基于CVI与Matlab相结合的BCI在线应用系统

结合CVI与Matlab,设计了一个脑机接口在线应用控制系统。首先,在CVI中通过TCP/IP实时接收脑电信号,通过触发回调函数对接收到的数据进行实时更新;其次,通过软件接口启用Matlab,将更新后的数据送入Matlab,在Matlab中对数据进行预处理、特征提取及分类;最后,在CⅥ中通过软件接口获取Matlab中识别出的类别号,并实现对虚拟车在线实时控制。系统采用多线程技术,充分发挥了软件优势互补的特点,可推动BCI的在线应用。     

脑机接口系统设计中工频干扰分析与抑制问题研究

脑机接口（BCI）系统中存在着各种干扰,工频（50Hz）是其中最重要的干扰之一;通过对测量信号线配置和共模干扰等关键问题的讨论,分析了工频对BCI系统中脑电信号采集过程的影响机理;然后对解决工频影响的常用技术进行了研究,并着重阐述了使用主动电极以及前置脑电采集装置在抑制工频干扰方面的优势.     

基于自发脑电的脑机接口实验研究与设计

针对基于自发脑电信号的脑机接口研究,设计了一种科学的且易实现的运动想象实验范例,利用运动想象脑电作为BCI的控制信号。该实验方案能有效地获得可识别的具有特征性的自发脑电电位,满足脑机接口实验要求,为BCI的研究提供了一种更加自然、更加实用的控制方式。     

混合脑机接口及其研究进展

脑机接口（brain-computer interface,BCI）技术作为一项新兴且发展潜力巨大的技术,已成为国际研究热点。但面向实际应用,现有BCI技术仍面临许多有待解决的问题,如基于稳态视觉诱发（SSVEP）的BCI技术控制命令数有限,基于运动想象（motor imagery,MI）的BCI存在诱发生理信号空间分辨率低、训练时间长等问题。研究表明,混合脑机接口（hybrid brain-computer interface,HBCI）相比于传统单模态BCI系统,在系统准确率、稳定性方面均有所提升。文章对HBCI进行了介绍,从基于多脑电模式的混合脑机接口、基于多种刺激诱发的混合脑机接口、基于多模态信号的混合脑机接口这三个类别分别对HBCI的研究进展进行阐述,并对HBCI关键技术、需要解决的问题及应用方向进行了概述。     

脑机接口技术的发展与展望

脑机接口(Brain Computer Interface,BCI),作为一种特殊的人机交互方式,受到人们越来越多的关注,已成为人工智能与控制领域的研究热点。首先,系统地介绍了脑机接口的概念,并对脑电图(Electroencephalogram,EEG)研究中涉及的关键技术及创新发展进行了分析和归纳。此外,论述和分析了BCI系统在交流功能恢复、运动功能恢复、车辆行驶控制、环境控制等应用领域的现状和不足。最后针对脑机接口技术亟待解决的关键问题,提出了一种基于云计算服务模式的BCI+AI的脑机接口架构。     

基于运动想象脑电控制的智能家居系统

将智能家居与脑机接口(Brain Computer Interface,BCI)技术相结合,利用“意念”实现对家居的操作与控制,能够为运动障碍人士提供更友好和便利的家居生活,具有重要的社会意义.本文以左右手运动意图为例提出一种基于运动想象脑电控制的智能家居系统,对系统设计中涉及的脑电信号采集、噪声滤除预处理、特征提取和分类识别等方面进行研究,并给出系统的实现方案.     

LabWindows/CVI和Matlab的混合编程及实现

分别介绍了LabWindows/CⅥ虚拟仪器开发平台和Matlab软件.阐述了CVI中ActiveX服务函数的生成过程及其功能,研究了如何应用ActiveX技术实现LabWindows/CVI和Matlab的混合编程.最后,简单介绍了脑机接口系统,并以系统中脑电信号识别模块的开发为例,具体说明了混合编程的实现方法,为工程实际应用中CVI调用Matlab的实现奠定了很好的基础.     

