感知器算法在运动想象脑电模式识别中的应用

基于脑电(EEG)的脑机接口(BCI)是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。及时有效地提取和识别与运动想象相关的脑电模式可以帮助严重瘫痪病人控制光标或辅助运动设备以替代其受损的运动功能,建立一种与外界交流沟通的新途径。论文将以EEG(C3,C4)两个通道的mu节律能量作为特征向量,用感知器算法对左右手运动想象脑电模式进行识别,实验结果表明,正确识别率可达87.86%。由于感知器算法计算简单,故可以认为,感知器算法在脑机接口的应用中有较高的实用价值。     

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。     

多任务运动想象脑电特征的融合分类研究

针对运动想象脑-机交互任务模式单一、识别精度低、实用性较差等问题,采用改进的共空间模式（CSP）的特征提取方法,并利用支持向量机（SVM）与CSP融合分类方法对多类任务运动想象脑电特征进行分类识别。首先,选择特定导联上的脑电信号进行小波分解与重构,去除冗余信息;其次,利用特征参数做差的方法,得到较为明显的脑电特征;最后,通过SVM融合CSP的分类模式,对脑电特征进行多任务分类。利用BCI竞赛数据,对左手,右手,舌和脚四类运动想象任务的脑电进行识别。结果表明：分类正确率最高达到90.9%,平均正确率为86.8%,Kappa系数为0.8867,信息传输速率可达0.68 bit/trial,能够有效的获得脑电特征并较好的实现多任务运动想象脑电识别。     

基于运动想象的脑电信号特征提取研究

基于运动想象脑电信号的脑-机接口系统在医疗领域具有广阔的应用前景,被应用于运动障碍人士的辅助控制以及脑卒的预后康复。由于运动想象的脑电信号信噪比低、不平稳以及差异性显著,对脑电信号识别带来负面影响。一个有效的特征提取算法能够提高脑-机系统的脑电信号识别率。提出一种多通道的脑电信号特征提取方法,将数据矩阵分解为基矩阵与系数矩阵的乘积,以类间离散度做为性能判据对系数矩阵进行特征提取,提取可分性更高、维数更少的特征。结合脑电信号识别领域常见的分类器在2008年BCI竞赛数据集上进行验证,证明所提方法是有效的。     

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。     

基于深度卷积网络的运动想象脑电信号分类方法

为了提高多分类运动想象脑电信号的解码精度,以此促进脑机接口系统在生产生活中的应用.采用基于深度卷积网络的LeNet和AlexNet模型分析四分类运动想象脑电特性.将脑电信号通过预处理、数据归一化和数据增强,然后分别输入两个模型中进行分类.通过与现有不同的特征提取和分类方法对比,实验结果表明,在多分类运动想象脑电解码研究...     

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。     

想象左右手运动的脑电特征提取

针对脑机接口中脑电信号特征提取的传统方法特征数量多、计算量大及分类正确率低等不足,提出了一种基于时域、频域、空域结合的方法用于提取大脑在想象左右手运动时所产生的事件相关去同步(ERD)和事件相关同步(ERS)信号.分别用独立分量分析(Independent Component Analysis, ICA)和小波变换提取原始脑电信号的空域特征及时频域特征,并用BP(Back Propagation )神经网络对提取的特征进行分类.分类实验结果表明,运用提出的方法提取的想象左右手运动脑电的特征,有效克服了传统的仅基于时频域特征提取方法在描述脑电信号本质特征方面的不足,具有较好的分类正确率.     

一种基于运动想象的脑机接口软硬件系统设计与实现

随着计算机科学、信号处理技术、模式识别算法等的飞速发展,脑机交互成为新的研究热点.本文设计一种少通道的脑机接口设备,并使用一种简便方法对脑电信号进行特征提取,保持了一定的分类准确率,有较强的工程意义.     

