基于稳态视觉诱发电位的脑电控制上肢康复机器人

针对现阶段基于脑机接口(brain-computer interface,BCI)的康复机器人存在多目标分类时间长、识别准确率仍有待提升的问题,设计了一种由脑电信号控制的上肢康复机器人,对脑电信号中的稳态视觉诱发电位(steady-state visual evoked po-tential,SSVEP)分类,进而判断出受试意图并输出相应动作指令.基于MATLAB的Psychtoolbox工具箱设计了包含5个刺激矩形的频闪界面作为视觉刺激器,刺激大脑生成SSVEP信号,对应上肢康复机器人的5个控制指令.运用多导联同步指数(multivariate synchronization index,MSI)算法对采集到的信号进行分类并输出控制指令,机器人在接收指令后执行特定动作.实验得到的机器人动作正确率最佳为98.33％,平均信息传输速率为23.11 bit/min.结果表明:SSVEP信号控制的上肢康复机器人在辅助治疗的方面具有良好的应用前景,可以有效提高肢体偏瘫患者的康复效果.     

基于多种灰度闪光刺激的P300脑-机接口性能研究

因P300脑-机接口系统的准确率和信息传输率较高,已被广泛应用。研究表明,视觉刺激的强度会影响脑-机接口系统的性能,本文对此展开了相关范式研究。首先,按人眼感知灰度的敏锐度将视觉刺激强度划分为9种灰度值并设计刺激范式;然后,通过实验采集9种灰度值刺激源诱发的P300电位数据;最后,对数据进行分析,得到灰度值与P300电位强度和电位分类准确率的关系信息。实验结果表明,振幅、潜伏期与灰度值之间存在一种波动增长关系,同样,灰度值与电位分类准确率也呈现此种关系,为P300脑-机接口系统的刺激源设计提供了重要依据。     

基于脑电的脑机接口刺激系统的研制

脑机接口(BCI)是在人脑和外界之间建立不依赖于常规大脑信息输出通路的一种通讯系统.脑机接口刺激系统的作用是通过对受试者施加一定的外界刺激来诱发具有一定特征的脑电波.本研究基于多种刺激模式的脑机接口视觉刺激器,采用计算机编程,在计算机屏幕上实现了基于VEP、P300、想象运动的3类刺激模式.该系统能够通过特定的刺激从而有效地诱发出可识别特征的脑电信号,采用XML技术使得该刺激系统具有较强的可扩展性,可以满足脑机接口实验的需要.     

基于P300的脑-机接口: 视觉刺激强度对性能的影响

脑-机接口(BCI)是大脑与外部世界直接的交流通道.为了研究视觉刺激强度对基于P300的脑-机接口性能的影响,设计并实现了一种基于5个选择oddball的P300诱发电位范式的脑-机接口系统,并在此系统中研究2种不同强度下视觉刺激(高强度和低强度)下脑-机接口的信息传输率差异.9名受试者参加了实验,每位受试者在高低2种强度视觉刺激下各采集40组数据,数据在预处理后使用支持向量机进行分类,最终的目标识别率分别为84%和81%.平均波形表明在所设计的范式下2种强度视觉刺激均可以诱发出稳健的P300电位,离线分析表明高强度视觉刺激下平均信息传输率可以达到4.9 bit/min, 而低强度视觉刺激下为 4.5 bit/min.     

隐秘信息的脑电检测

为揭示疑犯隐藏的真实信息,检测隐秘信息的脑电,设计了一个猜测受试者真实名字.结果表明:在个体对不同自我相关程度名字产生刺激,在刺激出现后的300～600 ms内,本人名字诱发的正波幅值大于陌生名字刺激.通过小波变换提取特征,用支持向量机进行训练和分类.在进行5个试次叠加平均后,采用PO3通道可将自己的名字分类成功,5位被试平均正确率达98%,该方法可应用于个体隐秘信息的脑电检测.     

基于Golay序列调制的视觉诱发电位脑机接口系统

脑机-接口是一种新型的人机交互方式,不依赖于外周神经和肌肉,而是直接将脑电信号翻译成计算机的控制命令。针对传统脑机-接口系统识别准确率低、可识别目标少等问题,提出了一种基于Golay序列调制的视觉诱发电位脑机接口系统。首先受试者必须注视着屏幕上闪烁的目标,通过脑电放大器对人脑表皮层产生的信号进行采集、放大、A/D转换等预处理操作,然后经过实时分析软件对预处理后的脑电信号进行分类识别,取出大脑特定获得下的特征;最后将其转换为计算机的控制命令,并将输出结果反馈给用户。系统选取了Golay序列对刺激目标进行调制,且运用模板匹配法对目标进行识别。实验结果表明,该方法能有效的识别刺激目标,且获得了93.75%的识别准确率。     

影响单眼SSVEP控制的视力因素研究

基于稳态视觉诱发电位脑机交互方法的脑控机器人研究是国际上的热点话题.从20名被试中选取8名双眼具有不同视力差的被试,完成长时间单眼SSVEP机器间协作控制.通过总平均时长为11分41秒的实验得到双眼和单眼SSVEP控制的平均准确率分别为86.85%和82.74%.本研究显示,对于传统SSVEP刺激范式长时间单眼SSVEP机器间协作任务控制的准确率可以满足基本控制要求,被试双眼视力差值较大时会降低SSVEP控制的准确率.本研究结果可望应用于基于单眼SSVEP可穿戴设备的开发以及单眼SSVEP控制的相关研究,期望为脑控多机器人协作任务推向实用化控制打下一定的基础.     

