声音骨传导方式与空气传导方式在听觉诱发脑电实验中的对比

声音可以通过骨传导与空气传导两种方式被人的听觉系统所感知.区别于常用的空气传导方式,骨传导方式中声音通过颅骨的振动直接刺激听觉神经,具有抗干扰、频带宽、不受中耳疾病影响等特点.本研究设计了声音两种传播方式下的听觉脑电诱发实验,从波形分析、脑电地形图以及脑网络分析三个方面入手对诱发的脑电信号进行对比分析.实验结果表明,两种方式均可诱发出P300、N200波形,且骨传导方式下,幅值显著高于空气传导方式.两种方式下的脑网络也存在显著差异.     

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.     

基于多种灰度闪光刺激的P300脑-机接口性能研究

因P300脑-机接口系统的准确率和信息传输率较高,已被广泛应用。研究表明,视觉刺激的强度会影响脑-机接口系统的性能,本文对此展开了相关范式研究。首先,按人眼感知灰度的敏锐度将视觉刺激强度划分为9种灰度值并设计刺激范式;然后,通过实验采集9种灰度值刺激源诱发的P300电位数据;最后,对数据进行分析,得到灰度值与P300电位强度和电位分类准确率的关系信息。实验结果表明,振幅、潜伏期与灰度值之间存在一种波动增长关系,同样,灰度值与电位分类准确率也呈现此种关系,为P300脑-机接口系统的刺激源设计提供了重要依据。     

基于诱发脑电信号的特征提取方法研究

在脑机接口研究中,对脑电信号的特征提取是关键。本文选用傅里叶变换和功率谱估计两种方法对稳态视觉诱发脑电数据进行特征提取,用fisher准则对两种方法提取到的特征量进行分类,进而判断这两种特征提取算法的优劣性。     

基于共空间模式和神经元网络的脑-机接口信号的识别

提出了一种基于共空间模式和LVQ神经元网络对不同意识的脑电信号进行分类的方法.脑电信号是通过电极在头皮表面采集的脑-机接口的控制信号,提取脑电信号特征并对其进行分类,组成不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统.首先利用小波包分解对原始脑电信号进行预处理,对分解后特定小波包子带的脑电信号进行共空间模式分解,提取最优的特征;然后利用LVQ网络对不同意识任务特征进行分类,实验结果表明,该方法取得了92.7%的平均分类识别率,已经达到脑-机接口实际应用的标准.     

基于Alpha波的异步脑-机接口系统

利用Alpha波建立了一个脑-机接口系统,包括脑电数据采集、脑电信号分析、特征提取和分类,并进行了实时在线分析.该脑-机接口系统的工作模式为异步,测试者可以任意选择何时启动系统,并随意选择4个命令中的一个进行输出,是一种更加自然的人机交互方式.实验结果表明,该系统取得了很高的分类正确率,具有很好的实用性.     

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.     

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.     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

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。     

脑机接口技术研究方法

脑机接口（BCI）是一种基于脑电信号实现人脑与计算机或其他电子设备通讯和控制的系统，它不依赖人体的外周神经神经系统及肌肉组织，是一种新的人机接口方式，在康复医学和控制等领域有应用前景，近年来，脑机接口技术发展迅速。概述了采用事件相关电位P300、稳态视觉诱发电位（SSVEP）、事件相关同步或去同步9ERS／ERD）皮层慢电位（SCP）、自发EEG信号、植入电极等实现脑机接口技术的研究方法，讨论和比较了各种研究方法的特点和局限，介绍了脑机接口的发展现状和存在的问题，并对其应用前景进行了展望。     

A three-dimensional spatio-temporal EEG pattern analyzing system

Spatio-temporal pattern analysis of EEG is an important tool in brain research. An EEG pattern analysis system based on a hierarchical multi-method approach is proposed here. The system consists of multiple steps including extraction of target signal, acquisition of intracranial electric activity distribution, adaptive segmentation of EEG and spatio-temporal pattern recognition. Some modern signal processing methods such as common spatial subspace decomposition, hidden Markov model are adopted. This paper also proposes an algorithm named LORETA-FOCUSS to estimate the current density inside the brain with a high spatial resolution. Microstate analysis of EEG is extended to the 3-D situation. The system was applied to the brain computer interface problem and achieved the highest accuracy of 88.89% with an average accuracy of 81.48% when classifying two imaginary movement tasks, while the data were not manually pre-selected. The result has proved spatio-temporal EEG pattern analysis is an efficient way in brain research.     

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 Component Analysis)进行降维和卷积神经网络(CNN:Convolutional Neural Network)进行分类,形成分类模型.根据分类结果得到大脑发出的指令,以此对家居进行控制,结合AR技术能使控制过程可视化且更具交互性,符合未来智能家居控制方法的发展趋势.     

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。     

生产性噪声对工作人员脑认知影响的ERP分析

为工业企业听力保护计划制定、人机工程学设计及劳动者烦恼度缓解等提供客观的生理依据,分析了生产性噪声对工作人员脑认知的影响.采集自愿者在90 d B(A)的稳态机械性噪声刺激以及安静状态下的脑电信号,建立事件相关脑电位ERP中N1(N100)波的幅值脑地形图及P2(P200)波幅值的脑地形图,对ERP信号进行时频分析.结果表明噪声刺激与静音状态相比,ERP在N1波的幅值明显减少,而在P2波幅值变化呈相反趋势明显增加.噪声刺激下被试额区导联的N1幅值显著减小,P2幅值显著增加,表明高声压级生产性噪声导致被试烦躁、注意力分散,并干扰了认知能力.     

EEG classification based on probabilistic neural network with supervised learning in brain computer interface

Aiming at the topic of electroencephalogram (EEG) pattern recognition in brain computer interface (BCI), a classification method based on probabilistic neural network (PNN) with supervised learning is presented in this paper. It applies the recognition rate of training samples to the learning progress of network parameters. The learning vector quantization is employed to group training samples and the Genetic algorithm (GA) is used for training the network’s smoothing parameters and hidden central vector for determining hidden neurons. Utilizing the standard dataset I(a) of BCI Competition 2003 and comparing with other classification methods, the experiment results show that the best performance of pattern recognition is got in this way, and the classification accuracy can reach to 93.8%, which improves over 5% compared with the best result (88.7%) of the competition. This technology provides an effective way to EEG classification in practical system of BCI.     

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。