基于SSVEP直接脑控机器人方向和速度研究

直接用思维意图来控制机器人而没有大脑外周神经和肌肉的参与是人类的一个梦想,目前这一研究已成为国际前沿热点和突破点.传统的脑控机器人（Brain-controlled robot,BCR）主要控制其方向,而本文旨在探讨能够同时脑控机器人方向和速度的有效方法.采用可分类目标数多、单次识别率高且训练时间短的稳态视觉诱发电位（Steady state visual evoked potentials,SSVEP）脑机交互（Brain-computer/machine interaction,BCI/BMI）方法,为脑控机器人运动规划了向左、向右、前进和后退4个方向,设计了低速、中速和高速3级运动速度并组合了9个脑控指令;进而比较并优化了SSVEP刺激目标布局间距以及刺激目标闪烁时间,采用典型相关分析（Canonical correlation analysis,CCA）进行识别.结果表明恰当设置SSVEP刺激目标数及其布局间距和刺激目标闪烁时间,可以有效提高被试/用户直接脑控机器人的性能;优化的SSVEP刺激范式三结合适应SSVEP解码的典型相关分析,8名被试脑控机器人到达终点平均用时为2分40秒,最少用时1分29秒;同时,在脑控机器人运动过程中触碰障碍平均次数为0.88,最少碰触次数为0.本研究显示基于SSVEP的脑机交互可以作为直接脑控机器人灵活运动的一种可选方法,能够实现对机器人多个运动方向和多级速度的控制;也证实了适当增加刺激目标间距可以有效提高SSVEP-BCI脑控指令识别的正确率,说明了该脑控方法的性能与刺激被试的范式有关;再次验证了CCA算法在基于SSVEP的脑机交互中具有优良的效果.最后,为克服单一SSVEP范式存在的局限,本研究也尝试把该范式与运动想象相结合的混合范式用于脑控机器人方向和速度,并进行了初步的研究,表明可以进一步改善控制速度和提高被试舒适度.本文可望为基于SSVEP或与运动想象混合的脑机交互应用于分级或精细控制机器人方向和速度提供思路,并为直接脑控机器人技术推向实际应用打下一定的基础.     

基于单片机智能机器人控制系统研究设计

利用红外传感器光电转换特性．以AT89C51单片机作为核心控制单元对检测信号进行处理，完成了智能机器人控制系统的设计。文章详细介绍了系统构成、软硬件设计方法。该机器人控制系统基于红外技术、单片机技术等设计，实现了步行、跟踪、避障、步伐调整、语音、声控、液晶显示、地面探测等功能。系统在智能性、准确性、实时性方面达到了较高的要求，具有较好的应用前景。     

CNN实现的运动想象脑电分类及人-机器人交互

基于脑电的脑机交互能帮助肢体运动障碍患者进行日常生活和康复训练,但是,由于脑电信号存在信噪比较低、个体差异性大等问题,导致脑电特征的提取与分类还需要进一步提高准确性和效率.因此,在减少脑电采集通道数目、增加分类数目的前提下,基于卷积神经网络对运动想象中的脑电信号进行分类.首先,基于已有方法进行探索实验,建立由3层卷积层、3层池化层和2层全连接层构成的卷积神经网络;然后针对想象左手、右手、脚的运动和静息态设计与开展了实验,获取了相关脑电数据;之后,利用脑电数据训练出基于卷积神经网络的分类模型,测试结果表明,该模型平均分类识别率达到了82.81%,且高于已有的相关分类算法;最后,将已建立的分类模型应用于运动想象信号的在线分类,设计与开发了脑机交互应用原型系统,驱动人-机器人之间的实时交互,帮助用户利用运动想象控制仿人机器人的抬手、前进等运动状态.进一步的测试结果表明,机器人对用户控制命令的平均识别率达到了80.31%,从而验证了所提方法可以对运动想象脑电数据进行较为精确的实时分类,可以促进脑机接口技术在人-机器人交互中的应用.     