改进的Wigner-ville分布提取P300视觉诱发电位

对视觉诱发电位P300快速有效提取是脑-机接口技术研究的重要问题.针对脑电信号非平稳性的特点,采用改进的Wigner-ville分布(WVD)提取视觉诱发电位P300.首先,以Oddball实验范式作为视觉诱发刺激范式,获取脑电测量信号;然后,利用共平均参考、带通滤波、数据分割等方法对采集的脑电信号进行预处理,以去除各种噪声和干扰,获得诱发脑电数据.最后,采用少次相干平均结合改进的Wigner-ville分布方法,提取P300视觉诱发电位.仿真结果表明:对比传统的Wigner-ville分布,改进的方法能够有效地获得视觉诱发电位P300,同时抑制交叉项干扰,克服了长时间视觉刺激引起神经系统疲劳而导致P300电位产生误差,为建立在线脑-机接口系统提供支持.     

事件相关电位中P300成分的提取及分析研究

本论文中以实验为基础来研究P300,实验采用诱发P300的经其实验模式——Oddball模式,通过视觉刺激诱发得到P300波形。ERP数据的分析以时域的数据统计分析为主,从中提取了ERP信号中P300成分的两个特征参量——幅值和潜伏期,并时不同捌激序列诱发产生的P300,不同被试或同一被试在不同导联处的P300的特征参量进行分析对比。发现随着刺激序列难度的增加,P300的潜伏期延长。P300的幅值在大脑顶区达到最大值,并通过ERP的电压地形图分析对上述结果进行对比印证。     

语义匹配性及刺激间隔对视听双模态脑控字符输入系统的影响

近年来,基于事件相关电位(ERP)的脑控字符输入系统的研究越来越多,视觉与听觉的多模态刺激范式作为一种新型的复合刺激越来越受到关注.然而,研究视听双模态刺激的脑控字符输入系统性能因素的文章却很少报道.本研究旨在初步探究视听觉刺激的语义匹配性以及刺激间隔(SOA)对视听双模态脑控字符输入系统的影响.为此,本研究设计了语义匹配、语义失配两种刺激范式,每种范式又设置两种不同的刺激间隔(200,ms或400,ms).10名健康被试参与了本实验,通过对比事件相关电位特征、可分性及分类正确率发现视听觉匹配性、刺激间隔以及两者交互作用对非目标刺激大脑反应、目标刺激大脑反应及其可分性都有显著性影响,且视听觉的匹配性对视听联合脑控字符输入系统分类正确率影响显著,但是不同刺激间隔脑机接口分类正确率之间并无显著性差异.本研究的结果能够为基于双模态刺激脑控字符输入系统的范式选择和优化提供一定的指导意见.     

人体下肢康复训练机器人及其造型设计

为帮助中风后的病人、下肢运动功能弱的老年人、事故或灾难造成的人体下肢运动障碍等的人群进行行走能力的恢复,设计了一种针对人体下肢运动功能恢复的康复训练机器人,解决了智能康复辅具的不足问题.该康复训练机器人由机构、控制系统和安全系统构成,并集成了多种传感器,可实时伴随训练人士,通过人机交互系统实现自动向前、左右转弯和防摔倒等功能.实验表明该系统操作简单,可靠性高.开发了两代下肢康复训练机器人,第一代康复训练机器人已在医院得到了初步应用.对文中讨论的第二代康复训练机器人在造型和局部功能方面进行改进,给出了康复训练机器人的造型设计方案.      

组稀疏贝叶斯逻辑回归的P300信号通道自动选择算法

为了提高脑机接口中P300脑电信号的分类准确率和计算速度,提出一种组稀疏贝叶斯逻辑回归的P300脑电信号通道自动选择算法.该算法首先在贝叶斯框架下建立P300脑电信号的解码模型,其次提出先验的组自动相关确定(GARD)方法构建组稀疏约束下的P300脑电通道权重系数,最后通过最大似然估计来求解超参数并选出P300脑电通道最优子集,避免了大量的交叉验证过程.所提方法在BCI竞赛数据和自采集数据上进行了验证分析.实验结果表明,所提的方法能够自动选择P300脑电通道子集,提高了P300特征分类准确率.     

