基于 P300 与 ErrP 决策融合的脑-机接口目标检测方法

针对脑-机接口(BCI)技术在目标检测中的应用仍然存在检测准确率受限的问题,提出基于事件相关电位(ERP)中的 P300 与错误相关电位(ErrP)决策融合的新型编解码方法。 BCI 系统编码方面通过目标图像和视觉反馈分别诱发 P300 与 ErrP 特征,解码方面采用单独 P300 特征、单独 ErrP 特征、P300 与 ErrP 特征层融合、P300 与 ErrP 决策层融合这 4 种方案进行目标检 测。 10 名健康受试者 4 种方案进行目标检测的平均结果显示,使用 P300 与 ErrP 决策层融合的平衡正确率最高,达到 80. 03%± 5. 20%,相比单独使用 P300 特征的方法提升了 4. 38%,相比单独使用 ErrP 特征的方法提升了 11. 29%,验证了混合 BCI 技术在 目标检测任务中的可行性。     

面向中高频SSVEP脑机接口的编解码算法研究

基于稳态视觉诱发电位（steady-state visual evoked potentials,SSVEPs）的脑-机接口系统（brain-computer interface,BCI）通常使用低频强闪烁刺激诱发强特征脑电信号。尽管相关数据处理技术日臻成熟,但是系统使用舒适度差,训练时间较长。提高刺激频率能够有效缓解受试者的视觉疲劳,提高系统友好度,然而现有中高频SSVEP系统又存在指令集数量少、信息传输率（information transfer rate,ITR）低等缺陷。针对以上问题,本文基于中高频SSVEP脑电特征,提出并使用了包含空码的Code Words编码范式与集成任务相关成分分析（ensemble task-related component analysis, eTRCA）解码算法,并研究了该套编解码方法的适用性与可扩展性。本研究选择中高频段的4个频率（20、24、30、40 Hz）分别构建脑控字符拼写系统,单个频率的闪烁刺激可独立构建多达6个控制指令,联合多个频率理论上可实现指令集数量的成倍扩增。共有10位健康受试者参与了离线脑电实验,利用18~60 Hz带通滤波对脑电数据进行预处理,使用eTRCA算法进行特征识别。18指令集系统的理论平均分类准确率为96.71±1.69 %,理论平均ITR达86.94±6.07 bits/min。以上结果表明,本研究提出的编解码算法能够有效诱发并准确识别中高频SSVEP的时-频-相多维特征,在此基础上通过增加编码单元频率种类、提高有效编码率、改进解码算法等方式有希望进一步提升系统性能。      

热释电红外传感器在生物特征识别领域中的研究进展

步态识别作为生物特征识别技术的一个新兴子领域,旨在根据人的行走姿势实现对个体身份的识别。人行走过程中身体各部分的红外热辐射信号具有某种个体特征,该特征信息能够被热释电红外传感嚣有效检测。通过分析传感器的输出信号,就可以提取出人体运动的特征性数据,实现对不同人、不同运动状态的识别。本文对热释电红外传感器应用于生物特征识别领域的研究进展进行论述,从传感器的探测原理、在步态识别中的应用以及热释电信息的特征提取与分类算法进行总结,并对当前该研究方向上亟待解决的问题作简要的分析。     

P300 Speller中基于AdaBoost SVM的导联筛选研究

P300 Speller是目前少数可以用于临床残疾人功能补偿的脑-机接口系统,P300 Speller的字符识别效率与脑电信号采集的头皮表面电极位置密切相关,过多的电极不但增加了使用者的不适感,且易引入噪声干扰进而影响系统的稳定性。采用并发展了一种基于AdaBoost SVM(adaptive boosting support vector machine)的特征筛选方法,对脑电导联进行优化筛选,通过对6位受试者的实验数据处理及分析,结果表明该方法可以在不显著影响识别效率的基础上降低导联数量76%以上。另外,相较于经典的SVM-RFE特征筛选方法,该方法极大降低了计算复杂度,更适用于训练数据庞大的脑电特征优化问题。     

基于P300-SSVEP的双人协同脑-控机械臂汉字书写系统

基于脑-机接口（Brain-computer interface, BCI）的脑-控技术发展迅速,取得较大进展。然而,现有研究多采用单人脑控方式,存在执行效率低、可控自由度低的问题,难以满足复杂条件下的操控任务需求。针对此问题,本文采用时-频-相混合编码的视图脑-机交互方法,设计双人协同策略,通过解码P300和稳态视觉诱发电位（Steady-state visual evoked potential, SSVEP）脑电特征,开发了108指令的双人协同脑-控机械臂系统,实现双人同时对汉字一笔一划的书写。8名被试在线平均正确率为87.92%,平均在线信息传输速率（Information-transfer rate, ITR）为66.00 b/min。该系统扩展了BCI信息交互方式,初步验证了协同BCI操控机械臂的可行性和有效性,为协同BCI提供了技术支撑。     

