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.     

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。     

基于动态自适应策略的SSVEP快速目标选择方法

基于稳态视觉诱发电位(SSVEP)的脑-机接口(BCI)系统具有高速、大指令集等优点,其信息传输率(ITR)的进一步提升对系统走向实际应用具有重要意义。该文采用包含35名被试的公开数据集,使用任务相关成分分析的分类模型识别脑电图数据中的SSVEP成分,进而运用基于Bayes估计的动态自适应策略评估分类结果的置信度。实验结果表明:动态自适应策略所得到的平均ITR(230b/min)比传统的静态自适应策略(204b/min)提升了12.7%,基于Bayes的动态自适应策略可以进一步提升SSVEP-BCI的性能。     

面向假肢的场景动画稳态视觉诱发脑控方法

针对现有脑控假肢技术的控制精度低、稳定性差的问题,基于稳态视觉诱发电位(SSVEP)的产生机理,提出一种由场景动画稳态视觉诱发的脑控新范式。该范式以正常人或残疾人的生活场景为刺激源蓝本,根据智能假肢的控制目标,在将生活场景分解为对应的独立刺激场景图、且对其进行灰度标准化处理后,采用方波调制模式对一组对比鲜明的黑白反转色图片进行视觉刺激,由此诱发出一种基于场景动画的SSVEP;进而,通过对场景动画的SSVEP神经传导过程进行数学建模与仿真,建立了一种基于典型相关分析(CCA)的脑电信号处理方法。在专用于场景动画SSVEP的智能假肢脑控平台上进行实验,系统的平均正确率为91.41%,平均信息传输率为15.32bit/min,其最高平均识别率达到了98.44%。实验结果表明:该方法可将正常人生活场景图与传统稳态视觉诱发方法进行结合,不仅能够提高假肢动作的平均识别精度和信息传输率,而且具备可降低使用者视觉疲劳的作用。     

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-机接口实验研究

为提取应用于脑-机接口系统的稳态视觉诱发电位信号(SSVEP),运用叠加平均与快速傅里叶变换(FFT)相结合的方法,由其频谱图上得到作为输入信号的稳态视觉诱发电位信号.通过实验确定了叠加平均次数与最佳视觉刺激颜色,并对混合闪光刺激下SSVEP的提取进行了研究.实验结果表明,该方法提取出的SSVEP信号能够反映使用者的控制意图,可应用于脑-机接口系统.     

基于PSD特征的FBCCA脑电信号识别方法

:当前基于稳态视觉诱发电位 (Steady-State Visual Evoked Potential,SSVEP）的脑机接口使用的都是单一识别算法,针对不同时间长度的识别准确率较低。本文提出了一种基于滤波器组的典型相关分析（Filter Bank Canonical Correlation Analysis,FBCCA）与功率谱密度（Power Spectral Density,PSD）分析相结合的SSVEP识别算法,可以提高SSVEP识别的普适性与准确率。该方法使用FBCCA寻找高相似度的参考频率信号,再通过多组PSD分析来锁定最终的响应频率,完成频率识别。该方法无需经过训练就能得到较高的识别准确率。实验结果表明,在刺激时长为1s时,该方法能达到86.61%的准确率,比PSD分析的方法提升了5.44%,比典型相关性分析方法(Canonical Correlation Analysis,CCA)提升了10.38%的准确率,比FBCCA提升了8.86%的准确率。     

基于听觉提示汉字书写的运动想象范式

基于运动想象的脑-机接口系统为残疾人提供了一种新的控制外部设备的途径。本文针对传统范式中只提示想象对象(左手或右手)不提示想象内容的不足,设计了一种新的基于汉字书写的运动想象范式。该范式通过左右声道提示被试进行想象汉字书写的任务。将新范式与传统范式进行了对比实验,8名健康被试参与了本项研究。实验结果表明,基于听觉提示的运动想象书写范式获得了更高的准确率(t检验概率值p0.05),并且有效降低了实验任务的难度。     

基于相关指数分析增强的功能近红外光谱脑机接口

 由于对运动伪迹不敏感、适合特殊人群和可穿戴式检测等优势,功能近红外光谱技术（fNIRS）在脑机接口（BCI）、心理认知等领域发挥着日益重要的作用。肢体运动想象是BCI在残疾人康复训练等领域应用的重要范式,伴随穿戴式fNIRS的发展,有望帮助残疾人在家庭或社区开展长期脑康复训练。本文针对目前基于fNIRS的运动想象任务分类准确率普遍不高这一现状,应用基于Pearson积差相关系数的相关指数R²,对被试进行个性化参数优化,期望改善运动想象的分类结果。实验采集了17名被试的左、右手运动想象任务期间大脑皮层主运动区的血红蛋白浓度变化数据,并采用支持向量机（SVM）分类。结果表明,经过R²参数优化之后,分类准确率相对无优化情况显著提升,分类准确率在60%以上的被试比例由原本的58.8%提高到了94%,分类准确率在65%以上的被试比例由原本的41.2%提升到了64.7%。     

基于运动想象脑电的在线脑机接口实验

针对脑机接口技术的研究和应用设计了基于运动想象脑电信号的在线机器人控制系统,包括USB脑电放大器、开放接口的采集和实验平台、基于小波变换和AR模型系数的特征提取算法、机器人控制电路、机器人.20位受试者在该系统上分别进行了80次在线试验,比较分析了3种不同手部运动想象脑电信号的区分度,运动想象脑电对机械手控制的平均准确度分别达到了85%,88%和90%.该控制系统为基于脑电信号的在线机器人控制系统的实现和识别率的提高提供了新思路,同时也为在线脑机接口技术的实验研究以及实际应用带来了方便.     

