征对应的最大分类正确率均达到了85%,对应时间分别为4.34 s和4.39 s。因此,在保证分类正确率的前提下,所提方法更加简单和有效,为大脑意识任务分类提供了新思路。     

基于小波和神经网络的视觉诱发电位识别方法

在基于瞬态视觉诱发电位的脑机接口研究中，通过视觉诱发电位信号的提取与识别产生脑机接口控制信号。采用累加平均和小波滤波提取强噪声背景下微弱的视觉诱发电位。在小波变换域求取特征向量，将特征向量输入感知器进行视觉诱发电位模糊识别，产生脑机接口控制信号。实验表明，小波变换域特征向量提取方法能有效地实现信号的去噪、降维和特征提取，基于神经网络的模糊识别算法能比较准确地识别视觉诱发电位，有利于提高脑机接口的通讯率。     

基于改进GHSOM的运动想象脑电信号自适应识别方法

为解决运动想象脑电信号(MI-EEG)的识别方法泛化能力受限和自适应性差等问题,对传统的生长、分层自组织映射神经网络(GHSOM)进行改进,并提出一种主成分分析法(PCA)与改进的GHSOM神经网络(IGHSOM)相结合的脑电自适应识别方法。由于IGHSOM能够根据上一层扩展神经元的量化误差进行自动分层判断,使得其不仅对数据映射更加准确和详细,而且增强了网络的稳定性和自适应性。基于脑机接口(BCI)竞赛数据库,利用PCA进行特征提取,以IGHSOM为分类器进行实验研究。结果表明,该方法获得了较高的识别精度,验证了GHSOM改进策略及该识别方法的正确性和有效性。     

基于体感电刺激诱发P300的脑机接口

基于视听刺激诱发P300信号是目前脑机接口普遍使用的范式,然而众多病患存在视听功能障碍,无法由视听刺激获得稳定准确的P300信号,传统的P300脑机接口存在诸多局限性,因此,设计了一种以空间体感电刺激作为新范式的P300-脑机接口系统。实验采集了15名健康受试者注意不同手指电刺激时的脑电信号,仅对单一导联的数据进行分析处理,得到分类准确率和信息传输速率。结果显示,所有受试者可以成功诱发出P300特征信号,潜伏期在300ms附近;所有受试者的平均分类正确率达到77.96%±5.04%,高于随机水平(25%);信息传输速率最高可达15.97 bit/min。实验结果表明,采用基于空间位置的体感电刺激诱发P300的脑机接口系统,可以获得稳定的P300特征信号,是一种新的诱发模式;此外,仅采用一个导联的数据,即可达到较好的分类正确率和信息传输速率,方便用户使用。     

基于小波变换和时域能量熵的 P300特征提取算法

针对P300信号特征提取和分类过程中训练及测试速度相对较慢的不足,提出了一种基于P300带内带外特征的脑电信号特征提取方法,将时域能量熵和离散小波变换相结合,克服了P300信号识别中对电极数量和脑电信号叠加次数的苛刻要求.试验采用支持向量机作为分类器,在BCI Competition 2003和BCI Competition 2005的P300试验数据集上进行验证,结果表明,提出的方法只需对一导数据进行处理,只有2次叠加平均,就能得到很好的分类效果及较短的分类系统运算时间.