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%.     

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。     

混合脑机接口的研究进展

传统的脑机接口（Brain Computer Interface,BCI）有许多不足,如基于运动想象的BCI需要受试者进行大量练习;基于P300位的BCI需要多次重复闪烁;基于SSVEP的BCI上的控制命令数量受刺激频率及其他因素影响.为此,研究人员提出了混合脑机接口（hybrid Brian Computer Interface,hBCI）.本文主要讨论了hBCI的研究进展,综述了常见的三种hBCI类型,分别是基于多种大脑模式的hBCI、基于多种感官刺激的hBCI、基于多种信号的hBCI,通过分析最新的hBCI系统的一般原理、刺激范式、实验结果、优点和应用,发现利用hBCI技术可以提高BCI的分类准确率,增加控制命令的数量,明显优于单一模态的BCI.     

基于P300高性能BCI打字机的研究与实现

随着科技的发展,人们对于计算机能力的提高日益强大,从而推动了人机交互技术的不断发展。类似于传统的人机交互方式（键盘,鼠标,遥控器等）,脑机接口（BrainComputerInterface,BCI）技术同样也可以被当作成一种人机交互方式。在字符输入中,以往的诱发界面常用6×6矩阵（26个字母加10个阿拉伯数字）,并按照一定顺序排列并以横、列方式进行闪烁,然后利用P300来分析所输入的字符。本文按照字母出现频率不同以一定方式组合成不同的诱发界面,通过对比找出高性能的BCI打字机。为以后BCI系统诱发界面应用中提供一些必要的参考依据。     

多模态脑机接口游戏系统的设计与应用

在脑机接口应用中,游戏是其中一个重要的应用方向。脑机接口通过所包含的精神和情感的状态信息能够丰富游戏的趣味性,游戏反过来会推广脑机接口技术的应用。提出并实现了多人脑机接口扫雷游戏系统,该系统是采用玩家在想象运动和P300刺激时的脑电信号作为扫雷光标的控制信号,从而实现将运动想象和P300电位这两种模态的结合并应用到扫雷游戏中。详细介绍了整个游戏系统的实现过程,并提供了八名玩家的实测结果。实验结果表明这两种模态结合应用在游戏中的可行性。     

基于改进原型网络的P300脑电信号检测

从脑电信号中检测P300电位是实现P300脑机接口的关键. 由于不同个体间的脑电信号存在较大差异, 现有的基于深度学习的P300检测方法均需要大量的脑电数据来训练模型. 对于小样本的患者数据, 至今仍没有令人满意的解决方案. 本文提出了一种改进的适用于小样本P300脑电信号检测的原型网络方法. 该模型通过卷积神经网络提...     

闪光视觉诱发电位在脑机接口中的应用研究

运用叠加平均与快速傅立叶变化相结合的方法,提取大脑皮层的稳态视觉诱发电位SSVEP（steady state visual evoked potential）信号,并作为输入信号应用于脑控机器人系统。通过实验确定了测试电极、视觉刺激颜色与背景亮度等模式参数,并且研究了不同使用者在不同视觉刺激频率下的SSVEP幅值变化趋势。研究结果表明,该方法能更好地提高信噪比,提取出的稳态视觉诱发电位信号能够准确反映使用者的控制意图,应用于脑控机器人系统,取得了很好的效果。     

基于EEG的脑机接口发展综述

随着无线传输、机器学习、人工智能等技术的进步,基于脑电图(EEG)的脑机接口(BCI)技术的研究相应增加,作为一种变革性的通讯和控制技术,脑机接口可以广泛地应用于康复医疗、游戏娱乐、军事应用、家居智能等领域,具备千亿级别的应用市场;综述了基于EEG的典型脑机接口范式,包括MI-BCI、P300-BCI、SSVEP-BCI等范式的基本原理、研究现状和典型应用场景,对各类范式的优缺点进行了评价,提出了当前研究中面临的技术和伦理等方面的风险挑战,并对其发展和应用前景作了展望。     

基于稳态视觉诱发电位的脑机接口设计

为了设计出更适合的脑机接口,本文对基于稳态视觉诱发电位的概念进行了阐释,着重介绍了SSVEP信号原理与基础。对传统的三种刺激方法进行了简述,并最后选用LCD显示器实现简单闪烁刺激进行实验,采用正弦编码的方法对目标方块的灰度值进行调制,最终完成在线SSVEP-BCI系统设计。     

脑机接口中脑电信号的特征提取和模式分类

从智能处理与不确定性的角度, 探讨了脑机接口中的核心问题-EEG模式特征的识别和分类. 针对EEG模式分类中所存在的不确定性问题, 从EEG的特征提取和分类模型构建两个方面进行了分析, 并提出了解决问题的方法和对策. 以P300成分为例, 从导联选择、滤波处理和时间窗处理三方面进行特征提取, 采用贝叶斯线性判别分析的方法进行模式分类. 最后以第三届脑机接口竞赛P300字符输入的数据为实验, 分别采用3种不同的方法进行数据分析, 通过分类准确率和不同重复次数下性能的比较, 实验结果表明了本文特征提取和模式分类方法的有效性.     

