一种基于SSVEP的脑-机接口阅读系统

针对目前基于脑-机接口(BCI)的应用系统较少的问题,设计了一个可以帮助严重运动障碍残疾人实现书籍阅读的系统。系统基于稳态视觉诱发电位(SSVEP)脑-机接口,采用CPLD平台设计视觉刺激模块,运用典型相关分析(CCA)算法在Visual C++平台上设计一个实时在线程序采集,分析脑电信号,并产生控制信号用于控制鼠标移动和阅读器翻页等操作。通过八位受试者的实验数据表明,设计的SSVEP脑-机接口阅读系统,产生控制指令的正确率高达94.8%,信息传输率(ITR)为40.98比特/分钟。该系统可以有效改善严重运动障碍残疾人无法与外界交流的生活现状,提高残疾人的生活品质。     

一种基于稳态视觉诱发电位的脑-机接口阅读系统

针对目前基于脑-机接口(BCI)的应用系统较少的问题,设计了一个可以帮助严重运动障碍残疾人实现书籍阅读的系统。系统基于稳态视觉诱发电位(SSVEP)脑-机接口,采用CPLD平台设计视觉刺激模块,运用典型相关分析(CCA)算法在Visual C++平台上设计一个实时在线程序采集,分析脑电信号;并产生控制信号用于控制鼠标移动和阅读器翻页等操作。通过八位受试者的实验数据表明,设计的SSVEP脑-机接口阅读系统,产生控制指令的正确率高达94.8%,信息传输率(ITR)为40.98bit/min。该系统可以有效改善严重运动障碍残疾人无法与外界交流的生活现状,提高残疾人的生活品质。     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

基于触觉P300的脑控下肢康复机器人

基于P300信号的脑机接口技术在康复医疗领域具有广阔的应用前景,但P300信号的诱发方式多为视听刺激诱发,容易导致患者视听疲劳,同时也限制了视听障碍患者的使用。针对这些不足,设计一种基于触觉P300的脑控下肢康复机器人系统,在被试的左右食指处各放置一个振动器,通过调整左右手振动器的刺激间隔、刺激时长及刺激比例让P300信号更容易诱发和区分;利用共空间模式算法和支持向量机对信号进行特征提取和分类。被试通过选择关注左手或右手的振动刺激输出不同指令,从而控制下肢康复机器人进行相应动作。实验证明,被试通过感受振动刺激可以轻松诱发脑电中的P300信号,在不进行P300信号平均叠加的条件下,分类准确率为86.50%,既保证了较高的分类准确率,又缩短了指令输出时间。每位被试均可通过下肢康复系统顺利完成训练任务,证明了该方法的可行性。     

欠驱动式外骨骼手指康复机器人的设计和仿真

本文提出一种新的基于脑电信号控制的外骨骼手指康复机器人系统,该系统主要由外骨骼手指康复机器人、脑电信号系统(EEG)、肌电信号系统(EMG)、人机交互系统、电机控制单元、相关传感器和工作站组成.患者通过外界的视觉刺激产生脑电信号,工作站经过对这些信号采集和处理后传递给电机控制单元控制,并驱动电机实现穿戴在患者手上的外骨骼手指机器人运动,辅助其完成康复训练.该机器人主要采用欠驱动的方式,由安装在手背处的电机带动同步齿形带传动机构实现机器的三个关节的弯曲和伸展运动.文章主要利用UG软件对手指机器人进行设计和ADAMS软件进行运动仿真.根据机器人运动轨迹和机器人末端的运动参数曲线可以看出该手指机器人具有运动平稳,不存在运动死点等特点,且机器人能满足人体手指的运动要求,符合人体工学的设计特点,仿真实验证明能够辅助患者进行重复性康复训练.     

基于稳态视觉诱发电位的脑电信号分类算法比较

基于稳态视觉诱发电位(steady state visual evoked potential,SSVEP)的脑-机接口(brain computer interface,BCI)系统具有分类准确率高、用户不用长时间训练等优点而广受关注.如何高效地对SSVEP信号频率识别而实现更好的分类效果是SS-VEP-BCI的核心问题.采用滤波器组典型相关分析(filter bank canonical correlation analysis,FBCCA)与任务相关成分分析(task-related component analysis,TRCA)对SSVEP信号分类比较研究,探讨了两种方法在数据长度、子带数以及通道数对SS-VEP信号分类效果的影响.35位被试者的数据表明:在数据长度小、时间短的情况下,TRCA具有更高的分类准确率,且子带数设置为5时,分类准确率达到最大.通道数越多分类准确率越高,但是通道个数较少时,TRCA分类效果明显优于FBCCA.研究为SSVEP脑电数据有效性分析以及提高基于SSVEP的脑电信号分类准确率提供了新的思路.     