基于语音识别技术的智能家居现地控制节点设计

分析了智能家居系统的研究现状,提出一种基于CC2530与LD3220结合的内网现地控制节点设计方案。该方案通过语音模块来传递控制信号,达到非接触式控制的目的,该控制方式比较方便,可以作为智能家居系统中本地控制的有效补充。设计调试表明,该设计方案可行、适用。     

基于AI+IOT的智慧家居系统

利用人工智能技术和深度学习算法,设计开发了基于AI+IOT的智慧家居系统。基于百度提供的免费的语音识别云平台,该系统使用ZigBee网络,对家居环境数据进行采集、分析,并通过物联网技术和人工智能技术实现远程语音控制各种家电的功能。基于深度学习,系统通过百度语音识别技术对自然语言进行语音识别,通过搭建系统编译环境成功融合了AI技术和IOT技术实现了具有语音控制功能的智能家居系统,致力于为人们提供更加便捷智能的生活。     

基于语音识别技术的智能家居主控设计

针对目前市场上大部分智能家居产品采用手机客户端控制,控制入口深、用户操作不便的问题,设计了一款具有语音交互功能的智能家居主控。该语音主控基于语音识别技术和Zig Bee技术,硬件上由科大讯飞AIUI语音处理模块、Zig Bee通信模块、麦克风阵列等组成。在软件上集成科大讯飞SDK编写了语音识别程序,实现家庭设备的语音控制;同时,编写软件程序实现手机客户端与语音主控的本地通信以及语音主控与阿里云服务器的远程通信;最后,设计实验并测试语音主控在本地与远程数据传输的延时与丢包情况。测试结果表明,本地与远程数据传输的平均延时分别为40ms和607ms,丢包率分别为0.038%和0.16%,数据传输的实时性与准确性可以满足智能家居场景的实际应用需求。     

基于智能云控的智能家居交互系统

智能家居的发展逐渐进入深水区,基础应用在生活中比较常见,这种将多种家居设备连接起来统一管理的模式也将继续发展.该篇文章介绍了智能家居的概念以及管理系统的组成,阐述了所涉及的基本技术,提出了一套能够提供第三方兼容的统一云平台智能家居交互系统.     

基于无线语音控制的智能家居系统设计

越来越多的智能家居进入人们的生活,如何对智能家居进行简单有效的控制是一个难题。设计一个无线语音 控制系统,主要由语音识别模块、单片机、无线发射模块和无线接收模块组成。编程中,通过简单地设置芯片的寄存器,将“你 好”这样的关键词传入芯片中,芯片就可以识别“你好”。试验结果表明语音模块可以准确识别口令并通过无线发射模块发送 信号,实时控制电器的电源通断。本系统可以代替人工接触电源开关更方便地控制家中的电器。     

基于Android的智能家居系统的设计

随着经济的发展和计算机技术的进步,智能家居系统逐渐进入部分家庭。本文基于Android平台,结合2.4G、红外线和蓝牙局域网无线通信技术,设计了一套智能家居系统。本文概述了系统的主要功能模块,并对分析了关键部分的设计方案,最后对系统功能的增加提出了解决方案。     

基于ZigBee技术的智能家居控制系统的设计

通过对近年来智能家居的研究,以S3C6410为智能网关的核心处理器,应用ZigBee无线传感器网络、嵌入式、Wi-Fi等多种技术,设计了一套智能家居系统。用户可利用手机远程监测家庭情况,并对家电设备等进行控制。实现了防盗自动报警、灯具自动控制、家庭环境监测、远程控制电器设备等功能。     

基于STM32的GSM智能家居控制系统设计

本文阐述了一种由GSM模块、STM32控制单元以及无线收发模块构成的智能家居远程监控系统,分析了其硬件电路设计方案和软件设计流程。该系统中,GSM模块采用TC35,用来实现与STM32的数据通信;无线收发模块采用蓝牙芯片BC417143,用来实现主控单元与被控单元之间的短距离无线通信。该系统利用GSM手机的短消息功能实现对家居环境的远程控制和远程报警,方案简单可行,具有明显的优势。     

基于ZIGBEE的智能家居系统的设计

本课题研究的目的和意义在于设计基于zigbee技术和ARM技术的智能家居系统,即通过CC2530模块组建家庭内部局域网,通过这些模块对家用电器进行控制,使用ARM网关将家电信息传送给服务器,同时也将控制命令转发给zigbee局域网,用户只需在任何一个能上网的地方或者通过手机,登陆家中的服务器,发送控制命令及查询命令,即...     

基于IIC和云服务器的智能家居控制系统设计

智能家居普遍采用无线通信技术对家居进行互联,不同的通信方法对智能家居系统的稳定性、便捷性、可靠性有很大的影响;针对智能家居的访问方式,通过对比不同的无线通信技术,选择合适的技术运用在智能家居系统的设计中,实现局域网和广域网两种访问方式;在无线传输的智能家居基础上,使用IIC总线进行功能扩展,使用云服务器来替代传统计算机服务器,增加了系统的灵活性和手机访问的快捷性,更好地实现家庭住宅管理与监测,为我们平时的生活提供便利和保护。