采用最小二乘转换的在线SSVEP字符输入系统设计与实现

针对SSVEP-BCI系统信息传输率高、鲁棒性强，当前基于有训练分类算法的SSVEP-BCI系统需要较长时间采集训练数据，而基于无训练算法的系统难以满足实时性要求的问题，提出只需少量训练数据的高效在线字符输入系统，实现了快速准确的字符输入。该方法利用最小二乘转换技术进行跨被试迁移学习，并使用FoMSFA和多频率学习技术进行频率识别。使用者仅需进行2组训练数据采集，即可在1.96 s内实现单字符快速准确地在线输入。对15名受试者执行有提示字符输入，平均准确率和信息传输率分别为79.3%和161.9 bit/min；10名受试者执行无提示字符输入，平均准确率和信息传输率分别为80.0%和163.5 bit/min的实验。迁移学习技术和高效SSVEP识别算法的结合，为在线SSVEP-BCI系统的发展提供了新思路。     

改进的多变量同步指数脑机接口分类算法

近年来,稳态视觉诱发电位（steady-state visual evoked potential, SSVEP）范式脑机接口（Brain-computer interface, BCI）得到了日益广泛的研究。如何选择不同的分类特征,对于提高频率识别的准确率,改善SSVEP-BCI系统至关重要。针对少目标刺激范式的SSVEP-BCI系统,本文提出小波包变换（wavelet packet transform, WPT）同多变量同步指数（multivariate synchronization index,MSI）相结合的方法,对10名被试者的400组SSVEP数据进行特征提取并分类。在分类过程中,讨论了在导联数量和数据长度两个参数对改进算法的影响。实验结果表明：在数据长度为1.5 s,导联7导的条件下,基于WPT-MSI的SSVEP算法的分类准确率达到98.94%,信息传输率为76.24 bit/min。明显优于典型的MSI算法和其他改进算法,具有显著提高的频率识别正确率。     

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.     

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。     

基于运动想象的双脑脑机接口系统设计与鼠标控制应用

脑机接口是在大脑与外部设备之间建立的直接交流通道,是脑科学的重要研究领域。目前,单被试脑机接口研究已经较为成熟,关于双脑协作的脑机接口研究还比较少。本文设计实现了一种基于运动想象的双脑协作在线脑机接口系统,利用两套脑电放大器、协同控制技术实现了系统的硬件平台搭建。算法控制部分采用信息论特征提取算法,选取共空间模式的最优空域模式和支持向量机分类,实现了双脑协作控制鼠标移动并到达指定目标。本文采用初始位置到目标位置的实际步长与理论最短步长比评价系统性能,4组(8人)的平均步长比值为1.32。研究提供了一种双脑协作脑机接口的设计方案,可用于协同控制多维度目标、提高信息传输速率、研究脑间同步、团队决策等方面的关键技术,为脑机接口进一步发展提供了新思路。     

基于EEG握力变化及想象单次识别研究

目前基于运动想象(Motor Imagery,MI)的脑-机接口(Brain-Computer Interface,BCI)可提供的指令数相对较少,为增加新的控制参数,基于脑电(Electroencephalogram,EEG)研究握力变化及想象的单次识别.招募20名被试者参与实验,要求被试者用右手执行三种不同握力大小(4 kg,10 kg,16 kg)的实际或想象任务,对任务期间覆盖运动区的九个通道的EEG数据进行分析,采用共同空间模式(Common Spatial Pattern,CSP)提取特征,然后利用极限学习机(Extreme Learning Machine,ELM)和支持向量机(Support Vector Machine,SVM)进行单次识别. ELM对三类握力变化及想象的平均单次识别准确率分别为82. 3%±2. 1%和80%±1%,SVM对三类握力变化及其想象的平均单次识别准确率分别为86. 3%±5. 5%和83. 7%±3. 8%.实验结果表明,ELM和SVM能有效地识别三种不同握力大小的实际或想象任务,而SVM的分类结果更好,可望为MI-BCI增加新的控制参数提供新思路.     

双眼竞争平均交替速率的客观检测

双眼竞争是两侧不相融合的单眼图像刺激形成主观意识交替占优的现象.为实现对双眼竞争中意识交替平均速率的客观检测,提出了一种将相位锁定与互功率谱估计相结合的脑电分析算法,利用频率标记双眼竞争过程中记录的脑电信号.在对6例实验数据的分析中,客观检测平均速率与主观报告相差10%以内.该方法抗噪性能好,不需要主观参与,适用于无法言语表达的婴儿及老人受试.平均交替速率作为一项辅助诊断指标,对老年痴呆症、儿童多动症等多种神经障碍疾病的诊断具有应用前景.     

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。