用于稳态视觉诱发电位脑机接口目标识别的深度学习方法

针对稳态视觉诱发电位(SSVEP)脑电信号存在个体差异性强、信噪比低等特点而导致其识别困难等问题,提出一种用于SSVEP信号分类识别的深度学习方法。该方法以原始多通道SSVEP信号为输入,利用SSVEP信号的时空特性,首先使用一维时间卷积核对输入信号的时域进行卷积操作;然后使用一维空间卷积核进行空域卷积,对多通道信息进行融合;最后采用降采样、多尺度卷积、全连接等操作完成SSVEP信号的分类识别。实验结果表明:利用该方法在较短时间的视觉刺激下即可实现对被试者SSVEP信号的有效识别;在1 s刺激时长时,该方法的平均离线信息传输率为94.17 b/min,平均识别准确率为93.3%,相比于无监督典型相关分析方法和有监督支持向量机分析方法,识别准确率分别提升了48.73%、41.21%。该方法具有较高的目标识别效率及鲁棒性,有效提高了基于稳态视觉诱发电位信号的脑-机接口的性能。     

基于稳态视觉诱发电位的脑-机接口研究

实现了一个以液晶显示器(LED)产生刺激频率的稳态视觉诱发电位(SSVEP)脑-机接口系统(BCIs)。为了从脑电中提取出稳态视觉诱发电位(SSVEP)信号,运用基于快速傅里叶变换(FFT)的方法和基于Mallat小波及AR模型分析法这两种处理方法对脑电信号进行离线分析。实验结果表明,用这两种方法提取SSVEP信号都可以达到很高的准确率;而基于FFT的方法更适用于脑-机接口系统。因此用基于FFT的方法完成了这个SSVEPBCIs的在线实验。     

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.     

稳态视觉诱发电位脑机接口的现场可编程逻辑门阵列实现

针对稳态视觉诱发电位(SSVEP)脑机接口(BCI)系统对计算机性能要求较高的问题,提出一种以现场可编程门阵列(FPGA)和商用脑电采集设备为核心的SSVEP-BCI系统。该系统通过FPGA独立的显示模块,实现了视频图形矩阵(VGA)接口的控制;按照显示刷新帧的方式分配闪烁频率对应的范式图案,实现了诱发SSVEP信号所需范式的稳定显示。通过实验对所设计的VGA视觉刺激器光闪烁频率进行采集分析可知,视觉刺激器范式显示频率与所设计的频率基本一致,可用于SSVEP诱发实验。结合所设计的视觉刺激器,完成了基于FPGA的脑电信号处理和特征识别。设计方案使用串口将脑电信号传输到FPGA端,采用快速傅里叶变换分析频率成分,对视觉刺激器对应的频率进行分析比较,最终通过实验对系统进行验证。结果表明:设计的系统在4个刺激目标和单次实验时长2s的情况下,实现了平均85.25%的识别正确率,表明系统能够实现SSVEP信号的诱发和有效识别,并且能够达到较好的效果。     

基于视觉双特征的并行联合脑-机接口范式的研究

基于多特征的并行联合脑-机接口与单一特征脑-机接口相比,能利用更多信息和并行方式提高特征提取和系统执行效率。提出了一种基于稳态视觉诱发电位(SSVEP)和运动起始视觉诱发电位(MVEP)的双特征并行联合脑-机接口范式,通过设计3×3字符拼写范式,矩阵中纵列白色竖条按设定频率闪烁诱发SSVEP,横行中白色竖条随机运动诱发MVEP。实验表明,被试者关注目标字符时,两种特征脑电信号被同时诱发出来,并且对两种脑电信号进行特征识别能够检测出被试者选取的目标字符。联合范式并行的刺激编码方式有效节约了刺激诱发时间,为构建更为实用的联合脑-机接口提供了一种实现方法。     

