基于脑电Alpha波的脑-机接口控制实验

对脑电alpha波阻断现象的识别提取与家用电器遥控装置的结合进行了研究，以探索实时脑机接口（brain-computer interface，BCI）系统的可行性．对5～12名受试者进行睁闭眼实验并记录其动态脑电数据，提取alpha波阻断现象发生过程的关键参数．在实时操作平台上对受试者进行4组遥控器按键操作的组合实验，以考察系统的响应速度与指令传递的准确率．总结出了Alpha波阻断现象对应的阈值电压经验计算公式，并建立了以最大噪声背景电平作为甄别开关动作真伪的判据原则．结果显示该系统具有较高的控制成功率和稳定性，表明实时脑机接口系统具有潜在的临床应用价值与研究前景.     

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.     

基于复杂网络技术的异步脑-机接口分类系统

脑-机接口(brain-computer interface,BCI)是一种不依赖周围神经和肌肉组织,通过诱发人脑无节律信号(event-related de-synchronization,ERD)/有节律信号(event-related synchronization,ERS)等特征信号实现对外部装置自主控制的系统。针对人群中15%～30%的人存在"BCI盲"问题,即难以诱发出较强的ERD/ERS等特征信号,提出将脑电图(electroencephalogram,EEG)时间序列转换成一个复杂网络,复杂网络的网络测度与大脑意识有关联。结果表明,基于复杂网络构建的相位锁相值(phase locking value, PLV)二值网络可实现异步BCI系统分类,分类正确率最高可达88.60%。可见,基于复杂网络技术的异步BCI系统具有可行性,可作为一种新途径。     

基于脑电的无创脑机接口研究进展

 脑机接口在脑与外部环境之间建立一种全新的不依赖于外周神经和肌肉的交流与控制通道,从而实现脑与外部设备的直接交互。脑电因具有非侵入式、易于使用及设备价格低廉等特点而被广泛应用于脑机接口。本文回顾了基于脑电的无创脑机接口的研究历史,从脑机接口的类型、应用及面临的挑战3个方面综述了脑机接口的研究现状,并展望了脑机接口的未来发展前景。     

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。     

从脑-机接口到脑-器交互

脑-机接口(brain computer interface,BCI)建立了大脑和非生物设备之间直接的信息交互通道。在认可BCI技术独特应用价值的基础上,进一步整合了身心医学与脑-机接口,强调了“脑与身体”和“脑与环境”的相互支撑关系,提出了脑-器交互(brain-apparatus communication,BAC)框架。对脑-机接口到脑-器交互的发展历程进行了概述,并从脑-器官交互、脑-外部环境交互以及两者融合方面讨论了脑器交互对人类健康的影响。     

采用相对小波能量法的脑-机接口设计

针对基于两种不同意识任务(想象左手运动和想象右手运动)的脑-机接口,提出采用相对小波能量的特征提取方法.首先深入研究了相对小波能量的计算方法,然后利用相对小波能量对脑电信号进行特征提取,最后采用支持向量机进行分类,并采用分类准确率和互信息作为该脑-机接口的评价标准.离线分析结果表明:分类准确率最高为85.7%,最大互信息为0.41比特.与较常用的自适应自回归(AAR)模型系数作为特征的方法相比,所提方法具有更高的识别准确率和互信息.     

2018年脑机接口研发热点回眸

 脑机接口提供了人脑与外部设备之间的直接通信通道,它的独特之处是不依赖于外周神经和肌肉组织。近年来,脑机接口领域发展迅速,脑机接口研究正在不断扩展,其应用范围也在不断扩大。本文综述了2018年脑机接口领域在系统应用与关键技术方面所取得的重要研究进展,展望了脑机接口智能化、移动化的发展新趋势,并提出脑机接口伦理风险的新思考。     

基于傅里叶变换的脑机接口系统实现方法

脑机接口系统要求实时的处理速度和较高的准确识别率.在对脑电信号进行幅频分析和相同步分析的基础上,提出一种意识任务识别在线脑机接口系统实现方法.提取谱峰和相同步相干性指数作为反映大脑运动意识任务状态的特征参量,设计基于信息积累的时变线性分类器,对左右手想象意识任务进行识别,获得了满意的结果,最大分类正确率达到90.72%.研究结果表明,谱峰特征是事件相关去同步/同步的一个敏感的量化参数,结合相同步相干性指数能够提供更多反映大脑意识任务状态的信息.该方法采用快速傅里叶变换和线性判别式分析,特征提取和分类算法简单,计算速度快.为在线脑机接口系统的实现提供了新的思路和途径.     

