基于P300脑机接口系统实验范式的研究现状

脑机接口系统是一种无需借助周围神经和肌肉便可与外界交流信息、表达使用者想法的通信系统。在过去20多年,P300电位作为脑机接口技术常用的典型脑电成分一直倍受关注,众多研究者为提高脑机接口系统的性能,相继提出了众多基于P300脑机接口系统的实验范式。在总结归纳的基础上,对使用广泛、性能较优越的3种实验范式进行了论述,并比较总结了其性能,同时分析了影响实验范式的物理属性。最终对脑机接口系统实验范式未来的研究方向进行了展望。     

基于极微弱脑电编解码技术的脑机接口前沿展望

脑机接口是人机交互领域中迅速发展的新兴技术,在系统交互速率和指令集数量等方面已经取得较大突破,但现有脑机接口技术多基于高鲁棒性的脑电特征进行编解码,欠缺舒适性和交互友好性,导致目前该技术的应用场景受限且不利于用户进行多线程作业,限制了脑机接口技术走向实际应用.面向脑机交互过程中的实际应用需求,需要开发基于极微弱脑电的编解码技术,挖掘蕴含更深层、更复杂大脑信息的脑电特征.为此,一方面需设计提升用户体验的极微弱刺激编码范式,一方面需研发提高极微弱特征识别精度的解码算法,实现更加实用化、人性化的新型脑机接口系统.本文对基于极微弱脑电编解码技术的相关研究进行了回顾和总结,并对该技术的未来发展趋势进行了展望.     

P300 Speller中基于权值重采样的 ABSVM字符识别方法研究

 P300 Speller是脑-机接口中重要的信息交互方式,由于其诱发的脑电特征信噪比较低与训练样本量庞大等问题,常规的线性识别算法和支持向量机等非线性识别算法难以获得理想的识别效率.本文引入了一种基于权值样本重采样过程的Adaptive Boosting SVM(ABSVM)方法,在大样本集上利用AdaBoost重采样方法建立一系列小样本子集,在其上训练支持向量机并将其集成后进行识别.对6位受试者P300 Speller字符辨识实验的脑电特征识别结果发现,该方法能够显著提高字符识别效率,在合并使用5次重复刺激特征的情况下字符识别准确率达到97.5%.使用国际脑机接口竞赛数据库数据进一步验证,在合并使用5次重复刺激特征的情况下该方法识别正确率较竞赛报告的最优方法提高7.35%,最大信息传输速率的提高达到48.9%.研究结果表明,ABSVM方法能够有效提高P300 Speller的识别效率和信息传输速率,值得进一步研究和发展.     

面向中高频SSVEP脑机接口的编解码算法研究

基于稳态视觉诱发电位（steady-state visual evoked potentials,SSVEPs）的脑-机接口系统（brain-computer interface,BCI）通常使用低频强闪烁刺激诱发强特征脑电信号。尽管相关数据处理技术日臻成熟,但是系统使用舒适度差,训练时间较长。提高刺激频率能够有效缓解受试者的视觉疲劳,提高系统友好度,然而现有中高频SSVEP系统又存在指令集数量少、信息传输率（information transfer rate,ITR）低等缺陷。针对以上问题,本文基于中高频SSVEP脑电特征,提出并使用了包含空码的Code Words编码范式与集成任务相关成分分析（ensemble task-related component analysis, eTRCA）解码算法,并研究了该套编解码方法的适用性与可扩展性。本研究选择中高频段的4个频率（20、24、30、40 Hz）分别构建脑控字符拼写系统,单个频率的闪烁刺激可独立构建多达6个控制指令,联合多个频率理论上可实现指令集数量的成倍扩增。共有10位健康受试者参与了离线脑电实验,利用18~60 Hz带通滤波对脑电数据进行预处理,使用eTRCA算法进行特征识别。18指令集系统的理论平均分类准确率为96.71±1.69 %,理论平均ITR达86.94±6.07 bits/min。以上结果表明,本研究提出的编解码算法能够有效诱发并准确识别中高频SSVEP的时-频-相多维特征,在此基础上通过增加编码单元频率种类、提高有效编码率、改进解码算法等方式有希望进一步提升系统性能。      