脑控智能轮椅控制系统

为身体高度瘫痪的残疾人士能够自由移动,提出了一种基于脑机接口实验平台BCI2000的自发想象控制轮椅的新方法。该控制系统主要由Emotiv脑电采集装置、一台笔记本电脑、一个单片机控制器组成,对采集的信号进行时频特征分析,并利用改进的感知器算法对信号进行分类。利用提示被试者想象左右手运动的脑电信号特征,实现对轮椅的左转和右转的控制,对今后进一步研究轮椅的精确控制系统具有重要的指导意义。     

智能机器人的一种新路径规划算法

为了使智能机器人的运动过程更加顺利快速,使其用更短的时间和更短的路径到达终点,采用了基于几何理论的路径规划算法,寻求智能机器人最优路径规划。该算法利用切线最短的理论优化机器人的运动过程,对智能机器人运动的每一段路径都进行了规划和优化,使智能机器人的整个运动过程更加顺畅。在实际应用中,成功地缩短了机器人的运动路径,并成功地进行了避障。这种方法使用简单,容易理解,可广泛应用于智能机器人的路径规划和避障系统中,在实际应用中更能减少能量损耗。     

基于RFID的智能跟踪机器人的设计

针对国内各种智能机器人的智能跟踪难这一现状,设计出一种基于RFID技术的智能跟踪的机器人,能实现对携有特定电子标签的目标进行实时跟踪;该机器人以STC89C51单片机为核心,采用有源RFID读写器(HR6020C)和电子标签(WS-HT06)构建定位系统,采用单片机控制L298来驱动机器人的两个后轮,整个系统通过单片机进行整合、计算、处理数据,并发出指令,控制机器人对目标进行跟踪,进而达到机器人的智能跟踪的目的;在100次试验中,有95次达到智能追踪的要求;经过改进后,有98次达到了智能跟踪的要求;该机器人的结构简单,具有很好的灵活性和可控性,并为智能跟踪机器人的研究开拓了思路,一定程度上促进了智能跟踪机器人的发展。     

智能机器人车自主导航控制系统设计

针对智能机器人车的导航、控制问题,本文设计搭建了一套基于AT89S52的机器人车自主导航控制系统.该系统采用联合CCD和超声波测距的两级融合方法对目标的运动姿态、状态信息进行了检测,实现了机器人车的相对定位,确保了定位精度;并针对直流电机的PWM控制,采用了软件的方式分时产生两路PWM波,无需增加额外的硬件,既节约成本,又完全满足舵机的控制要求.通过对软件部分融合决策子程序的修改,可实现机器人车越障和目标跟踪的功能.     

基于内在动机的智能机器人自主发育算法

针对两轮自平衡机器人在学习过程中主动性差的问题,受心理学内在动机理论启发,提出一种基于内在动机的智能机器人自主发育算法。该算法在强化学习的理论框架中,引入模拟人类好奇心的内在动机理论作为内部驱动力,与外部奖赏信号一起作用于整个学习过程。采用双层内部回归神经网络存储知识的学习与积累,使机器人逐步学会自主平衡技能。最后针对测量噪声污染对机器人平衡控制中两轮角速度的影响,进一步采用卡尔曼滤波方法进行补偿,以提高算法收敛速度,降低系统误差。仿真实验表明,该算法能够使两轮机器人通过与环境的交互获得认知,成功地学会运动平衡控制技能。     

神经网络在机器人视觉图像命令识别中的应用

在智能机器人技术中,视觉识别是关键.在智能机器人视觉系统获得的图像中,由于图像倾斜而造成的识别错误是视觉识别难以解决的问题.针对机器人所要完成的具体任务,对机器人的视觉识别问题进行探讨,为实现机器人对图像命令的识别,首先对机器人视觉系统获得的倾斜图像,采用Hough变换进行倾斜度检测并进行校正,然后采用人工神经网络法进行识别,根据识别结果对机器人的下一步运动进行决策与控制,达到了预期的目的.实验结果表明,该方法具有较高的识别率.     

脑基本机能联合区理论在智能机器人体系结构中的应用

文章剖析了A.P.Лурия提出的脑的三个基本机能联合区理论,基于该理论提出了智能机器人神经心理体系结构模型,并拓展了Rao和Georgeff的BDI逻辑,用于机器人的心理(心智)机制描述,基于CADCON的水下机器人三维仿真结果表明了该体系结构的可行性和有效性。     

基于运动想象脑电的上肢康复机器人

针对脑中风偏瘫患者的康复训练,设计了一种基于运动想象脑电的上肢康复机器人系统.首先,利用肢体运动3维动画刺激患者进行运动想象并通过USB脑电放大器采集运动想象脑电信号:然后,采用小波包算法进行特征向量的提取,并通过基于马氏距离的线性判别分类器分类;最后,PC利用虚拟现实技术进行视觉反馈,同时控制康复机器人.该系统使用患...     

