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。     

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。     

智能步态门禁系统实验平台的设计

为探索步态识别技术在实际中的应用.构建了基于步态图像特征进行身份识别的智能门禁系统硬件平台,且开发了相应的门禁系统软件.其技术流程为:首先从摄像机捕获视频输入计算机进行监控,发现后对人体进行检测与跟踪,分割人体轮廓并将其规格化叠加处理获取步态特征图,然后提取包含人体整体模型信息的边界矩参数,以此作为识别参量输入支持向量机(SVM)进行分类识别.为评价步态识别性能,分别对正确识别率(PCR)、错误接受率(FAR)和错误拒绝率(FRR)进行了测试,结果表明该实验平台能较好地时人体目标进行自动监控跟踪、提取步态特征且有效地进行分类识别.     

步态特征精密提取与身份认证

为更有效地检测人体目标,弥补单一模型在步态特征提取中的不足,提出了基于双模型的步态特征精密提取方法,且构建了基于步态特征进行身份认证的门禁监控实验平台.首先从摄像机捕获步态视频输入计算机,发现人体目标后对其进行检测与跟踪;然后分割人体轮廓并将其规格化叠加处理获取步态特征图;为精确提取步态特征,将人体整体模型与简化模型相结合,提取步态参数作为识别参量输入支持向量机（SVM）进行分类识别,正确识别率（PCR）为77%～80%.结果表明该方法有助于步态特征的精密提取,且实验平台能较好地自动监控人体目标并进行身份认证.     

基于人体轮廓面积特征的步态识别

为有效抑制观察视角及鞋帽服饰等外界因素的干扰,克服目前常用整体模型步态识别算法的不足,提出将人体轮廓面积特征与支持向量机分类器相结合的识别方法。该方法在步态序列图像的人体轮廓进行提取和规格化,将轮廓图叠加后进行网格式划分,提取轮廓单元模块面积作为步态特征识别参量。使用南佛罗里达大学的步态数据库,分别采用线性、多项式和径向基内核函数对5种不同外界因素条件下的数据进行实验,该方法的正确识别率为82%～100%,且对视角及鞋帽服饰的干扰不敏感,具有更强的鲁棒性。实验表明人体轮廓面积更能反映步态特征,将该面积特征与SVM分类相结合可以获得更好的识别性能。     

红外热成像在步态识别中的应用

为更有效地探测人体目标,提出了利用红外光进行人体成像及步态识别的新方法.首先将人体散发的红外光转换为电信号,经计算机处理后转换为红外步态图像,然后分割出人体目标并将其规格化叠加处理获取步态特征图,再提取包含整体模型信息的边界矩参数以及包含简化模型信息的骨架特征参数,以此作为步态特征识别参量输入至支持向量机(SVM)进行分类识别.使用自建的红外步态数据库(IRGD)进行实验,正确识别率(PCR)为71～92%,且识别效果受人体携带外物的影响不显著.     

用于功能性电刺激精密控制的BP神经网络整定PID算法

为解决功能性电刺激（FES）的电流强度精密控制问题,使电刺激作用效果能准确完成预定的功能动作,利用3层误差后向传递（BP）人工神经网络来整定传统的比例微积分（PID）控制器参数.根据下肢膝关节运动角度准确、稳定、实时地反馈控制FES系统刺激电流强度,并通过PID整体控制过程中偏差的均方根（RMS）值及实际运动轨道与预期运动轨道的偏差值评估其控制效果.实验结果表明：与传统的Ziegler-Nichols整定PID算法相比,新方法控制下的FES系统刺激电流强度偏差可以维持在相对更低的范围内,使膝关节运动轨迹与预设目标更好地吻合,从而保证更为稳定的康复训练效果.