基于脑机接口与双激光雷达的移动车导航系统

针对脑机接口信噪比低、准确率差和延时长等问题,提出了基于机器智能辅助的室外移动机器人脑机接口导航方法.设计并实现了一个基于脑机接口与双激光雷达的移动车导航系统.该系统首先采用了基于双激光雷达的改进的角度势场法进行局部路径规划,然后结合脑机接口系统获取的导航意图,经过融合决策给出控制命令,驱动一辆经过机械系统改装的电动汽车.实验表明,该系统能根据环境障碍信息和脑机控制意图实现智能避障与人机协同导航,具有更高的准确性、容错性和鲁棒性.     

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。     

面向脑控车辆的模糊融合控制方法研究

脑控车辆（brain-controlled vehicle,BCV）是指利用脑机接口（brain-computer interface,BCI）解析驾驶员的脑电信号（electroencephalogram,EEG）从而获得控制命令的车辆,其性能受BCI本身性能影响很大。目前,BCI的识别准确率、可识别分类的指令数都受限,并且其指令识别时间较长,因此仅靠脑电信号控制的车辆,其控制性能并不理想。针对在BCI性能受限的情况下提高脑控车辆的控制性能这一问题,基于模糊逻辑,提出了一种模糊脑控融合控制的方法：基于模糊离散事件系统（fuzzy discrete event system,FDES）监督理论对于驾驶员给出的脑控指令的正确程度进行监督评估;同时基于模糊逻辑设计一个自动控制器根据车辆当前状况进行模糊推理得到自动决策;根据评估后驾驶员指令的正确程度与自动决策进行二次模糊推理,对自动决策作出更符合人意图的调整,得到最终决策。为证明所提方法的有效性,采用一种新型的SSVEP（steady-state visual evoked potential）型脑机接口设备。并基于此平台,设计了后续实验,验证了所提出的方法能够在BCI性能受限的情况下提高脑控车辆的控制性能。     

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。     

基于视觉导航的智能轮椅控制系统

为有效实现基于标识线的轮椅视觉导航功能,设计一种嵌入式智能轮椅控制系统。该系统采用图像数据压缩技术突破存储容量与运行速度的限制,提出标识线自适应阈值提取算法,用于实现不同光线环境下的阈值提取,引入模糊比例-积分-微分控制算法实现对轮椅路径跟踪的稳定控制,通过将超声波避障和手动干预等技术融合到视觉导航控制系统中,保障轮椅运行的安全性。实验结果表明,智能轮椅在各种环境下运行安全稳定。     

基于运动想象脑电控制的智能家居系统

将智能家居与脑机接口(Brain Computer Interface,BCI)技术相结合,利用“意念”实现对家居的操作与控制,能够为运动障碍人士提供更友好和便利的家居生活,具有重要的社会意义.本文以左右手运动意图为例提出一种基于运动想象脑电控制的智能家居系统,对系统设计中涉及的脑电信号采集、噪声滤除预处理、特征提取和分类识别等方面进行研究,并给出系统的实现方案.     

基于Android手机的智能轮椅室外导航方法

将Android手机与Google卫星地图结合,可作为便携易用的室外导航控制器.利用Google卫星地图提供的环境数据,提出一种基于Android手机进行智能轮椅室外导航的方法.该方法采用扩展卡尔曼滤波进行信息融合,以提高轮椅位姿估算精度,建立基于行为的动态路径规划算法,实现局部未知环境下的路径规划.通过室外导航实验验证了该方法的有效性.     

基于脑电波传感器的智能轮椅控制系统

针对普通轮椅残障人士使用不便,智能化程度低等问题,提出了一种基于脑电波传感器的智能轮椅控制系统.系统采用STM32单片机为控制核心,以蓝牙透传的方式与脑电波传感器进行通信,在脑电波信号数据流解析中,通过数字陷波器滤噪,并研究设计了改进的滑动窗口算法、特征提取算法和K-近邻算法,实现了对脑电波信号的模式识别.通过实验验证,该系统具有响应时间短和识别准确率高的优点,完成了对轮椅运动轨迹的意念控制.     