脑机接口技术研究方法

脑机接口（BCI）是一种基于脑电信号实现人脑与计算机或其他电子设备通讯和控制的系统，它不依赖人体的外周神经神经系统及肌肉组织，是一种新的人机接口方式，在康复医学和控制等领域有应用前景，近年来，脑机接口技术发展迅速。概述了采用事件相关电位P300、稳态视觉诱发电位（SSVEP）、事件相关同步或去同步9ERS／ERD）皮层慢电位（SCP）、自发EEG信号、植入电极等实现脑机接口技术的研究方法，讨论和比较了各种研究方法的特点和局限，介绍了脑机接口的发展现状和存在的问题，并对其应用前景进行了展望。     

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。     

基于共空间模式和神经元网络的脑-机接口信号的识别

提出了一种基于共空间模式和LVQ神经元网络对不同意识的脑电信号进行分类的方法.脑电信号是通过电极在头皮表面采集的脑-机接口的控制信号,提取脑电信号特征并对其进行分类,组成不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统.首先利用小波包分解对原始脑电信号进行预处理,对分解后特定小波包子带的脑电信号进行共空间模式分解,提取最优的特征;然后利用LVQ网络对不同意识任务特征进行分类,实验结果表明,该方法取得了92.7%的平均分类识别率,已经达到脑-机接口实际应用的标准.     

A novel 5-DOF exoskeletal rehabilitation robot system for upper limbs

A novel 5-DOF exoskeletal rehabilitation robot for upper limbs of hemiplegic patients caused bystroke is proposed in this paper.Its hardware structure is introduced and the control methods are ana-lyzed.To implement intelligent and interactive rehabilitation exercises,motion intention of patients' up-per limb is introduced into control methods of rehabilitation exercises.In passive motions,according tothe character of unilateral impaired,multi-channels surface electromyogram(sEMG)signals of patients'hea...     

数据区间优化对SSVEP算法性能的影响

稳态视觉诱发电位(steady-state visual evoked potential, SSVEP)响应的个体差异性较大,不同环境下各被试者脑电信号的质量有差别.针对这个问题,研究了SSVEP中数据区间的优化对CCA(典型相关分析)和ECCA(扩展典型相关分析)方法分类结果的影响.首先通过网格搜索方法找到脑电信号的最优数据区间,然后使用CCA和ECCA方法对该区间数据进行特征识别,使得识别效果得到提升.实验结果表明,同时对数据区间起始点和终点进行优化能够有效提升信息传输率(ITR),数据区间优化后的CCA和ECCA分类平均ITRs为(61.18±27.20)bit/min和(71.37±32.24)bit/min,比使用传统的仅优化数据区间终点的方法提高了29.89%和8.3%,证明了通过数据区间优化能够提升SSVEP算法的性能.     

基于绳牵引并联机构的上肢康复机器人设计

人类的上肢为生活提供了诸多便利,健康的上肢是高质量生活的保证。上肢如果出现运动功能障碍就需要接受康复治疗。为了减轻康复师的工作强度,同时增强治疗效果,需要利用康复机器人代替康复师来进行康复训练。通过分析肘、肩关节的运动特性和规律,基于三自由度的冗余绳牵引并联机构设计了一款面向上肢康复的机器人。该机器人由定位模块和连接模块组成,可对不同尺寸的上肢进行主动和被动康复训练。由于机器人结构简单、易于装配、制造成本低,更容易被用户所接受。在结构设计完成后对该上肢康复机器人进行了运动学建模,同时进行了机器人奇异性的分析,为后续运动控制的研究做准备。最后,考虑到机器人的力传递性能和体积大小,采用多目标优化的方式对机器人进行了优化设计。仿真结果表明,优化设计有效地提升了机器人的相关性能。研究结果可为绳牵引并联机构在上肢康复机器人设计中的应用提供理论参考。     

基于表面肌电的肘关节运动角度预测

表面肌电信号(sEMG)由于能够反映用户的动作意图而被广泛应用在上肢康复治疗系统中.针对目前上肢康复机器人的手臂关节运动控制不灵活的问题,提出一种基于sEMG的肘关节运动角度预测方法.为解决单一的时域特征提取方法存在的时间效率高而稳定性不足的问题,从时域和频域分别提取特征值,采用BP人工神经网络建立表面肌电信号与肘关节角度的映射模型,实现肘关节角度的预测.实验结果表明,该模型的预测结果与真实角度值有高度的一致性,有助于提高上肢康复机械臂的灵活性.