八通道经颅刺激脑电调控系统的设计

为提高经颅电刺激治疗的精确性和实现个性化治疗,设计了一种八通道经颅刺激脑电调控系统,在经颅电刺激的前和后监测并分析脑电信号,根据脑电信号状况调整经颅电刺激的参数,评价经颅电刺激治疗的效果;以STM32F407VET6为核心控制器件实现经颅电刺激与脑电信号采集的功能切换,软件上利用C#和MATLAB混合编程实现脑电信号的波形显示、频谱分析以及刺激参数的调整;实验结果表明,系统在输出经颅电刺激前和后成功地采集到脑电信号并进行数字处理;脑电信号眨眼波形与静息态α波形明显,系统可输出直流电刺激和标准方波、标准三角波以及自定义波形的交流电刺激,刺激电流幅值0～2 mA,频率0～1 000 Hz。     

用于动物实验的经颅直流刺激仪研制

为优化经颅直流电刺激(tDCS)相关实验,提出了一种用于动物实验的tDCS仪的设计方案.设备具有直流电刺激及脑电(EEG)监测功能,采用单片机MSP430F2618作为控制器,利用蓝牙实现上、下位机间的通信.上位机通过LabVIEW平台搭建软件实现功能切换、控制刺激电流强度以及EEG波形显示及数据存储.研究可实现利用电刺激后采集的EEG数据分析实验动物的脑部活动,为tDCS动物实验提供了一种小型化、无线化设备.     

经颅磁刺激线圈定位方法研究

本文首先简要介绍了经颅磁刺激(Transcranial Magnetic Stimulation,TMS)的技术原理与应用,其次重点比较了几 种常见的经颅磁刺激线圈定位方法,总结了 TMS 线圈定位面临的问题,然后提出了一种充分整合被试者大脑头皮外形、 脑解剖结构、脑功能区域定位三方面定量信息的改进的经颅磁刺激线圈定位方法,最后展望了经颅磁刺激线圈定位方法 的应用前景。     

智能电刺激仪中肌电反馈功能的设计

为了改善常规电刺激仪缺少主动训练模式导致的疗效不佳,在电刺激仪中引入一种新的肌电反馈方法,在肌电反馈设计中,针对病情不一导致的患者肌电幅值跨度大的特点,设计了自适应增益控制及滤波模块;采用了基于Delta-sigma计算技术的均方根值提取方法,检测患者自发肌电是否达到康复训练的闭值要求;并将均方根值作为反馈量控制刺激脉冲的输出;创新地实现了肌电信号的自适应增益调节、特征值提取及反馈控制.促使患者主动参与训练和治疗;经实验可知:系统已达到预定的功能,实现了康复治疗训练过程的智能化.     

听视觉反馈式电刺激仪的设计

为了改善常规电刺激治疗仪刺激参数不规范、采用被动治疗模式疗效不佳等缺陷,设计开发了以微处理器为核心的听视觉生物反馈式功能性电刺激仪。借助语音信号和可视化信号提示,促使训练者能主动参与训练;创新地实现了刺激电流实时监测和调节功能,便于医生根据患者病情设置刺激强度;采用可编程式触摸屏人机交互方式,使治疗参数准确量化。通过测试可知：该仪器实现了刺激参数的无级调节、显示和量化,有利于不同参数下的疗效评价对照,提高了电刺激的准确性和可重复性。     

改进的BP神经网络在运动想象脑电分类研究中的应用

传统BP神经网络算法由于自身结构设置导致反馈调节能力不甚理想,在运动想象（MI）脑电信号多分类问题上的鲁棒性与识别性能提升上还有待进一步优化。本文研究并应用了基于粒子群算法（PSO）与蝙蝠算法（BA）的改进BP神经网络,经过初始编码序列寻优实现对原始BP神经网络的权值与阈值的更新,进而提升BP算法在MI脑电信号中的分类识别能力。对08年BCI竞赛数据MI脑电信号的包络幅值特征进行四分类,平均结果为96.25%;实验室采集的MI脑电数据作进一步验证,二分类准确率为89.25%。实验结果表明BA-BP模型分类精度相较于PSO-BP方法提高了约24%,迭代效率提升了约50%,一定程度上抑制BP神经网络算法局部最优的出现,为脑电信号的多分类识别问题解决提供了一种新的途径。     

