脑控: 基于脑——机接口的人机融合控制

近年来,一类被称之为脑控的新型控制系统发展迅速, 这是一种基于脑--机接口(Brain-computer interface, BCI)的人机融合控制系统, 也是一种基于人的意念和思维的控制系统. 脑控系统已被成功应用于残疾人的生活辅助、中风病人和损伤肢体的康复训练、 操作员状态的实时监控、游戏娱乐和智能家居等广泛的领域. 本文在简要介绍了脑控的研究背景、基本原理、系统结构和发展概况的基础上, 着重对脑电信号(Electroencephalogram, EEG)模式、控制信号转换算法和应用系统研究等主要问题的研究现状, 进行了较为详细的论述和分析, 并探讨了进一步研究的方向和思路. 最后对脑控的未来发展方向和应用前景进行了分析和展望.     

脑电信号控制康复机器人的关键技术

本文介绍利用脑机接口控制康复机器人的方法。文章首先介绍了脑机接口的定义和研究现状，接下来详细介绍了利用稳态视觉诱发电位构造脑机接口的方法，最后利用该脑机接口实现了对假肢的控制。     

脑机接口系统的协同工作机制

脑机接口(Brain-Computer Interface,BCI)是一种新型的对外信息交流和设备控制方式。脑机接口系统的协同工作机制包含了人机协同和软硬件各模块间的协同。本文探讨了这些协同工作如何开展、各部件如何共同协调与协作来完成共同的任务。     

直接脑控机器人接口技术

直接脑控机器人接口(Brain-controlled robot interface, BCRI)是一种新型的人-机器人接口技术, 是脑-机器接口/脑-计算机接口(Brain-machine interface, BMI/Brain-computer interface, BCI)在机器人控制领域的重要应用和研究方向. 研究者相继在Nature、Science和其他重要国际期刊上报道了相关的实验研究和开发, 目前已成为国际前沿研究热点. 本文主要围绕BCRI中的控制策略、BMI/BCI模块与机器人多层控制模块的适应和融合、BCRI中的脑信号自适应分类算法以及人、BMI/BCI模块和机器人控制系统的三边自适应展开论述, 分析了目前的研究情况、存在的局限和面临的若干重要问题, 指出进一步的研究思路和方向.     

基于自发脑电的脑机接口实验研究与设计

针对基于自发脑电信号的脑机接口研究,设计了一种科学的且易实现的运动想象实验范例,利用运动想象脑电作为BCI的控制信号。该实验方案能有效地获得可识别的具有特征性的自发脑电电位,满足脑机接口实验要求,为BCI的研究提供了一种更加自然、更加实用的控制方式。     

脑机接口系统中的交互技术研究

首先介绍了脑机接口(brain-computer interface,BCI)系统的概念和基本组成,交互技术在系统中的重要作用,以及目前国际上比较典型的交互技术;其次鉴于当前交互技术中存在的不足,分析了如何使人在脑机接口系统发挥更重要的作用,提出了一种新的脑机接口实验范式,该范式中随着被试操作技能的提高系统性能可以得到明显提升;之后建立了该实验范式的原型机系统——基于BCI的倒摆交互控制系统;最后对脑机交互技术的发展及脑机接口技术未来的应用做了展望。     

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.     

基于能量熵的运动想象脑电信号分类

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

轮椅脑控算法研究与实验验证

文章介绍了一种基于BCI实现轮椅运动控制的新型控制方法,研究了一种便携化的脑机接口范式,搭建了适用于普通轮椅的便携化脑机轮椅控制系统;系统根据脑电信号的自身特点,选用Emotiv公司的EPOC无线便携式脑电仪采集脑电电波信号,由单片机控制,实现脑电电波数据的处理,由集成两个无刷电机的制动器执行命令,选用ZD6716V3作为无刷电机的控制器,且每个电机中,都有一个霍尔传感器,提供来自电机的速度反馈信号,以精确获取每个电机的速度参数,并将电机集成在轮椅后轮上,实现轮椅速度和方向的控制;此外,进行了基于脑电识别率的控制方式实验、基于小车的脑控实验以及基于轮椅的脑控实验;实验结果表明脑电信号的准确率可以达到83%,满足实际使用需求。     

无线便携式动物脑电遥测记录系统

开发出一套无线便携式动物脑电遥测系统。采集的数据经过放大、滤波后调制发射,接收器接收到无线信号后进行解调并通过串口打印显示出电压信号。实验中将测量电极植入大鼠颅骨内,并将信号采集发射器背负在大鼠身上,分别记录大鼠睡眠、清醒和癫痫脑电波形。实验结果表明该系统,复杂环境下发射器的发射距离达到20 m,可以稳定工作8 h,且具有体积小、功耗低、精度高等特点,适用于大鼠脑电遥测实验。     

