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.     

改进的Wigner-ville分布提取P300视觉诱发电位

对视觉诱发电位P300快速有效提取是脑-机接口技术研究的重要问题.针对脑电信号非平稳性的特点,采用改进的Wigner-ville分布(WVD)提取视觉诱发电位P300.首先,以Oddball实验范式作为视觉诱发刺激范式,获取脑电测量信号;然后,利用共平均参考、带通滤波、数据分割等方法对采集的脑电信号进行预处理,以去除各种噪声和干扰,获得诱发脑电数据.最后,采用少次相干平均结合改进的Wigner-ville分布方法,提取P300视觉诱发电位.仿真结果表明:对比传统的Wigner-ville分布,改进的方法能够有效地获得视觉诱发电位P300,同时抑制交叉项干扰,克服了长时间视觉刺激引起神经系统疲劳而导致P300电位产生误差,为建立在线脑-机接口系统提供支持.     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法.将遗传算法和支持向量机用于脑电信号的分类.选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征.在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率.采用支持向量机对特征数据分类.Fisher准则在特征提取中具有良好的效果.     

骨传导听觉脑机接口技术研究

听觉脑机接口技术为视觉通路存在障碍的闭锁综合征患者提供了与外界交流的新通道.为了使空气传导通路受损的病患也能应用此项技术,本文将声音骨传导方式引入到听觉脑机接口实验研究中.本研究设计了左右耳分别呈现不同声音序列的双耳分听实验范式,对骨传导及空气传导方式所诱发脑电信号进行了特征提取和分类比较.实验结果表明两种传导方式下靶刺激均可稳定的诱发出N200与P300电位,骨传导方式下,N200的幅值较空气传导方式更显著.两种方式都获得较高的分类正确率,均可用于听觉脑机接口系统,且骨传导方式优于空气传导方式.     

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。     

基于卷积神经网络的P300电位检测及在脑机接口系统中的应用

为提取更深层、更原始的脑电信号特征,提高基于P300电位的脑机接口系统的性能,提出将卷积神经网络(CNN)应用到脑机接口系统的P300电位检测.首先,根据脑电信号的时间和空间特征,构建CNN的网络结构.然后,对脑电信号进行预处理,采用卷积层和下采样层进行特征提取.最后,通过全连接层实现P300电位的检测.结果显示,卷积神经网络对P300电位具有很好的特征学习能力,取得了较好的分类结果,为进一步提高脑机接口系统的性能提供了有效手段.     

用FastICA和Fisher准则提取脑电信号特征

脑-机接口(BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是一种常用的脑-机通信方法.它介绍了一种基于P300视觉诱发电位的脑电信号特征提取方法,选取三名实验者的数据用于实验分析.采用独立分量分析的固定点算法(FastICA)和Fisher准则进行特征提取,用支持向量机对提取的特征数据分类,并与主分量分析和Fisher准则相结合的特征提取方法作了比较,FastICA有很好的特征提取能力.     

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.     

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。     

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.     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法。将遗传算法和支持向量机用于脑电信号的分类。选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征。在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率。本文采用用支持向量机对特征数据分类。Fisher准则在特征提取中良好的效果。     

融合眼动追踪和目标动态可调的稳态视觉诱发电位脑机接口系统设计

针对视觉脑机接口应用过程中,刺激目标数量多且面积小时视觉响应不强,被试者疲劳时难以将注意力集中在同等大小刺激目标上的问题,设计了一种基于眼动追踪和视觉目标动态可调的脑机接口系统。该系统利用TCP/IP传输协议实现眼动信号和脑电信号的同步采集,并将眼动信号以视觉反馈的形式实时呈现在刺激显示界面,即有提示被试者视线落点位置以便集中注意力到目标刺激上的作用,起到控制目标刺激大小的作用。该系统结合了眼动追踪快速高效和稳态视觉诱发电位脑机接口(SSVEP-BCI)频谱稳定、信噪比高等优势,眼动反馈信号快速调控刺激目标增大并吸引被试者注意,以激发更高的脑电响应和提升识别正确率。将无眼动反馈刺激目标动态可变、无眼动反馈刺激目标不变作为对照组进行实验,结果表明:有眼动反馈目标动态可变的脑机接口系统能比无眼动反馈目标动态可变、无眼动反馈目标不变系统在更短的时间窗内达到80%以上的识别正确率,且具有更高的脑电响应幅值;在3 s时间窗内,有眼动反馈目标动态可变的脑机接口系统的平均识别正确率为92.97%,脑电响应幅值为1.824μV,高于平均识别正确率为88.39%及脑电响应幅值为1.379μV的无眼动反馈目标动态可变系统,且高于平均识别正确率为79.48%及脑电响应幅值为0.987μV的无眼动反馈目标不变系统,这表明有眼动反馈且刺激目标动态可调的脑机接口系统具有更好的识别效果且能诱发更高的脑电响应,工作性能更好。     

组稀疏贝叶斯逻辑回归的P300信号通道自动选择算法

为了提高脑机接口中P300脑电信号的分类准确率和计算速度,提出一种组稀疏贝叶斯逻辑回归的P300脑电信号通道自动选择算法.该算法首先在贝叶斯框架下建立P300脑电信号的解码模型,其次提出先验的组自动相关确定(GARD)方法构建组稀疏约束下的P300脑电通道权重系数,最后通过最大似然估计来求解超参数并选出P300脑电通道最优子集,避免了大量的交叉验证过程.所提方法在BCI竞赛数据和自采集数据上进行了验证分析.实验结果表明,所提的方法能够自动选择P300脑电通道子集,提高了P300特征分类准确率.     

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。     

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。     

相位集聚指数在脑-机接口特征提取中的应用

脑-机接口(BCI)可以用来帮助运动障碍的病人建立大脑与外部世界直接交互的通道。提取判别特征对提高脑-机接口的性能有重要意义。该文研究了在不同刺激循环中的相位一致性在脑-机接口分类中的作用,将相位聚集指数(PCI)特征引入基于稳态视觉诱发电位(SSVEP)的脑-机接口应用中。通过相同的分类方法,比较传统的功率谱(PSD)特征和相位聚集指数特征的分类正确率。结果表明:在一个6分类的脑-机接口系统中,相位集聚指数特征的分类正确率显著(p0.05)好于功率谱特征,相位集聚指数特征在脑-机接口分类任务中更为有效。