基于柔性关节的下肢康复机器人设计与分析

结合国内外现有的下肢康复产品及研究成果,研制了具有柔性关节的坐/卧式下肢康复机器人,采用摄像分析法进行步态分析,并对下肢康复机器人进行了动力学建模、分析及仿真.研究表明,下肢康复机器人对脑卒中患者的康复训练、脊髓损伤和截瘫、骨折患者的重新行走均能起到辅助作用,实现患者恒力恒速运动.      

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。     

基于运动相关脑电特征的手运动方向识别

为了研究如何从无创运动相关脑电中提取运动信息作为上肢主动康复训练的控制命令,通过设计实验,使右手完成左、上、右3个方向的运动,同时采集脑电数据和右手运动信息.通过小波时频分析确认与右手运动相关的脑电频带,并提取其小波分解系数作为特征,采用支持向量机进行特征分类,根据方向识别准确率分析提取特征的有效性.结果表明,运动脑电delta和theta频段的小波系数特征可以有效区分右手不同方向的运动,方向识别准确率的均值接近65%,并且用准备阶段特征分类的结果普遍优于运动阶段特征,因此,在手运动之前诱发的脑电活动含有丰富的运动信息,可用于脑-机接口系统提取上肢主动康复训练的控制命令.     

基于人体姿态信息的下肢康复机器人运动控制技术

针对下肢运动功能障碍患者术后康复训练辅助设备的跟随控制问题,本研究提出一种基于人体姿态信息的下肢康复机器人运动控制方法。根据康复机器人的结构特性和功能要求,建立机器人运动数据信息采集系统和下肢康复机器人的运动学模型;构建机器人平台上的人体姿态行为信息采集传感器系统,通过分析位移传感器所采集的数据,得到表征人体姿态行为变化的相关信息,经上位机计算生成康复机器人的期望跟随速度;同时,基于模糊PID控制算法设计了跟随控制器。通过仿真和实验验证该控制算法能够有效减小机器人实时跟踪使用者运动过程中的误差,实现康复机器人对人体运动姿态良好的跟随效果。     

基于核极限学习机的下肢关节力矩预测方法

针对极限学习机(extreme learning machine, ELM)预测下肢关节力矩时,随机初始化输入权重和偏置影响模型准确度问题,提出一种基于核极限学习机(kernel based extreme learning machine, KELM)的下肢康复机器人关节力矩预测方法。该方法将高斯核函数与ELM相融合,并采用遗传算法(genetic algorithm, GA)与粒子群优化(particle swarm optimization, PSO)结合的基因粒子群(genetic algorithm- particle swarm optimization, GAPSO)对KELM的参数进行优化。首先,采集1位在跑步机上以0.4、0.5、0.6、0.7和0.8 m/s等5个不同速度行走的右下肢偏瘫患者运动数据并对数据进行预处理;其次,通过GAPSO对KELM进行优化,获得最优参数正则化系数C和核函数宽度参数S ,将输出关节力矩与反向生物力学分析计算的关节作比较;最后,利用均方根误差(root mean square error, RMSE)和相关系数（P）来评价算法优越性。实验结果表明,基于GAPSO优化后的KELM(GAPSO-KELM)算法相对于PSO-KELM算法、KELM算法和ELM算法的平均最大均方根误差分别降低14%、18%、28%,且P除了0.8 m/s右侧踝关节内外翻是0.79外,其余P最小是0.84,GAPSO-KELM算法进一步提高预测精度,使其为康复治疗提供更有效的算法支持。     

一种基于卷积神经网络的下肢动作模式识别方法

针对目前下肢动作模式识别技术存在的数据量少、识别率低的问题,提出了一种新的基于卷积神经网络的下肢动作模式识别方法。以下肢步态动作识别为对象,采集无负重平地行走,无负重上/下楼及负重上/下楼5种步态的表面肌电信号（surface electromyography,sEMG）,对sEMG进行特征提取,构建了一种以特征集作为输入的卷积神经网络,并比较了其与另外几种传统分类识别方法的识别准确率和工作特征。实验结果表明,新方法对于5种步态的平均识别准确率大于95%,错误率都低于8%,具有较高的准确性。因此所提方法的输入特征集更能代表预测模型特征,模式识别率更高,可为康复医疗机器人、助力机器人等设备改善下肢运动功能提供参考。     

基于盲辨识理论的双通道肌电信号建模与分类

基于肌电信号产生机理 ,对双通道前臂肌电信号建立单输入多输出 IIR系统模型 ,由于模型输入未知且不可测 ,采用了盲信道辨识方法对模型传递函数进行辨识 .通过提取模型参数作为信号特征 ,能够对握拳、展拳、前臂内旋和前臂外旋四类前臂动作进行识别 .实验表明 ,该方法运算量小 ,适合在线实现 ,性能要优于传统的 AR模型方法