基于编码调制视觉诱发电位脑机接口滤波算法的性能比较

脑机接口(brain-computer interface,BCI)的分类性能一定程度上取决于对脑电信号的预处理方法,这项研究提出了一种空域时域滤波的预处理方法,以解决人类视觉系统中的潜伏延迟对编码调制视觉诱发电位(c-VEP) BCI的目标识别性能的影响。基于一个平均信号和单次试验信号之间的最小均方误差(the least mean square error,LMSE)创建时域空域滤波器,并且通过最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)将稀疏约束应用于滤波器的权重系数,并用模板匹配法来对目标进行识别。将算法应用于由63比特的M序列及其循环移位序列调制的16个目标的c-VEP BCI,并与通用的空域滤波算法典型相关分析(CCA)及空域时域逆滤波算法进行比较。结果表明本研究所提出的算法在分类准确率方面优于其他两种算法。     

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。     

稳态视觉诱发电位的脑机接口范式及其信号处理方法研究

在概述国内外稳态视觉诱发电位脑机接口技术研究的基础上,针对传统稳态视觉诱发电位(SSVEP)在脑-机接口(BCI)系统应用中存在的问题,在范式设计方面,分别提出了基于牛顿环、高频组合编码和幅值调制的SSVEP的3种BCI范式。针对脑电信号微弱、辨识困难的问题,提出了基于随机共振机制的稳态运动视觉诱发电位增强方法;针对高频组合编码稳态视觉诱发电位(CCH-SSVEP)新范式响应信号的非平稳、弱信号特征,提出基于改进的希尔伯特黄变换的CCHSSVEP响应信号处理方法,提高了识别率。在系统应用方面,将牛顿环运动刺激范式与运动场景相结合,设计了场景结合导航技术,相对于传统方法,将刺激目标关联具体的物理位置,导航效率显著提升,将运动场景与刺激目标结合的所见即所得的方式提升了用户预选目标效率以及路线规划能力,同时也有利于用户集中注意力,提高脑电信噪比。最终,将该技术成功地应用于残疾轮椅的脑电导航控制中,取得了令人满意的效果。     

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.     

稳态运动视觉诱发电位的诱发及在脑机接口中的应用进展

基于稳态运动视觉诱发电位(SSMVEP)的脑机接口(BCI)能够减少使用者的视觉疲劳,但其信号强度和系统性能仍不能代替基于稳态视觉诱发电位(SSVEP)的BCI.本文对提高SSMVEP信噪比的两种思路以及SSMVEP在BCI中的应用进行了综述.首先归纳和总结了影响SSMVEP诱导和性能的3个主要因素,即运动视觉刺激方式...     

可穿戴式干电极脑机接口系统设计

针对现有脑电设备便携性差的问题,提出了一种基于嵌入式的可穿戴干电极脑机接口(BCI)系统。该系统首先通过干电极配合24位模数转换芯片采集脑电信号,然后使用FIR数字滤波的方法进行3～35Hz带通滤波,最后通过嵌入式处理器进行脑电识别。在识别算法方面,首先对脑电信号进行截断处理,去除视觉刺激延迟以及FIR滤波造成的群延迟;然后采用皮尔逊相关系数法进行在线脑电识别,并分析刺激时长对正确率和信息传输率的影响。实验结果表明:该系统采集信号的平均信噪比为74.86dB,50Hz处共模抑制比为-132.57dB,所用的相关系数法平均识别时间为0.13s,四目标在线稳态视觉诱发电位实验的平均正确率为69.54%。与使用标准典型相关分析(CCA)算法的便携式BCI系统相比,该系统的平均识别时间缩短0.27s,平均正确率提高了10%,可为干电极脑机接口系统应用提供思路。     

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。     

基于概率协作表示的运动想象脑电分类算法

在脑机接口的研究中，针对运动想象脑电信号的特征识别，提出了一种基于概率协作表示的分类方法（probabilistic collaborative representation based classification, ProCRC），通过比较测试样本在每个类别中的最大可能性，从而确定其所属的类别。采用BCI竞赛数据库Ⅲ中的数据集Ⅰ，利用S变换进行特征提取，然后对不同的分类器进行比较，以分类准确率作为评价标准验证了该算法的有效性。该算法的分类准确率能够达到90%,为脑机接口系统分类算法的研究提供了新思路。     

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。     

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.     

