基于虚拟现实环境的脑机接口技术研究进展

将脑-机接口(brain-computer interface,BCI)技术与虚拟现实(virtual reality,VR)相结合构成基于虚拟现实的脑-机接口(BCI-VR)新技术是最近在多媒体和娱乐领域出现的一种BCI应用新模式。BCI-VR兼取两者优势互补,同时又相互促进创新,显示出广阔应用前景。本文从BCI-VR系统基本构成、BCI对VR控制和VR对BCI影响等方面,较详细介绍了近年来BCI-VR的主要研究方法、研究进展和成就,并根据作者体会小结了目前存在的难点与未来的可能发展动向,以与读者交流、共同促进BCI-VR新技术的快速发展。     

双极型电压比较器的强电磁脉冲效应

基于大电流注入法(BCI),利用瞬态脉冲产生器模拟强电磁脉冲在双极型电压比较器中产生的耦合电流,观测到输出信号在注入瞬态大电流后的波形变化,包括占空比变化及脉冲衍生等。从基本电路原理方面分析了实验现象的产生机理,以及注入电流幅值、电路偏置等因素对双极型电压比较器强电磁脉冲效应的影响。     

小波变换的自发脑电信号特征提取

针对脑机接口(BCI)研究中2种思维任务的特征抽取和分类,提出采用小波变换后具有较高分类能力的部分分解系数,并以Fisher距离作为特征可分离能力的度量。选择具有较大可分离性的系数均值及子空间能量作为有效特征,组成所有待分析通道的特征形成特征向量。利用BCI 2005竞赛数据,分析了该方法的实验背景和理论依据,并将分类精度与竞赛的最好结果进行了比较,表明了所提出方法运用在实际系统中的有效性和优越性。     

浅谈BCI内外墙保温装饰板的推广应用

对BCI内外墙保温装饰板材料的诸多特点进行了分析，介绍了该保温装饰板的施工方法及程序，列举了BCI内外墙保温装饰板的产品系列及应用范围，以期进一步推广该保温装饰板的应用。     

用于脑机接口的感觉刺激事件相关电位研究进展

脑机接口研究的目的就是在人脑和计算机或其他电子设备之间建立一种直接联系,使人们可以通过思维来直接控制计算机或外部设备。感觉刺激诱发的事件相关电位是基于脑电的脑机接口系统研究中备受关注的一种信号模式,按其刺激模式的不同又可分为视觉、听觉、体感等单一感觉通道刺激诱发的和跨感觉通道刺激诱发的事件相关电位。事件相关电位研究的发展表明：相对于单一感觉通道,跨感觉通道刺激诱发的事件相关电位具有波幅高、潜伏期短且含有高维度空间分布信息的特点,可弥补单一感觉诱发事件相关电位信息过少、不利识别的缺陷,从而提高信息转化速度和分类准确率,在脑机接口中具有更高的实用价值。     

模拟阅读脑-机接口异步化研究

“模拟阅读”脑机接口(BCI)工作在同步模式,而实际中使用者希望能在“工作/非工作”状态间自由切换,即异步化,针对该问题提出了利用闭眼固定时间的脑电信号作为两种状态间转换开关的方法。首先设计了实验方案;然后对采集的脑电图(EEG)信号分别在时域和频域进行特征提取,对时域特征利用支持向量机(SVM)和K-means分类器进行分类,对频域特征用SVM分类。时域最高识别率分别为91.25%和89.17%,平均分类所需时间分别为1.89s和0.11s,频域最高识别率和平均识别率分别为86.25%和81.875%。实验结果表明该实验模式能实现两种状态自由切换的目的。     

基于运动相关皮层电位握力运动模式识别研究

面向基于脑-机接口（Brain-computer interface,BCI）的脑-机交互控制（Brain-machine interaction control,BMIC）——直接脑控机器人,提出一种新的左、右手握力运动参数范式,在该范式下探索左、右手握力运动相关皮层电位/运动相关电位（Movement-related potentials,MRPs）的时域特征表示并识别握力运动模式.在涉及左、右手4个不同任务的实验中采集了11个健康被试的脑电信号,任务期间要求被试以2种握力变化模式之一完成自愿握力运动,每种任务随机重复30次.不同握力任务之间具有显著差异的运动相关电位特征用于识别握力运动模式.分别用基于核的Fisher线性判别分析和支持向量机识别4个不同的握力运动任务.研究结果进一步证实运动相关电位可以表征握力运动规划、运动执行和运动监控的脑神经机制过程.基于核的Fisher线性判别分析和支持向量机分别获得24±4%和21±5%的平均错误分类率.最小误分类率是12%,所有被试平均最小误分类率为20.9±5%.与传统的仅仅识别参与运动的肢体类型以及识别单侧肢体运动参数的研究相比,本研究可望为脑-机交互控制/脑控机器人接口提供更多的力控制意图指令,奠定了后续的对比研究基础.     

基于移动平台的运动想象脑电分析方法研究

BCI系统的研究,经过二十多年的发展,已经慢慢地走出实验室,面向应用。为更方便对运动功能障碍人士进行帮助,把传统BCI系统移植到移动平台上就显得尤为重要。本文利用AR模型把时域信号转换到频域,然后利用Fisher距离进行特征提取,利用定义的线性分类器进行分类。结果表明,利用本方法能很好地识别三种不同运动想象类型。     

异步脑—机接口的空闲状态检测新方法*

提出一种新的空闲状态检测方法,以训练集中各类运动想象样本的类内散度和正确检测率为指标,结合接收机曲线确定分类阈值,设计最佳三分类器,并采用模糊化技术对预测标签进行处理。将该方法应用于2005年BCI竞赛数据IVc,测试的均方误差为0.278 7。实验结果验证了该方法的有效性。     

单通道视觉诱发脑电的单次提取方法研究

针对单通道脑电信号单次提取识别率较低的问题,提出了一种正交B样条小波变换与Fisher线性判别相结合的方法,提高了视觉诱发电位P300的单次提取识别率。首先采用相干平均和小波变换的方法对脑电信号进行预处理,然后根据脑电信号的时-频特性及视觉诱发电位的锁时关系,提取出表征P300的8维小波系数模板,再次利用模板对单次样本进行特征提取,最后根据Fisher线性判别对测试样本进行分类识别,判断单次输入是否为视觉诱发脑电信号。实验结果表明,该方法对单次样本P300的平均识别率为95.10%。