基于脑电的快速序列视觉呈现脑-机接口系统研究进展综述

脑-机接口(BCI)系统建立大脑与外部设备之间的直接交流通路,结合快速序列视觉呈现(RSVP)范式能够实现利用人类视觉系统进行高流通量图像目标检索。近些年来,RSVP-BCI系统在范式编码、脑电(EEG)解码和系统应用方面的研究取得了长足的进步。对范式编码的研究揭示不同范式参数对系统性能的影响,促进提升系统性能;脑电解码的研究在提升算法分类性能的同时推动少训练、零训练样本、多模态等场景下的应用;对RSVP-BCI系统应用的研究实现推动系统走向实际应用并拓宽了应用领域。同时,系统仍面临着迈向实际时可应用领域范围窄、脑电跨域解码难题以及计算机视觉飞速进步带来的挑战。该文对RSVP-BCI近年来的相关研究进展进行了回顾与总结,并对未来的发展方向进行了展望。     

基于精细运动想象的脑机接口技术研究进展

基于运动想象的脑机接口(Motor Imagery based Brain-Computer Interface,MI-BCI)对运动康复具有重大意义.然而,现有MI-BCI指令集有限,在高维精细运动控制时,运动意图与动作输出无法匹配,不利于构建反馈真实运动意图的闭环运动康复系统.近年来,精细运动想象编解码研究逐渐受到关注与重视,在范式与解码方法两方面取得了一些研究进展.范式方面,一些研究对想象单一肢体不同关节、同一关节不同自由度的动作进行了尝试;解码方法方面,传统机器学习、深度学习与基于领域自适应的迁移学习方法等被引入到了精细运动想象解码研究中.本综述讨论了基于脑电信号的精细运动想象范式与解码方法的研究进展,并展望了其未来前景,以期促进精细运动想象脑机接口技术的深入研究及未来应用.     

基于脑电的脑机接口技术在医学领域中的应用

脑机接口能够在大脑与外部设备之间建立直接的交流通道.随着脑科学的深入研究和人工智能技术的迅猛发展,脑机接口得到了长足的进步.基于头皮脑电的脑机接口由于具有对人体无创伤、成本低廉且便携性较好等优点,在多种应用场景中广受关注.本文从脑信号产生、获取和解码三方面引入,介绍基于脑电的脑机接口技术,阐述脑机接口技术在医学领域的应用现状.考虑到尽管脑机接口进展迅速,但目前仍处于发展、成长阶段,本文将探讨该项技术在医学领域中的挑战与可能解决方案,以增进对基于脑电的脑机接口技术的了解和认知.     

运动想象脑电信号的ERD/ERS分析基础

脑机接口能提供一种不依赖于外周神经和肌肉,实现大脑与外界进行信息交流的全新通路。运动想象脑电研究是脑机接口技术研究领域一个重要课题,本文对运动想象脑电信号分析基础做简要介绍。一、脑电分类及特点脑电是人脑神经细胞群的自发性节律电活动在大脑皮层或头皮的总体反应的体现。近年来,一系列先进的成像技术也能够非常直观地呈现人脑各区域状态的变化情况,但这些并不影响基于EEG的相关研究。相比于以上成像技术,EEG     

基于局部和非局部空间信息的图像分割算法

传统的SCM算法没有充分利用图像的空间信息,存在明显不足。结合空间信息的FCM算法已有效的用于处理含噪图像。文章介绍了一种新的图像分割算法,通过在隶属度函数中引入局部和非局部空间信息,提出了结合局部空间信息的SCM算法,基于非局部空间信息的SCM算法,以及结合局部和非局部空间信息的SCM算法。相比传统的FCM算法和SCM算法,该算法能有效地解决重叠和噪声问题。经过观察比较,该算法的分割结果更加准确,抗噪声能力更明显。     

2022年脑机接口研究进展

脑机接口（brain-computer interface,BCI）旨在大脑与外部环境之间建立一种不依赖于外周神经系统的交流与控制通道，从而实现大脑与外部设备的直接交互。脑机接口的初衷是帮助运动障碍患者利用其意图直接控制辅助设备，提高患者生活质量并重拾生活信心。随着脑机接口技术的发展，脑机接口应用已拓展至游戏娱乐、学习教育、智能家居和军事等领域。作为脑科学与类脑智能研究的重要部分，脑机接口已成为多个国家的科技战略重点。随着脑科学、计算科学、人工智能等领域快速发展，脑机接口技术的进步步伐加速，脑机接口已成为全球科技前沿热点。脑机接口技术主要涉及硬件、软件和算法，其中硬件主要包括脑信号采集与处理器件，是保障脑机接口性能的前提；软件的优化将降低脑机接口系统的使用门槛，惠及更多人群；算法则主要是对脑信号进行分析与处理，以又准又快地解读用户意图。脑机接口在硬件、软件和算法三方面的技术进步不仅推进脑机接口从实验室演示走向实际应用，同时也将拓宽脑机接口的应用范围。因此，本文从关键技术、典型应用等方面着手对2022年脑机接口领域的研发热点进行回顾和梳理，以期增进脑机接口研究现状的了解。同时，对当前脑机...     