基于支持向量机的思维脑电信号特征分类研究

探索一种实用的基于想象运动思维脑电的脑-机接口(BCI)方式,为实现BCI应用奠定比较坚实的理论和实验基础。对6名受试者进行三种不同时段(箭头出现2s、1s和0s后提示按键)情况下想象左右手运动思维作业的信号采集实验,利用小波变换和支持向量机对实验数据进行离线处理。对三种情况下的延缓时间△t0、△t1和△t2分析发现:△t0与△t1和△t2之间都有显著性差别(p<0.05),而△t1与△t2之间没有显著差别(p>0.05);平均分类正确率分别达到68.00%、80.00%和56.67%(p<0.05);实际按键前0.5~1s左右,想象左右手运动的思维脑电特征信号都发生了明显改变。通过合理的实验设计获取的信号有助于识别正确率的提高,为BCI系统中思维任务的特征提取与识别分类提供了新思路和方法。     

融合运动想象脑电与眼电信号的机械臂控制系统开发

脑机接口(brain computer interface, BCI)旨在通过脑电信号与外部设备通信,以实现对外部设备的控制。针对目前脑机接口系统中混合多种复杂生理电信号,并且输出控制指令较少的问题,本文提出融合运动想象(motor imagery, MI)脑电与眼电信号方法扩充控制指令的轻量级机械臂控制系统。该系统分阶段融合脑电和眼电信号两种生物信号,使用双次眼电作为任务开关,运动想象脑电信号控制机械臂运动,单次眼电控制阶段切换,实现了二分类运动想象生成多种控制指令,完成了对机械臂的连续控制。其中运动想象脑电信号使用提升小波变换(lifting wavelet transform, LWT)和共空间模式(common spatial pattern, CSP)结合的方法提取特征,并采用支持向量机(support vector machines, SVM)进行分类;眼电信号通过分析无意识眼电和有意识眼电的峰值来设置阈值进行区分。为了验证系统的可行性,设计了一项脑控机械臂自主服药实验,通过在线实验测试,被试通过使用脑电信号和眼电信号实现了机械臂控制,并完成了服药流程,有利于进一步推广脑机接口技术的实际应用。     

感知器算法在运动想象脑电模式识别中的应用

基于脑电(EEG)的脑机接口(BCI)是在人脑和计算机或其它电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。及时有效地提取和识别与运动想象相关的脑电模式可以帮助严重瘫痪病人控制光标或辅助运动设备以替代其受损的运动功能,建立一种与外界交流沟通的新途径。论文将以EEG(C3,C4)两个通道的mu节律能量作为特征向量,用感知器算法对左右手运动想象脑电模式进行识别,实验结果表明,正确识别率可达87.86%。由于感知器算法计算简单,故可以认为,感知器算法在脑机接口的应用中有较高的实用价值。     

基于LabWindows/CVI和Matlab平台的温度控制系统设计与实现

采用PCL-812PG多功能采集卡,建立了虚拟仪表下的温度模糊控制系统,实现了模糊表和模糊规则的可视化.介绍了控制系统的硬件结构和软件设计方法,尤其是LabWindows/CVI与Matlab的软件接口方法,给出了基于Matlab模糊逻辑工具箱的模糊控制设计方案.最终的控制结果表明,设计的系统能满足设备实时控制要求.     

基于LabWindows/CVI的脑电信号采集系统

基于LabWindows/CVI虚拟仪器软件开发平台,以计算机和数据采集卡为主要硬件,构建了实现脑电(EEG)信号采集的虚拟仪器系统。该系统操作简单、仪器调试方便、界面友好、可扩展性强、成本低,是一种可广泛在实验室推广应用的EEG信号采集系统。     

面向脑控车辆的模糊融合控制方法研究

脑控车辆（brain-controlled vehicle,BCV）是指利用脑机接口（brain-computer interface,BCI）解析驾驶员的脑电信号（electroencephalogram,EEG）从而获得控制命令的车辆,其性能受BCI本身性能影响很大。目前,BCI的识别准确率、可识别分类的指令数都受限,并且其指令识别时间较长,因此仅靠脑电信号控制的车辆,其控制性能并不理想。针对在BCI性能受限的情况下提高脑控车辆的控制性能这一问题,基于模糊逻辑,提出了一种模糊脑控融合控制的方法：基于模糊离散事件系统（fuzzy discrete event system,FDES）监督理论对于驾驶员给出的脑控指令的正确程度进行监督评估;同时基于模糊逻辑设计一个自动控制器根据车辆当前状况进行模糊推理得到自动决策;根据评估后驾驶员指令的正确程度与自动决策进行二次模糊推理,对自动决策作出更符合人意图的调整,得到最终决策。为证明所提方法的有效性,采用一种新型的SSVEP（steady-state visual evoked potential）型脑机接口设备。并基于此平台,设计了后续实验,验证了所提出的方法能够在BCI性能受限的情况下提高脑控车辆的控制性能。     