PolyMorph: Increasing the Spelling Efficiency of P300 by Selection Matrix PolyMorphism and Sentence-Based Predictions

One application of the P300 brain electric signal is sentence spelling, which enables subjects who have lost control of their motor pathways to communicate by selecting characters in a matrix containing all alphabet symbols. This technology still suffers from both low communication/high error rates. A P300 speller, named PolyMorph, which jointly introduces the selection matrix polymorphism (reducing the matrix size by removing useless symbols) and sentence-based predictions (which forecast words on the basis of language statistics) is presented. This is accomplished by using a custom dynamic knowledge-base, tailored to the subject lexicon, and updated in real time with the selections of the subject. The effectiveness of the presented speller is measured in vivo and in silico. The results suggest that the use of PolyMorph increases the number of spelt characters per time unit and reduces the error rate.     

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。     

A submatrix-based P300 brain-computer interface stimulus presentation paradigm

The P300 event-related potential (ERP), with advantages of high stability and no need for initial training, is one of the most commonly used responses in brain-computer interface (BCI) applications. The row/column paradigm (RCP) that flashes an entire column or row of a visual matrix has been used successfully to help patients to spell words. However, RCP remains subject to errors that slow down communication, such as adjacency-distraction and double-flash errors. In this paper, a new visual stimulus presentation paradigm called the submatrix-based paradigm (SBP) is proposed. SBP divides a 6×6 matrix into several submatrices. Each submatrix flashes in single cell paradigm (SCP) mode and separately performs an ensemble averaging method according to the sequences. The parameter of sequence number is used to improve further the accuracy and information transfer rate (ITR). SBP has advantages of flexibility in division of the matrix and better expansion capability, which were confirmed with different divisions of the 6×6 matrix and expansion to a 6×9 matrix. Stimulation results show that SBP is superior to RCP in performance and user acceptability.     

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(BCI)系统的实时数据传输技术研究

脑机接口（BCI）系统包含两大模块：脑电信号采集与处理。其中采集和处理程序间实时数据传输是需要解决的关键问题之一。本系统采用LabVIEW语言开发信号采集程序,考虑程序运行速度,信号处理程序用Visual C^＋＋设计。本文对各种Windows下进程间通信（IPC）机制研究之后,提出用动态链接库（DLL）来实现基于文件映射的共享内存技术。实验结果表明,该技术能够很好地满足采集数据的大批量、高频率和多通道等要求。     

基于小波预处理和贝叶斯分类器的P300识别算法

提出了一种高效的诱发电位P300成分识别算法用于脑计算机接口.采用小波分解与重构法去噪,根据P300特征决定小波基函数和分解层教,抽取出最明显的特征成分,结合基于证据框架的贝叶斯回归学习方法,获得对应类别概率进行分类决策.数据来源于2004 BCI Competition Ⅲ中的dataset PⅡ300字符拼写实验...     

基于ARM的脑机交互信号采集系统设计

在脑机交互(BCI)中,基于ARM以太网接口设计了脑电信号采集系统,主要由以太网控制器、ARM处理器、LCD液晶触摸屏组成.以太网控制器实时接收EEG信号处理器通过以太网发送来的脑电数据包,然后通过SPI接口将数据包送到ARM处理器内部,接收完毕后ARM处理器将数据包层层解封,最终得到脑电数据,进而可对脑电数据进行进一步处理,同时通过LCD液晶屏实时显示脑电图.相对于以电脑为中心的传统脑机交互信号采集系统,该系统具有体积小、能耗低、携带方便和实用化强等优点.试验证明,脑电信号的采集以及一些简单的信号处理可以在该系统中很好地实现.更多的信号处理正在进一步的试验中.本设计将逐步代替电脑,成为脑电信号采集和处理的中心,为脑机交互技术的实际应用提供可能,促进脑机交互研究向小型化,产品化方向发展.