基于深度学习的运动想象脑机接口研究综述

近年来，随着脑机接口（Brain-Computer Interface,BCI）技术的进一步发展，对特征提取技术的鲁棒性的需求也持续增加。深度学习（Deep Learning,DL）作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力，在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征，因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络（Convolution Neural Network,CNN）、深度信念网络（Deep Belief Network,DBN）和递归神经网络（Recurrent Neural Network,RNN）是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型，还探讨了它们在BCI中集成其他方法的实际运用。     

基于SSVEP的脑控小车系统的研究

文中设计了一种基于SSVEP的脑控小车分级速度和方向控制的系统,存在向左、向右、向后、向前(一级、二级、三级)6个脑控命令。在刺激范式、刺激时间、空间布局三方面进行了优化,实验表明扩大刺激目标间距、加强刺激时间能够提高目标识别准确率。在脑电解码方面,采用HHT(Hibert-Huang Transform)和CCA(Canonical Correlation Analysis)对比方式,10名被试参与此次研究,结果表明HHT解码方式比CCA在准确度方面提高了6.59%;在特征分类方面,采用支持向量机(Support vector machine,SVM)形式。该方向和分级速度控制系统实现了小车在速度和方向上的灵活控制,优化方法提高脑了控小车的准确度与实时性。实验结果显示在选取范式3,刺激时间3s的条件下,10名被试平均识别准确率高达92.50%。文中理论可望为脑控设备走出实验室打下坚实基础。     

基于正则化共空间模式的运动想象脑电信号解码

运动想象-脑机接口（MI-BCI）是一种能对使用者的运动意图进行解码，无需任何外部刺激就能产生指令，可以为无法自主运动患者提供一种额外交互控制通道，辅助或改善其生活方式。公共空间模式（CSP）是MI-BCI的EEG信号解码的一种有效方法，但是还存在一些不足。CSP对滤波器频带、时间窗口和通道的选择非常敏感，因此文中提出了新的正则化CSP(RCSP)方法对传统的CSP进行优化。通过在公共BCI数据集上进行验证，得到了82.92%的分类准确率，相比经典的CSP算法准确率提升6%。研究结果表明RCSP是一种更加有效的MI-EEG信号解码方法，可以为后续MI-EEG在线系统的研究提供新的思路。     

单通道脑电信号中眼电干扰的自动分离方法

当前主流的眼电(EOG)去除方法需要利用多通道脑电的相关性,难以在单通道的便携式脑机接口(BCI)中应用。该文提出一种基于长时差分振幅包络与小波变换的眼电干扰自动分离方法。首先在原脑电信号的长时差分振幅包络上实施双门限法来精确检测眼电的起止点,然后利用sym5小波对脑电进行分解并引进Birg_Massart策略来自适应地确定小波重构系数阈值,最后通过小波重构精确地估计眼电,实现单通道上眼电与脑电的自动分离。大量实验证明,该方法与主流的平均伪迹回归分析和基于独立成分分析(ICA)的方法相比,能够获得更好的估计眼电与原眼电的相关性,保证更高的校正信噪比和较强的实时性,能够满足脑机接口多方面的需要。     

基于P300电位的新型BCI中文输入虚拟键盘系统

 近年来各种信号处理技术随着计算能力的提高取得了巨大进展,推动了人机交互(HCI)技术的发展.脑机接口(BCI)是一种特殊的人机交互通道,在最近几年引起广泛关注.P300电位是一种事件相关电位,利用诱发人类P300的原理,可以实现基于P300的BCI系统.此类系统以往常用于英文字母的输入,本研究首次设计并开发了一套进行汉字输入的在线P300-BCI系统.系统利用汉字基于笔画的特性简化了P300诱发界面,并据此设计了相应的汉字虚拟键盘.利用此系统进行的在线输入实验表明,此中文BCI的设计是可行的,对系统的进一步完善将可以为汉语系的瘫痪患者的机能恢复提供新的选项.     