Asynchronous Brain-Computer Interface Shared Control of Robotic Grasping

The control of a high Degree of Freedom(DoF) robot to grasp a target in three-dimensional space using Brain-Computer Interface(BCI) remains a very difficult problem to solve. Design of synchronous BCI requires the user perform the brain activity task all the time according to the predefined paradigm; such a process is boring and fatiguing. Furthermore, the strategy of switching between robotic auto-control and BCI control is not very reliable because the accuracy of Motor Imagery(MI) pattern recognition rarely reaches 100%. In this paper, an asynchronous BCI shared control method is proposed for the high DoF robotic grasping task. The proposed method combines BCI control and automatic robotic control to simultaneously consider the robotic vision feedback and revise the unreasonable control commands. The user can easily mentally control the system and is only required to intervene and send brain commands to the automatic control system at the appropriate time according to the experience of the user. Two experiments are designed to validate our method: one aims to illustrate the accuracy of MI pattern recognition of our asynchronous BCI system; the other is the online practical experiment that controls the robot to grasp a target while avoiding an obstacle using the asynchronous BCI shared control method that can improve the safety and robustness of our system.     

基于脑机接口的智能家居控制系统

为实现家居系统的智能控制,提出一种基于脑机接口、脑电信号识别分类和增强现实(AR: Augmented Reality)的解决方案.通过佩戴设备收集提取脑电图(EEG:Electro Encephalo Gram)信号,对数据使用小波变换去噪并利用短时傅立叶变换进一步处理,利用主成分分析(PCA: Principal ...     

运动想象脑机接口系统的Petri网建模方法

针对脑机接口(BCI)中的共享控制问题,提出一种BCI系统的Petri网建模方法.首先,将共享控制策略与BCI系统的内外部信息相结合,构建运动想象BCI系统的Petri网模型,描述系统的运行状态,分析和改进共享控制策略.然后,加入控制库所描述系统的外部输入,并通过合成Petri网的方法简化Petri网的建模过程.结果表明:所提方法能够正确地演化BCI系统的运行过程,提高BCI系统的适用性,可用于设计、验证和执行共享控制策略.     

脑-机接口中基于VxWorks的ARM嵌入式系统

研究了基于 Vx Works实时操作系统和 ARM内核处理器的嵌入式系统在脑 -计算机接口中的应用 ,详细介绍了系统的构成以及各部分的设计实现方案 ,并展示了系统在应用中的初步成果 .该系统采用的 Vx Works操作系统具有很强的实时性及可裁减性 ,能够很好地满足脑 -计算机通讯的各种特殊要求 ,硬件部分采用的 ARM内核嵌入式微处理器也较好地完成了控制和信号处理的任务     

基于CSP-BPSO的脑-机接口电极选择

在与运动相关的脑–机接口(BCI)中,安置不必要的电极可能会引入伪迹,不利于特征提取和分类.为此,文中提出一种基于共空间模式(CSP)和二进制粒子群优化(BPSO)的电极选择方法.该方法在提取高区分度特征的同时限制电极数量,并依据CSP滤波器的权值调整初始电极组合的生成概率,以提高BPSO的收敛速度.实验结果表明:采用文中方法,选择少数电极即可获得令人满意的分类精度.     

脑--机接口中高性能虚拟键盘的实现

给出了基于模拟阅读事件相关电位的脑-计算机接口这种全新模式的方案,该方案的关键部分是虚拟键盘的界面,它提供了用户利用脑电信号输入字符所需的刺激.在Windows环境下,实现了这种新型高性能的虚拟键盘.实测显示,36个键的视窗中的目标图像同时运动时,平滑稳定,无抖动现象;时间精度超过设计要求达到1ms.     

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。