基于脑电信号的手指动作识别

分类识别技术在脑-机接口的研究中占有重要地位,本文基于在事件相关脑电图中,存在的运动感觉皮层脑电位下降和事件相关非同步现象,运用了一种基于共空域子空间分解的算法,对左右手指动作时的多通道脑电信号进行了特征提取。最后,根据提取的特征进行了手指动作的识别,在对三个人的脑电数据识别中,平均识别率达到了75.6%。     

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。     

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。     

脑-机接口国内专利技术发展分析

脑-机接口是一种涉及多学科多领域的新颖的人机接口方式,标准的脑-机接口系统可以准确、快速地采集、识别出人脑在各种思想活动下的脑电信号,在医疗、航空、军事、生活娱乐等多个领域具有潜在应用价值.该文根据脑-机接口利用的脑电信号的来源和方式不同,对其研究方法中主要三个分类即视觉诱发电位、P300电位和运动想象进行了介绍,并对各分类国内主要申请人所申请的专利进行了分析,帮助更多申请人提升对技术的理解和把握,指导专利申请走向.     

脑-机接口中脑波的拾取及滤噪的研究

脑-机接口（BCI）是在人脑和计算机或其他电子设备之间建立的一种直接信息交流和控制通道,是一种不依赖于常规大脑输出通路（外周神经和肌肉组织）的全新信息交流系统．BCI作为一种全新的信息交换与控制技术,将能为瘫痪病人,特别是那些丧失了基本肢体运动功能但思维正常的患者,提供一种与外界进行信息交流与控制的新途径,正受到越来越广泛的关注．脑-机接口中脑波的拾取及滤噪是其重要的环节,本文对脑-机接口中拾取脑波及干扰克服的方法进行了研究和分析．     

基于回溯搜索优化算法的运动想象 脑机接口频带选择

在基于运动想象的脑机接口(BCI)中,特征提取是影响整个系统性能的一个关键部分。共空域模式(CSP)是一种有效的特征提取算法,它能很好地提取与事件相关去同步/同步(ERD/ERS)生理特征相关的节律信息,因而在BCI系统中得到广泛应用。然而,CSP算法的分类性能极大地依赖于EEG信号的滤波频带。一般情况下,大都采用8~30 Hz的带通滤波器滤波,因为这个宽带包含了产生ERD/ERS想象的mu(8~12 Hz)和beta(18~26 Hz)节律。为了更加精准的定位最佳频带,将8~30 Hz的宽带滤波细分为大小不等的子带滤波,利用回溯搜索优化算法(BSA)与CSP相结合来选择最优频带,并以分类错误率作为BSA的适应度值(即频带选择标准)。使用该算法对5个受试者的实验数据进行了交叉验证分类实验。实验结果表明,最优频带的平均分类正确率比宽带(8~30 Hz)可高出7.91%。     

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.     

脑-机接口系统的类协同式半监督学习

针对如何提高有标签样本不足时的分类精度问题。提出脑-机接口系统(BCI)的类协同半监督学习算法(LCTSSL),采用有监督和无监督两种算法提取双特征训练双分类器协同扩充有标签样本集。在训练前后阶段设置不同置信度度量,选择两分类器分类结果一样的高置信度样本进行标记,保持每类每次新标记样本数目一样,提高有标样本集的可信度及识别系统的鲁棒性。迭代更新两分类器、有监督提取系统及相应特征,充分利用新标签信息。最后利用BCI竞赛2005的数据I证明LCTSSL算法的有效性。     

混合脑机接口的研究现状及应用

随着多学科的发展,脑-机接口(brain-computer interface,BCI)技术取得了飞速发展,已成为脑科学、神经医学、人工智能等领域的研究热点。多项研究表明,多模态混合BCI(hybrid brain-computer interface,hBCI)比仅使用一种脑电信号(单模态)的BCI拥有更高的识别率和更好的稳定性。针对基于脑电图(electroencephalography, EEG)和肌电图(electromyography,EMG)的hBCI技术的研究现状与应用情况进行了分析与阐述,并总结了近年来EEG和EMG信号处理的主要方法,并针对目前国内外研究现状中所存在的问题,提出了在脑肌电混合BCI方向的潜在创新点,以期促进基于EEG和EMG的混合BCI在实际应用中进一步发展。     

基于支持向量机的脑电信号分类方法研究

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机(SVM)结合,构造多类SVM分类器。实验以"BCI Competition 2005"中的Dataset IIIa为例,先对C3/C4导采集的四类运动想象脑电信号应用小波变换进行去噪。再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征。最后应用改进后的SVM分类方法对特征信号进行分类。结果表明该方法分类正确率,可以达到91.12%;并且有效地减少了分类器的个数,最终达到较好的识别效果。     

脑-机接口中空域滤波技术现状与进展

作为一种特殊的人-机交互模式,脑-机接口(brain-computer interface,简称BCI)技术已成为当前脑科学和智能信息处理领域的研究热点.其中,基于头皮脑电(electroencephalography,简称EEG)的BCI(EEGBCI)技术因具有良好的安全性和可操作性,吸引了研究者的广泛关注.但头皮EEG非常有限的空间分辨率和易受干扰等特性,很大程度上限制了EEG-BCI技术的实用化进程.因此,EEG信号处理和模式识别新方法研究已成为BCI领域的一个关键问题.在现有的信号处理方法中,空域滤波技术在EEG伪迹消除和任务相关神经活动获取方面表现出了较明显的优势,近年来在EEG-BCI系统实现研究中得到了广泛应用.论文以运动想象BCI(motor imagery BCI,简称MIBCI)为应用背景,对独立分量分析(independent component analysis,简称ICA)和共同空间模式(common spatial pattern,简称CSP)两种代表性空域滤波方法的原理及其性能进行介绍、分析和比较,总结出两种方法各自的优势和不足,并给出了改进思路.同时指出,ICA空域滤波方法在运动想象脑-机接口系统实现中更具应用潜力.     

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。     

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 ...     

运动想象脑机接口的判别迁移特征学习与分类

为了解决不同时间采集的运动想象脑电数据之间存在的分布差异,避免跨时段使用前长时间的重校准步骤,提出了一种基于判别迁移特征学习（discriminative transfer feature learning, DTFL）的运动想象分类方法。DTFL通过联合匹配源域和目标域之间的边缘分布和类条件分布来减少域间的差异,同时最大化类间距离和最小化类内距离来保留类判别信息,从而提升对运动想象的分类性能。基于DTFL的运动想象分类方法无需目标域脑电样本的类别信息,可以有效避免长时间的校准。在脑机接口竞赛数据集上的实验结果表明,DTFL显著优于其他迁移学习方法,有效缓解跨域分布的不一致性,提高了运动想象的分类正确率。     

脑-机接口技术综述

脑-机接口(brain computer interface,BCI)是在人脑与计算机或其它电子设备之间建立的直接的交流和控制通道,通过这种通道,人就可以直接通过脑来表达想法或操纵设备,而不需要语言或动作.脑-机接口是一种全新的通讯和控制技术.对脑-机接口技术的发展、研究现状、工作原理以及涉及的关键技术进行了较为详细地综述.     

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AR和SVM的运动想象脑电信号识别

针对不同思维运动中EEG信号识别,提出了一种基于自回归模型参数和支持向量机的识别方法.针对2008年BCI Competition Ⅳ Data sets 2a数据集中想象左右手运动的两类思维运动脑电信号,运用自回归模型进行特征提取,支持向量机进行特征分类.采用不同的核函数进行分类对比实验,该识别方法的正确识别率达到7...