基于头皮拉普拉斯脑电电极的高空间分辨率SSVEP信号采集与分析研究

脑电信号（Electroencephalogram,EEG）因其具有时间分辨率高、方便易得等优点被广泛应用。然而脑电信号的空间分辨率较低,导致其应用效果受限。拉普拉斯滤波方法已被证明可提高体表电位的空间分辨率。传统拉普拉斯脑电研究通常利用算子来估计圆盘电极阵列中的拉普拉斯电势。但是圆盘电极间距大,使得该方法估计结果精度较低。针对上述问题,本文设计了一种拉普拉斯脑电电极及其采集方案,分别从仿真实验和人体实验两方面验证了其有效性。仿真结果表明拉普拉斯电极空间分辨率可比传统圆盘电极提高约41.4%。人体实验结果表明大脑左右半球视觉皮层同时产生稳态视觉诱发电位（Steady-state visual evoked potentials, SSVEP）时,拉普拉斯脑电信号可明显分辨出左右半球两个独立的SSVEP源信号,而传统脑电信号无法区分这两个独立脑电源。上述研究结果证明,本文设计的拉普拉斯脑电电极及其采集方案能够有效提升脑电的空间分辨率,有望实现更精确的脑电源定位。     

基于脑电逆问题的研究及应用综述

自20世纪50年代以来,关于神经元电活动的研究一直是许多科研人员和临床医生关注的热点。大脑中的神经元组成分布式网络结构,不同的区域结构将处理视觉、感知觉、意识等不同的信息,且神经元活动随时间不断变化,因此需要一种能对大脑的时间和空间特征全面记录的方法。脑电图（Electroencephalography, EEG）由于具有无创、价格低廉和高时间分辨率的特性,自其被发现以来就已成为记录神经元活动应用最广泛的技术之一。然而EEG的空间分辨率较低,难以实现对神经元活动的精确定位。提升EEG的空间分辨率,需要从测量的头皮脑电中定位大脑的激活神经元,即解决脑电逆问题。由于电磁逆解具有不确定性,脑内不同的激活模式可能会在头皮产生相同的电位分布。近年来关于大脑的精确解剖结构、组织特性以及神经元电活动的传播规律等方面的研究为该技术提供了可靠的先验,有许多研究已经证实了该技术在定位大脑源活动中有显著的优势。脑电逆问题求解可以通过无创的手段实现对神经元电活动的空间定位,有助于了解神经网络结构和大脑信息传递过程。同时可以提升无创脑电信号的空间分辨率,拓展可用信息维度,在神经科学与技术、临床医学等领域均已有广...     

脑电 BCI 系统的软硬件开发平台发展现状

脑-机接口系统(brain-computer interface,BCI)是一种将大脑活动信息直接转换为人工输出的系统,允许用户通过思维 活动直接控制外部设备。 脑电图技术(electroencephalogram,EEG)可以实时获取大脑活动产生的神经生理电信息,具有无创、低 廉、高时间分辨率等优点,是 BCI 获取大脑活动信息的主流方式之一。 脑电 BCI 系统具有脑电信号采集、处理和输出结果的功 能,能够诱发特征脑电,并控制外部设备,在康复、医疗诊断和神经科学研究等领域具有巨大的应用价值。 随着脑电 BCI 系统应 用需求不断增加,确保其快速高效地部署和应用的技术越来越重要。 结合近些年脑电 BCI 系统研究和应用,综合论述目前用于 开发脑电采集和编解码的硬件和软件平台的技术,分析归纳其当前现状与未来趋势,以促进开发脑电 BCI 系统软硬件平台的有 效发展。     

脑机接口中脑电图-近红外光谱联合分析进展研究

脑机接口(BCI)能将受试者意图相关的大脑活动转化为外部设备控制指令,在神经疾病治疗、运动康复等方面具有较高应用潜力。BCI的实现需从人脑获取有意义的信号,而脑电图(EEG)可以反映神经电活动,主要用于对反映实时性要求较高的BCI系统;近红外光谱(NIRS)主要反映血流动力学水平,一般用于神经生理状态等需要精确定位脑活跃区域的研究。EEG和NIRS因其非侵入、方便穿戴、成本较低等优点,成为BCI的重要信号获取方法。相比于单模态BCI系统,基于EEG-NIRS联合分析的混合BCI系统由于具有更丰富的信号特征,在生理状态检测、运动想象等领域得到了越来越多的关注与研究。该文从EEG-NIRS联合分析在脑机接口中应用的研究现状出发,在数据和特征融合程度、层面上归纳最近的相关领域研究现状,并对EEG-NIRS信号处理手段的研究前景进行了展望。     

P300 Speller中基于权值重采样的 ABSVM字符识别方法研究

 P300 Speller是脑-机接口中重要的信息交互方式,由于其诱发的脑电特征信噪比较低与训练样本量庞大等问题,常规的线性识别算法和支持向量机等非线性识别算法难以获得理想的识别效率.本文引入了一种基于权值样本重采样过程的Adaptive Boosting SVM(ABSVM)方法,在大样本集上利用AdaBoost重采样方法建立一系列小样本子集,在其上训练支持向量机并将其集成后进行识别.对6位受试者P300 Speller字符辨识实验的脑电特征识别结果发现,该方法能够显著提高字符识别效率,在合并使用5次重复刺激特征的情况下字符识别准确率达到97.5%.使用国际脑机接口竞赛数据库数据进一步验证,在合并使用5次重复刺激特征的情况下该方法识别正确率较竞赛报告的最优方法提高7.35%,最大信息传输速率的提高达到48.9%.研究结果表明,ABSVM方法能够有效提高P300 Speller的识别效率和信息传输速率,值得进一步研究和发展.