基于脑肌电信号的机械臂控制方法与实现

针对脑-机接口目前存在的输入信息源单一、特征识别准确率低、输出控制指令少的问题,本文提出一种基于脑肌电信号的机械臂控制系统。首先对单侧手臂肌电信号和左右手运动想象脑电信号进行同步采集,然后分别进行特征提取和分类识别;并最终将分类模型应用于机械臂的多指令实时控制中。实验结果表明：20名被试者均实现了机械臂的多指令实时控制,且各动作识别准确率平均达到了95%以上。该系统模型丰富了混合脑-机接口的多样性,为脑-机接口在机械臂的控制应用提供了理论依据和实践基础。     

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。     

多特征融合的运动想象脑电特征提取方法

针对单一特征识别率低、自适应性差等问题,提出一种基于希尔伯特-黄变换（HHT）和共同空间模式（CSP）的特征提取方法HCHT。首先,对原始脑电信号（EEG）进行经验模态分解（EMD）得到固有模态函数（IMF）,并将IMF分量合并成新的信号矩阵;然后,对IMF进行希尔伯特谱分析,得到信号的时-频域特征;接着,对构造的信号矩阵进行进一步的CSP分解,将时-频域特征扩展成时-频-空域特征;最后,通过支持向量机（SVM）对特征集进行分类。在BCI Competition II数据集的实验表明,与HHT时-频域和CSP空域特征的方法相比,所提方法的识别准确率分别提高了7.5、10.3和9.2个百分点,且标准差更小。在智能轮椅平台进行在线实验的结果表明,HCHT能有效提高识别准确率和稳定性。     

基于样本熵和模式识别的脑电信号识别算法研究

脑-机接口BCI是一种实现人脑和外部设备通信的新兴技术。基于时频特性进行特征提取的传统方法无法体现EEG信号的非线性特征。为了进一步提高分类的准确率,首先采用小波阈值降噪的预处理方法提高了EEG信号的信噪比。然后结合非线性动力学的样本熵参数,对3种想象运动的脑电信号进行特征提取,保留了脑电信号的非线性特征。其中,运动想象MI脑电信号的研究一直都是BCI这一高速发展领域的重点目标。还研究了支持向量机、LVQ神经网络和BP神经网络3种分类器。通过实验结果对比发现,BP神经网络具有较高的识别率,更适用于脑电信号的分类识别。     

基于SPCE061A的智能轮椅控制系统硬件设计

随着人口老龄化问题越来越严重以及人民生活水平的提高,无论是高龄老年人还是先天或后天肢残者对轮椅等辅助步行工具的需求将日益迫切。在脑电设备的发送和接收控制端加入了基于SPCE061技术的语音识别系统,当大脑发出操作意图时,该信号经过处理触发语音播报系统,而受控设备上安装的语音接收端经过语音辨识,发出正确的驱动信息并进行语音播报,从而控制轮椅的电机系统,如果驾驶者从听觉上感知到信息错误,可及时调整大脑意识,从而实现脑电识别和语音识别对智能轮椅的双保险控制,为有肢体障碍的残疾人提供一种新的控制方式。     

基于PCA与SVM结合的面部表情识别的智能轮椅控制

为了实现基于面部表情识别的智能轮椅控制,在传统的支持向量机(SVM)面部表情识别与分类方法的基础上,采用基于"八眼"的面部有效区域提取方法,将基于主成分分析(PCA)的面部表情特征提取方法与支持向量机分类方法相结合,实现了面部表情的识别与分类,并最终实现基于面部表情识别的智能轮椅的运动控制。实验结果表明,所采用的方法在识别率上明显优于传统SVM与PCA方法。     

基于EEG微状态方法的视觉想象识别研究

运动想象M I是基于想象的脑机交互BCI中常用的任务,但M I不易习得和控制,且存在"BCI盲"现象,使得该类BCI的实用化受限.针对较易习得和控制的视觉想象VI任务进行识别,旨在构建基于VI的BCI(VI-BCI).招募了15名被试者参加2种动态图像的视觉想象任务并采集脑电EEG数据;然后采用EEG微状态方法研究了这...     

基于意图识别的智能语音交互机器人设计

为提高智能语音交互机器人语音交互的准确率,提出一种基于意图识别的机器人智能英语语音交互方法。通过引入Glove＿BiGRU＿Self-attention分类预测模型构建意图识别功能模块,并采用ROS分布式架构对系统功能模块进行整合,实现人机的智能语音交互。仿真结果表明,采用所提方法进行的语音意图识别,具有更高的准确率,相较于基于DCNN模型、基于CNN-LSTM模型与基于单向构建的GRU-Self-attention模型的意图识别方法,识别准确率分别高出8.03%、4.07%和2.14%,具有更好的识别效果;在特征提取上,训练时间较传统基于BiLSTM模型的提取方法,BiGRU的训练时间缩短了4倍,训练效率更高。实验结果表明,采用所提意图识别方法搭建的语音交互系统,对用户英语语音指令的识别准确率和识别效率依然拥有较好的结果,识别平均准确率达到了89.72%,识别时间均在0.35 s之内,证明所提方法可以应用于实际语音交互之中。应用实验表明,采用基于意图识别方法搭建的智能语音交互机器人,无论是在问答交互还是控制命令上,都可以准确对用户英语指令进行识别,根据用户要求进行相关回答或完成相应动...     

