基于运动相关皮层电位握力运动模式识别研究

面向基于脑-机接口（Brain-computer interface,BCI）的脑-机交互控制（Brain-machine interaction control,BMIC）——直接脑控机器人,提出一种新的左、右手握力运动参数范式,在该范式下探索左、右手握力运动相关皮层电位/运动相关电位（Movement-related potentials,MRPs）的时域特征表示并识别握力运动模式.在涉及左、右手4个不同任务的实验中采集了11个健康被试的脑电信号,任务期间要求被试以2种握力变化模式之一完成自愿握力运动,每种任务随机重复30次.不同握力任务之间具有显著差异的运动相关电位特征用于识别握力运动模式.分别用基于核的Fisher线性判别分析和支持向量机识别4个不同的握力运动任务.研究结果进一步证实运动相关电位可以表征握力运动规划、运动执行和运动监控的脑神经机制过程.基于核的Fisher线性判别分析和支持向量机分别获得24±4%和21±5%的平均错误分类率.最小误分类率是12%,所有被试平均最小误分类率为20.9±5%.与传统的仅仅识别参与运动的肢体类型以及识别单侧肢体运动参数的研究相比,本研究可望为脑-机交互控制/脑控机器人接口提供更多的力控制意图指令,奠定了后续的对比研究基础.     

直接脑控机器人接口技术

直接脑控机器人接口(Brain-controlled robot interface, BCRI)是一种新型的人-机器人接口技术, 是脑-机器接口/脑-计算机接口(Brain-machine interface, BMI/Brain-computer interface, BCI)在机器人控制领域的重要应用和研究方向. 研究者相继在Nature、Science和其他重要国际期刊上报道了相关的实验研究和开发, 目前已成为国际前沿研究热点. 本文主要围绕BCRI中的控制策略、BMI/BCI模块与机器人多层控制模块的适应和融合、BCRI中的脑信号自适应分类算法以及人、BMI/BCI模块和机器人控制系统的三边自适应展开论述, 分析了目前的研究情况、存在的局限和面临的若干重要问题, 指出进一步的研究思路和方向.     

脑机融合控制中脑电伪迹处理方法

脑机融合控制的典型控制信号源是脑电,然而脑电信号具有低信噪比、低空间分辨率、极易受到伪迹的污染,这给该类控制系统中脑电信号的处理带来了巨大的挑战.针对脑电中存在的各种伪迹,分析总结了各种伪迹处理方法并比较它们的优缺点,最后针对脑机融合控制的实用化需求,指出该领域脑电伪迹处理方法未来的研究方向——在线实时、自适应/机器学习、免伪迹参考、少通道/单通道、优化融合多种有效方法综合去除EEG中的主要伪迹.