BCI技术在现在和未来的应用

脑机接口(BCI),也被叫作"大脑端口",它是一种不依靠大脑外周神经,由生物的脑电与外部的设施直接连接的一种接口方式。它将已获取的脑电信号,通过已经搭建的连接通路传递人脑的想要完成的行为动作,这样人就可以直接通过脑内所想来完成相应的事情,而不需要自身肌体的行动。脑机接口技术使得由大脑直接控制目标机械或完成动作成为可能。     

基于发音想象的脑机接口的研究综述

脑机接口作为患有交流或肢体障碍的病人与机器设备交流沟通的一种技术，近年来在生物医学工程、康复工程等领域受到广泛关注。基于发音想象的脑机接口作为一种新型的脑机接口方式，由于其具有为患有言语障碍的病人提供有效、舒适的言语交流的潜力，其相关研究正在迅速发展。本文首先介绍常见的基于发音想象的脑机接口所用到的信号采集技术，然后详述现有文献中的相关研究内容和信号处理算法，最后讨论基于发音想象的脑机接口存在的问题以及对未来工作进行展望。      

基于脑电熵值特征和功能连接的不同线型道路下驾驶状态检测

基于脑电信号完成对不同驾驶过程的解码分析，并就驾驶意图做出预测，是基于脑机接口的人机协同智能驾驶控制中的核心问题.为了实现对直线、左弯道和右弯道驾驶过程的识别，本文提出了基于脑电功能性脑网络和熵值特征的驾驶行为特征检测方法，并结合支持向量机和高斯混合模型等算法完成对不同线型驾驶过程的分类识别.模拟驾驶实验结果表明，本文提出的方法可有效实现对不同线型驾驶过程的识别，针对16名被试对直线和弯道驾驶过程的识别准确率均高于82%，最高达到86.66%，对左弯道和右弯道驾驶过程的识别准确率均高于75%，最高达到77.95%.对主要脑区间相互依赖关系的分析结果表明，弯道驾驶过程表现出明显的大脑对侧性特征，且左弯道驾驶相比右弯道需要更多的脑区间交互活动，而直线驾驶过程中左脑区的活动稍强于右脑区.本文研究结果对理解弯道驾驶过程中驾驶员脑认知特性，以及开展不同线型道路下驾驶行为检测和驾驶状态研究，具有一定的参考价值.     

不同刺激光源面积对SSVEP共振频率的影响研究

稳态视觉诱发电位（steady-state visual evoked potentials，SSVEP）的共振频率为诱发最大SSVEP响应对应的刺激频率，对其研究在临床神经科学和脑机接口技术领域均具有很好的应用前景。刺激光源面积是影响SSVEP共振频率的一个要素，但目前对共振频率随光源面积变化规律知之甚少。本文首先进行的理论研究结果表明周期性视觉刺激光源面积变化和SSVEP性能变化密切相关；然后侧重实验研究不同LED光源刺激面积变化对SSVEP共振频率的影响规律:首先采集不同光源面积刺激下的SSVEP信号，对其依次进行50 Hz陷波、带通滤波（带宽为3～35 Hz）去噪、去趋势与眼电等预处理；然后基于快速傅立叶变换进行频谱分析，计算不同刺激频率下的SSVEP平均归一化基波功率，以确定SSVEP的共振频率。结果表明:当光源半径和刺激频率分别在5～9 mm和6～20 Hz取值时，SSVEP共振频率随光源面积变化的规律是:当光源面积小于某阈值时，共振频率与光源面积正相关；而超出这个阈值时，共振频率与光源面积负相关。此外本文用闪光LED作为刺激源，可有效解决以屏幕闪光为刺激源时存在的频率选择受限于屏幕刷新率问题。本文研究结果可为神经系统疾病的预测或诊断和SSVEP在脑机接口领域的有效应用提供有意义的理论和实验依据。      

基于深度时空特征融合的多通道运动想象EEG解码方法

脑电(EEG)是一种在临床上广泛应用的脑信息记录形式,其反映了脑活动中神经细胞放电产生的电场变化情况。脑电广泛应用于脑-机接口(BCI)系统。然而,研究表明脑电信息空间分辨率较低,这种缺陷可以综合分析多通道电极的脑电数据来弥补。为了从多通道数据中高效地获取到与运动想象任务相关的辨识特征,该文提出一种针对多通道脑电信息的卷积神经网络(MC-CNN)解码方法,先对预先选取好的多通道数据预处理后送入2维卷积神经网络(CNN)进行时间-空间特征提取,然后利用自动编码(AE)器把这些特征映射为具有辨识度的特征子空间,最后指导识别网络进行分类识别。实验结果表明,该文所提多通道空间特征提取和构建方法在运动想象脑电任务识别性能和效率上都具有较大优势。