基于运动想象的脑电小车控制系统设计

为了实时采集并判断和分类人脑运动感知信息,文中基于人脑运动想象脑电信号设计了一套以共空间模式特征提取算法和支持向量机分类算法为核心的采集与判别系统,能够实时采集并分类人脑自发脑电信号,将不同运动想象的结果作为指令表达在智能小车的运动状态上,从而实现脑电实时直接控制小车实物。在此设计中完成了对系统整体的调试并对脑电等相关数据进行采集处理。分析结果表明,该系统稳定,分类准确率高,符合预期的设计要求。     

基于脑血管病患者功能性电刺激治疗仪的设计

为了改善脑血管病患者肌肉功能障碍,提高患者的肢体运动功能,研究设计了一台基于脑血管病患者功能性电刺激治疗仪;该仪器是以51系列增强型的单片机P80C552为核心,设计了以语音控制功能、液晶显示功能和脉冲电刺激功能为一体的硬件系统,以C语言编程方法为主的软件控制程序,并嵌入了多种治疗算法;通过单片机设定并显示刺激脉冲的波形、频率、宽度、幅值以及刺激的持续时间,并采用了AC-TO-AC转换器件得到刺激电路所需要的供电电压,它能够输出双向的电刺激脉冲,避免了因电刺激而产生的人体组织极化;通过对该仪器的研发,希望对增强脑血管病患者的肌力、恢复手部抓握动作有一定疗效。     

低频电刺激对健康成年人体感和运动诱发电位的影响

目的：观察低频电刺激(Low-frequency Electrical Stimulation，LES)对健康成年人体感诱发电位(Somatosensory Evoked Potential，SEP)及运动诱发电位(Motor Evoked Potential，MEP)的影响。方法：入选 25 例健康成年人(男 13 例， 女 12 例，平均年龄 42.95.7 岁)，采用经颅磁刺激仪(TMS)及肌电图仪，分别测量 LES 刺激前后 SEP 值及 MEP 值。结 果：健康成年人 LES 刺激后 SEP 及 MEP 值的潜伏期缩短、波幅增高，与刺激前比较，差异有统计学意义(P<0.05)；非刺 激侧无明显变化。结论：健康成年人 LES 刺激前后 SEP 及 MEP 参数值均有显著性变化，尤以波幅明显，提示电刺激对中 枢神经系统存在作用。     

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...     

运动想象脑电信号识别研究

通过对运动想象脑电信号的分类,对受试者进行身份识别。采用一种盲源分离算法——二阶盲辨识对运动想象脑电信号进行处理,提高运动想象脑电信号的信噪比,进而采用Fisher距离对处理后的信号进行特征提取,最后采用BP神经网络对特征集进行分类,从而实现对受试者的身份识别。对3位受试者的4类运动想象脑电信号分别进行了分类识别,结果显示,4类运动想象脑电信号的识别率均达到80％左右,其中最高的是想象舌动脑电信号,其识别率达到88.1％,这在类似研究中属于较高的水平。     

基于DTCWT的运动想象脑电特征提取

针对脑电信号采用单一特征识别存在自适应性差和识别率低等问题,提出一种基于双树复小波(DTCWT)的多特征融合的左右手运动想象脑电特征提取方法。对原始脑电信号进行DTCWT变换提取最佳时频段;对所提取的信号频段进行希尔伯特变换与Lempel-Ziv复杂度计算,将得到的时-频域特征与非线性特征组合为特征向量;采用线性判别分析(LDA)完成运动想象任务的分类。实验采用BCI CompetitionⅢ竞赛数据对该方法进行验证,仿真结果表明其识别准确率明显提高,最高可达89.84%。     