基于 BCI 的虚拟现实模拟驾驶教学系统设计

为解决传统模拟驾驶过于强调正常场景的训练,缺少对意外场景下学员心理状态 的监测与协助,且无法反馈和评价驾驶心理状态等问题。以脑机交互(BCI)技术与虚拟现实(VR) 为基础开发 VR 模拟驾驶教学演示系统,利用三维动力学引擎开发了驾驶模拟操作系统,在硬 件上设计可穿戴式脑电波信号检测头盔,基于 BCI 技术实现对学员模拟驾驶大脑状态的监控与 数据评估;有突发模拟事件发生时,系统通过脑机接口技术自动制动或辅助驾驶。在完成模拟 驾驶训练的同时可以根据脑波(EEG)反馈在意外事件中给出紧急解救措施,根据 EEG 情况评估 学员的发挥以及心理素质,为虚拟驾驶等认知负荷较高的教学训练提供了更为丰富与直观沉浸 式交互操作方式,提高了该领域教学训练系统的实用性与可用性。     

Analysis of Collaborative Brain Computer Interface (BCI) Based Personalized GUI for Differently Abled

Brain-Computer Interfaces (BCI) use Electroencephalography (EEG) signals recorded from the brain scalp, which enable a communication between the human and the outside world. The present study helps the patients who are people locked-in to manage their needs such as accessing of web url’s, sending/receiving sms to/from mobile device, personalized music player, personalized movie player, wheelchair control and home appliances control. In the proposed system, the user needs are designed as a button in the form of a matrix, in which the main panel of rows and columns button is flashed in 3 sec intervals. Subjects were asked to choose the desired task/need from the main panel of the GUI by blinking their eyes twice. The double eye blink signals extracted by using the bio-sensor of NeuroSky’s mind wave device with portable EEG sensors are used as the command signal. Each task is designed and implemented using a Matlab tool. The developed Personalized GUI application collaborated with the EEG device accesses the user’s need. Once the system identifies the desired option through the input control signal, the appropriate algorithm is called and performed. The users can also locate the next required option within the matrix. Therefore, users can easily navigate through the GUI Model. A list of personalized music, movies, books and web URL’s are preloaded in the database. Hence, it could be suitable to assist disabled people to improve their quality of life. Analysis of variance (ANOVA) is also carried out to find out the significant signals influencing a user’s need in order to improve the motion characteristics of the brain computer interface based system.     

Mental tasks-based brain–robot interface

This paper describes a Brain Computer Interface (BCI) based on electroencephalography (EEG) that allows control of a robot arm. This interface will enable people with severe disabilities to control a robot arm to assist them in a variety of tasks in their daily lives. The BCI system developed differentiates three cognitive processes, related to motor imagination, registering the brain rhythmic activity through 16 electrodes placed on the scalp. The features extraction algorithm is based on the Wavelet Transform (WT). A Linear Discriminant Analysis (LDA) based classifier has been developed in order to differentiate between the three mental tasks. The classifier combines through a score-based system four LDA-based models simultaneously. The experimental results with six volunteers performing several trajectories with a robot arm are shown in this paper.     

Human–Computer Interface Issues in Controlling Virtual Reality With Brain–Computer Interface

We have integrated the Graz brain–computer interface (BCI) system with a highly immersive virtual reality (VR) Cave-like system. This setting allows for a new type of experience, whereby participants can control a virtual world using imagery of movement. However, current BCI systems still have many limitations. In this article we present two experiments exploring the different constraints posed by current BCI systems when used in VR. In the first experiment we let the participants make free choices during the experience and compare their BCI performance with participants using BCI without free choice; this is unlike most previous work in this area, in which participants are requested to obey cues. In the second experiment we allowed participants to control a virtual body with motor imagery. We provide both quantitative and subjective results, regarding both BCI accuracy and the nature of the subjective experience in this new type of setting.