基于唇形的智能轮椅人机交互

提出了一种新颖的基于唇形的智能轮椅人机交互方法.该方法通过定义不同的唇形来控制智能轮椅的运动,使用者在噪杂环境中也能进行和谐、方便地人机交互.首先使用adaboost算法在视频帧中实时、准确地检测唇部,然后通过离散余弦变换(Discrete Cosine Transform DCT)提取唇部特征.针对经DCT变换后特征矢量维数较高以及支持向量机(Support Vector Machine SVM)在解决小样本、非线性及高维模式识别中表现出的优势,最后使用SVM进行唇形的识别,并将识别结果转换成控制指令来控制轮椅的运动.实验证明,该方法能有效地识别不同唇形并可用于实时控制智能轮椅的运动.     

混合脑机接口及其研究进展

脑机接口（brain-computer interface,BCI）技术作为一项新兴且发展潜力巨大的技术,已成为国际研究热点。但面向实际应用,现有BCI技术仍面临许多有待解决的问题,如基于稳态视觉诱发（SSVEP）的BCI技术控制命令数有限,基于运动想象（motor imagery,MI）的BCI存在诱发生理信号空间分辨率低、训练时间长等问题。研究表明,混合脑机接口（hybrid brain-computer interface,HBCI）相比于传统单模态BCI系统,在系统准确率、稳定性方面均有所提升。文章对HBCI进行了介绍,从基于多脑电模式的混合脑机接口、基于多种刺激诱发的混合脑机接口、基于多模态信号的混合脑机接口这三个类别分别对HBCI的研究进展进行阐述,并对HBCI关键技术、需要解决的问题及应用方向进行了概述。     

基于多模态脑机接口的智能小车自动驾驶系统

在传统的控制系统当中, 人们依赖于使用手柄、操纵杆等设备来与外部设备实现人机交互, 这对于具有运动障碍的患者来说是具有挑战的. 而脑机接口(BCI)技术可通过脑环将脑电信号转化为对外界设备的控制命令, 使这些患者可以由大脑“意识”直接控制外部设备. 本文提出一种基于多模态脑机接口的智能小车自动驾驶系统, 该系统融合了受试者的脑电信号、眼电信号和陀螺仪信号3种模态的信号来控制小车. 其中, 脑电信号用于控制小车的速度, 眼电信号用于控制小车的启停, 陀螺仪信号则用于控制小车的转向功能. 此外, 我们还融合了计算机视觉技术, 为智能小车增加了自动驾驶功能, 使得控制更加智能化. 经过实验表明, 10名受试者使用该系统控制小车的平均准确率达到了92.47%, 平均响应时间为1.55 s, 平均信息传递速率达到了55.94 bit/min, 从而说明该控制系统是有效且高效的. 此外, 为了验证小车的自动驾驶功能, 我们设置了多个对比实验进行验证. 实验结果表明, 与手动驾驶相比, 虽然该自动驾驶系统在操控小车的速度上存在劣势, 但是在准确率与稳定性上具有更好的性能优势. 证明该系统可以为残障人士带来更好的操控体验, 在脑控应用和自动驾驶领域具有广阔的应用前景.     

用于脑-机接口P300实验的支持向量机分类方法

脑-机接口(BCI)技术利用脑电来实现无动作的人机交互.P300字符拼写范式是利用脑电信号实现文字选择输入的一种重要BCI实验范式,它通过对EEG中的P300信号的检测和识别,来推断试验对象(被试)对字母的注意选择.以2005年脑一机接口竞赛中的一组P300字符拼写实验数据为处理对象,采用支持向量机(SVM)的机器学习方法进行算法设计,对信号通道进行了筛选,并采用较少的EEG通道数据进行处理.另外,通过调整参与训练的数据集大小,扩大了v-SVM中参数v的取值范围,更有利于分类器设计.通过上述策略,提高了该BCI实验范式中的系统总体分类精度.上述方法对于测试集字符最佳识别正确率可达到89%,相比于我们参加该届竞赛时所用的线性分类器(LDA),字符识别正确率提高了3%.