五种SVM参数寻优识别运动想象脑电比较研究

支持向量机(SVM)在脑电(EEG)分类中效果较好,其参数寻优方法直接关系着分类的准确率和所需时间.为了探索参数寻优对分类效果的影响,本文采用了固定参数寻优、直接寻优、网格寻优、遗传算法(GA)寻优和粒子群优化算法(PSO)寻优五种参数寻优方法,以BCI Competition Ⅳ data 2b数据集进行实验测试,对带通滤波后的数据进行瞬时能量特征的提取,利用五种寻优的参数分类器,得到了9名被试者4～7s时间内数据的分类准确率和分类所需时间.在用网格寻优和粒子群寻优的分类下,被试S4和被试S8的准确率分别高达96.875％和88.125％,用时最短为3.059 s.直接寻优和固定参数方法的准确率虽低,但分类用时仅为0.002 s和1.305 s,实时性上,更加适合于应用到在线系统中.     

基于多时窗共空间模式的HMM运动想象脑电识别

运动想象脑电具有识别效果不佳及复杂时序信号建模困难的问题;提出一种基于多时窗共空间模式的隐马尔可夫模型运动想象脑电识别方法,首先将运动想象脑电划分为多个短时窗信号,然后使用共空间模式提取特征序列,以滤除脑电通道间的冗余信息,最后采用前向-后相算法与Viterbi算法求解隐马尔可夫模型并完成分类识别;将本文方法在公开运动想象脑电数据集上进行实验,得到77.17%的分类正确率,相较隐马尔可夫模型算法提升了5.74%,验证了所提方法的有效性。     

运动想象脑电信号特征的提取与分类

为了能更好地对左右手运动脑电信号进行检测,用VC设计了脑电处理的上位机系统,利用小波变换和SVM的方法对脑电信号进行研究。这种方法主要是通过小波分解,针对C3电极处脑电信号,将脑电信号中各成分分别突出到不同尺度。提取不同尺度上的脑电信号的两种特征,即变化系数和波动指数。然后再将这两种特征组成一个向量送到支持向量机中进行训练和检测。共选取了四种采样频率,准确率最高达到98．32％。     

基于模糊化符号复杂度的脑电运动想象识别算法

提出一种基于模糊化符号复杂度的运动想象脑电信号特征提取与识别方法。在脑电信号的复杂度细粒化多符号度量中引入模糊算法,用sigmoid函数模糊化处理,逻辑判断得到模糊化符号复杂度。取细粒化指数n为2,提取模糊化符号复杂度作为特征值,最后利用支持向量机对脑电运动想象任务进行分类识别。实验结果表明,以模糊化符号复杂度为特征的分类方法,对左右手运动想象脑电信号的分类识别率最高达88.67%,优于二值化Lempel-Ziv复杂度算法。     

基于数据增强的运动想象脑电分类

针对运动想象脑电（MI-EEG）多分类问题,在已有研究的基础上进行改进,构建了基于深度可分离卷积的轻量级卷积神经网络（L-Net）和轻量级混合网络（LH-Net）,并在BCI竞赛Ⅳ-2a四分类数据集上进行了实验和分析,结果表明：L-Net比LH-Net可以更快地拟合数据,训练时间更短;但LH-Net的稳定性比L-Net更好,在测试集上的分类性能具有更好的稳健性,平均准确率和平均Kappa系数比L-Net分别提高了3.6个百分点和4.8个百分点。为了进一步提升模型分类性能,采用了基于时频域的高斯噪声添加新方法对训练样本进行数据增强（DA）,并针对噪声的强度进行了仿真验证,推测出了两种模型的最优噪声强度的取值范围。仿真结果表明使用了该数据增强方法后,两种模型的平均准确率最少提高了4个百分点,四分类效果均得到了明显提升。