机械臂抓取任务的脑电分类

针对大脑认知完好无损的患者,却患有重度神经肌肉疾病导致肢体行动受限的问题,为使患者重新获取障碍肢体的自主控制能力,本文提出了一种机械臂抓取任务的脑电分类方法对患者进行障碍肢体运动康复训练.首先使用非侵入式脑电技术对运动想象脑电信号进行采集,通过预处理、特征提取以及多尺度特征融合卷积神经网络进行分类识别;最后利用分类模型得到的标签解码成机械臂能够识别的指令,控制机械臂完成特定任务.实验结果表明:实验选取的15名健康受试者运动想象实验采集的脑电数据具有可行性,平均准确率达到了82%以上;为机械臂抓取任务的脑电分类提供了一种新思路.     

面向运动想象脑电图识别的镜卷积神经网络

目的 脑电图（electroencephalogram,EEG）是一种灵活、无创、非侵入式的大脑监测方法,广泛应用于运动想象脑机接口系统中,运动想象脑电图识别精度是决定系统性能的关键因素。然而由于脑电图采集时间长、个体差异大等原因,导致单个受试者可用于模型训练的样本数量少,严重影响了卷积神经网络在脑电图识别任务中的表现。为此,本文提出一种镜卷积神经网络（mirror convolutional neural network,MCNN）模型,使用集成学习与数据扩增方法提高运动想象脑电图识别精度。方法 在训练阶段,基于源脑电通过互换左右侧脑电通道构造镜像脑电,并与源脑电一起用于源卷积网络训练,有效扩增了训练样本;在预测阶段,复制已训练源卷积网络作为镜像卷积网络,将测试集中的源脑电输入源卷积网络,构造的镜像脑电输入镜像卷积网络,集成源卷积网络与镜像卷积网络输出的类别预测概率,形成最终类别预测。结果 为了验证模型的有效性和通用性,基于3种不同运动想象脑电图识别卷积网络模型分别构造镜卷积网络,并在第4届脑机接口大赛2a与2b数据集上进行实验验证。实验结果与原始模型相比,运动想象四分类和二分类准确率分别平均提高了4.83%和4.61%,显著提高了识别精度。结论 本文面向运动想象脑电图识别,提出了镜卷积神经网络模型,通过集成学习与数据扩增方法提高运动想象识别精度,有效改善了运动想象脑机接口性能。     

Discrimination of Motor Imagery Patterns by Electroencephalogram Phase Synchronization Combined With Frequency Band Energy

Central nerve signal evoked by thoughts can be directly used to control a robot or prosthetic devices without the involvement of the peripheral nerve and muscles. This is a new strategy of human-computer interaction. A method of electroencephalogram (EEG) phase synchronization combined with band energy was proposed to construct a feature vector for pattern recognition of brain-computer interaction based on EEG induced by motor imagery in this paper. rhythm and beta rhythm were first extracted from EEG by band pass filter and then the frequency band energy was calculated by the sliding time window; the instantaneous phase values were obtained using Hilbert transform and then the phase synchronization feature was calculated by the phase locking value (PLV) and the best time interval for extracting the phase synchronization feature was searched by the distribution of the PLV value in the time domain. Finally, discrimination of motor imagery patterns was performed by the support vector machine (SVM). The results showed that the phase synchronization feature more effective in 4 s-7 s and the correct classification rate was 91.4 %. Compared with the results achieved by a single EEG feature related to motor imagery, the correct classification rate was improved by 3.5 and 4.3 percentage points by combining phase synchronization with band energy. These indicate that the proposed method is effective and it is expected that the study provides a way to improve the performance of the online real-time brain-computer interaction control system based on EEG related to motor imagery.      