基于AR模型的脑－机接口问题研究

在脑一机接口的研究中分类识别技术占有重要地位。将脑电信号中事件去同步化/相同步化现象作为特征信息,深入讨论基于AR模型的自适应算法（AAR）和多变量参数AAR模型算法（MVAAR）在脑电信号特征提取中的应用。结合三种分类器,对这两种算法进行了比较,实验证明两种方法的实验效果都很好,但是MVAAR算法比AAR算法能够达到更高的分类正确率,其阶次一般选取也比较低,数据仿真吻合度高,具有更强的通用性。     

基于脑机接口集成控制系统

针对目前大部分关于脑-机接口系统控制的目标都是单一对象（如：电灯、电视等）,利用界面分层方法实现了脑-机接口家电集成控制。此系统可以有效控制电灯、电视等设备并且可以进行文字输入操作,能辅助神经功能障碍患者（如瘫痪病人）,提高其自理能力和生活水平,也可以为特殊环境下（如太空环境）的健康者提供一种辅助控制方法。     

基于超声波传感器的脑控轮椅避障系统的研究

针对脑控轮椅行驶时因用户脑电信号的不稳定性可能引起碰撞事故发生的现象,提出了一种避障方法,并设计了多路超声波传感器避障系统及避障提示反馈界面;反馈界面上实时显示的提示信息将辅助用户做出有效的避障决策;当用户采用脑电自主控制轮椅运行时,若无法成功避障,则该避障系统立即启动紧急停车功能以避免与障碍物发生碰撞,保证了脑控轮椅用户的人身安全;实验结果表明:当把安全区域临界值、前后及左右紧急停车距离临界值分别设置为500mm、400mm和200mm时,该超声波传感器避障系统稳定性好、实时性强,能够满足脑控轮椅的用户安全导航的需要.     

基于脑电时频空多域特征融合的情感识别研究

传统基于脑电信号（electroencephalogram,EEG）的情感识别主要采用单一的脑电特征提取方法,为了充分利用EEG中蕴含的丰富信息,提出一种多域特征融合的脑电情感识别新方法。提取了EEG的时域、频域和空域特征,将三域特征进行融合作为情感识别模型的输入。首先计算不同时间窗EEG信号的alpha、beta、gamma三个频段功率谱密度,并结合脑电电极空间信息构成EEG图片,然后利用卷积神经网络（convolutional neural network,CNN）与双向长短期记忆网络（bidirectional long short-term memory network,BLSTM）构建CNN-BLSTM情感识别模型,分别对时、频、空三域特征进行学习。在SEED数据集对该方法进行验证,结果表明该方法能有效提高情感识别精度,平均识别准确率达96.25%。     

锅炉系统的神经模糊智能控制研究

将神经网络与模糊集相结合形成一类新的智能信息处理方法,利用神经网络的并行运算能力来实现模糊规则的快速推理,并用学习算法在线调整规则。通过在锅炉系统的仿真研究,证明了该系统的良好性能。     

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。     

面向脑电情感识别的改进多分类RVM模型研究

从相关向量机（RVM）和支持向量机（SVM）的相似性以及RVM的稀疏特性出发，将RVM应用于脑电信号（EEG）的情感识别中。针对一对一（OAO）和一对多（OAA）两种多分类方法各自的特点和不足，提出了一种全新的两层多分类模型（OAA-OAO），改进现有OAO算法中无效投票影响最终决策的现象。设计情感EEG信号识别对比实验，验证基于RVM的改进多分类算法在脑电信号情感识别中的应用。对于实验室采集的情感脑电信号，提取其非线性特征（功率谱熵、样本熵和Hurst指数）并采用主成分分析法进行降维。将OAA-OAO-RVM算法分别和OAO-SVM、OAO-RVM两种识别网络进行对比，分析RVM的识别性能以及OAA-OAO多分类算法的分类性能。结果表明，采用降维后的最优特征集合作为识别网络的输入向量得到的识别性能更高，且RVM表现出的性能优于SVM。同时，改进后的OAA-OAO算法较传统OAO模型的平均识别率提高了7.89%，证明OAA-OAO算法可有效去除一部分无效投票从而使分类精度得到显著提高，验证了此模型是一种有效的多分类模型。     

基于模糊逻辑控制的汽车动力系统的设计方法

本文基于模型参考跟踪理论，提出了一种克服汽车动力系统不确定性的模糊控制方法。横向速度和偏航经控制仿真研究表明，采用此方案的控制结果比较令人满意。