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.     

一种改进模板匹配的车牌字符识别方法

提出了一种改进模板匹配的车牌字符识别方法。详细介绍了车牌字符识别的过程,主要包括模板的建立,基于弹性网格的字符特征提取,模板匹配的步骤及改进方法。运用该方法不仅可减少计算量,而且提高了实时性。实验结果表明,提出的方法具有效率高、精确度好等特点,识别率可以达到90%以上。     

基于十字模板匹配的靶场目标检测方法

针对现代靶场所面临的测量目标小、 距离远、 目标与背景对比度低以及匹配算法计算量大、 时间复杂度高等问题, 提出一种基于数字图像处理的靶标检测方法。该方法以十字特征直线代替模板进行粗匹配, 仅对搜索图中像素点数目较少的一段灰度区域进行匹配, 从而大大减小了计算量, 使匹配速度得到极大提高。通过CCD（Charge Coupled Device）相机采集的靶场目标序列图像进行仿真实验, 实验结果表明, 该算法匹配速度快、 较传统的灰度相关算法具有较强的鲁棒性。     

基于AR模型和SVM的脑电信号分类

 基于P300事件相关电位的脑机接口（BCI）系统中,有效的P300特征提取及分类是系统开展后续工作的关键。应用时间序列自回归（AR）模型及支持向量机（SVM）算法对脑电信号进行P300分类;对10导联脑电数据分别分段,并对每段建立AR模型;采用最小二乘法进行AR模型系数估计,由估计出的系数序列构成特征向量,送入SVM进行模式分类。实验针对BCI Competition Ⅲ dataset Ⅱ数据集进行了方法验证,提出的方法在15试次情况下识别正确率达93.5%。实验及数据分析结果表明,应用SVM分类器对AR模型提取出的系数序列特征向量进行分类,具有较好的系统识别正确率,可为实现基于P300的BCI系统实际应用奠定理论和实验基础。     

调制跳变系统同步捕获方法及性能分析

调制跳变技术是一种以伪随机方式控制调制方式跳变,通过缩短每种调制方式持续时间对抗调制识别的新型抗截获技术.为实现调制跳变信号有效、快速捕获,提出了匹配相关双驻留并行捕获方法,并对其性能进行了分析.该方法通过对调制标识码进行匹配相关实现调制识别,采用双驻留并行方式进行同步捕获,确保了低信噪比、小样本数据条件下的捕获性能.分析结果表明:AWGN信道下该方法具有较好的信号识别性能以及较短的平均捕获时间,但瑞利衰落信道下性能相对较差,此时采用基于RAKE接收的匹配相关法将有效改善双驻留并行捕获的性能.     

前视红外末制导Nprod目标识别算法适应性研究

描述了前视红外末制导景象匹配中归一化积相关(Nprod)目标识别算法的基本原理。由实际拍摄的典型目标前视红外图像匹配结果得出:当目标所占面积越大、与背景灰度反差越大、边缘越清晰,Nprod算法匹配效果越好;在目标与背景的灰度分布集中或者目标较远的情况下,匹配效果不甚理想。给出了Nprod目标识别算法的基准图预处理方法,对远距离情况下建筑物目标的匹配进行了匹配方法研究,实验表明具有较好的匹配效果。     

字符图像识别的分布加权模板匹配方法研究

使用标准模板匹配识别算法对图像中的字符进行识别时,图像中的背景噪声会导致识别准确率较低.为了提高识别准确率,提出一种基于分布加权的模板匹配识别算法,在获取图像与模板在对应的各个像素点上的匹配情况后,根据点间距分别对匹配点和不匹配点进行聚类,将聚集在一起的点划分到同一个分组中,根据聚类结果对不同组内的点设置不同的权重值,再计算图像与各个模板的匹配度,将匹配度最高的模板代表的字符作为识别的结果.实验结果证明,此算法提高了对有背景噪声的字符图像进行识别的准确率.