基于HHT运动想象脑电模式识别研究

脑机接口是一种变革性的人机交互, 其中基于运动想象(Motor imagery, MI)脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特--黄变换(Hilbert-Huang transform, HHT),进而提取自回归(Auto regressive, AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine, SVM)进行分类. 结果表明在Trial的5.5～7.5s期间, HHT特征提取方法平均分类正确率为81.08%, 具有良好的适应性;最高分类正确率为87.86%, 优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9s期间, HHT特征提取方法显著优于后两种特征提取方法. 本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步(Event-related desynchronization, ERD)现象, 同时也表明运动想象脑电的脑--机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.     

基于CI-HMM的运动想象脑电信号分类

针对隐马尔科夫模型在运动想象脑电信号分类应用中,其独立性假设与脑电信号间相关性的不一致问题,提出一种基于Choquet 模糊积分隐马尔科夫模型的脑电信号分类方法。该模型应用模糊积分的单调性取代了概率测度的可加性,放宽了隐马尔科夫模型的独立性假设。利用重叠滑动窗对脑电信号分段,然后对每段数据提取绝对均值、波长和小波包相对能量特征,构成特征序列用于CI-HMM的训练和分类。选取2008年BCI竞赛Datasets 1的两类运动想象数据进行分类,实验结果表明,该方法有效提高了隐马尔科夫模型方法对运动想象脑电信号分类的性能。     

基于样本熵的运动想象分类研究

提出了基于脑电的样本熵特征进行运动想象分类的思想,分析了左右手运动想象时感觉运动皮层的脑电信号样本熵及其动态变化规律．结果表明,样本熵能够较好地反映左右手运动想象时脑电特征的变化,具有明确的生理意义．在此基础上,利用Fisher线性分类器对基于样本熵的左右手运动想象进行了动态分类,得到的平均最大分类正确率达到87.8%．最后,提出了一种样本熵的快速算法,其计算量小、速度快,满足BCI实时系统要求．     

Harmony search-based hidden Markov model optimization for online classification of single trial eegs during motor imagery tasks

This paper presents an improved method based on single trial EEG data for the online classification of motor imagery tasks for brain-computer interface (BCI) applications. The ultimate goal of this research is the development of a novel classification method that can be used to control an interactive robot agent platform via a BCI system. The proposed classification process is an adaptive learning method based on an optimization process of the hidden Markov model (HMM), which is, in turn, based on meta-heuristic algorithms. We utilize an optimized strategy for the HMM in the training phase of time-series EEG data during motor imagery-related mental tasks. However, this process raises important issues of model interpretation and complexity control. With these issues in mind, we explore the possibility of using a harmony search algorithm that is flexible and thus allows the elimination of tedious parameter assignment efforts to optimize the HMM parameter configuration. In this paper, we illustrate a sequential data analysis simulation, and we evaluate the optimized HMM. The performance results of the proposed BCI experiment show that the optimized HMM classifier is more capable of classifying EEG datasets than ordinary HMM during motor imagery tasks.     

Motor Imagery and Error Related Potential Induced Position Control of a Robotic Arm

The paper introduces an electroencephalography (EEG) driven online position control scheme for a robot arm by utilizing motor imagery to activate and error related potential (ErrP) to stop the movement of the individual links, following a fixed (pre-defined) order of link selection. The right (left) hand motor imagery is used to turn a link clockwise (counterclockwise) and foot imagery is used to move a link forward. The occurrence of ErrP here indicates that the link under motion crosses the visually fixed target position, which usually is a plane/line/point depending on the desired transition of the link across 3D planes/around 2D lines/along 2D lines respectively. The imagined task about individual link's movement is decoded by a classifier into three possible class labels:clockwise, counterclockwise and no movement in case of rotational movements and forward, backward and no movement in case of translational movements. One additional classifier is required to detect the occurrence of the ErrP signal, elicited due to visually inspired positional link error with reference to a geometrically selected target position. Wavelet coefficients and adaptive autoregressive parameters are extracted as features for motor imagery and ErrP signals respectively. Support vector machine classifiers are used to decode motor imagination and ErrP with high classification accuracy above 80%. The average time taken by the proposed scheme to decode and execute control intentions for the complete movement of three links of a robot is approximately 33 seconds. The steady-state error and peak overshoot of the proposed controller are experimentally obtained as 1.1% and 4.6% respectively.