便携式脑电无线采集系统的设计

设计了一种基于单片机、无线芯片n RF24L01和TFT液晶显示屏的便携式脑电无线采集系统,系统控制器采用STC12C5A60S2单片机。发送端的单片机对预处理后的脑电信号进行采集和存储,通过n RF24L01芯片进行无线传输,接收端单片机再将信号波形送至液晶显示屏显示并进行进一步的分析。该系统不需要采用PC机,因此具有体积小、轻便、功耗低等特点。     

便携式脑电采集器研究与设计

脑电信号是人脑内部各种活动的外部表征,脑电信号的分析及处理对临床上一些疾病的诊断和治疗十分重要。基于脑机接口技术,提出了便携式脑电采集器的设计,它将脑电信号进行收集,通过蓝牙的上行通道将信号传递到计算机,并进行信号处理分离出5种脑波信号,在编制的显示软件中准确显示出来,为我国脑机接口技术向实用性转化提供了依据。     

脑机接口系统的协同工作机制

脑机接口(Brain-Computer Interface,BCI)是一种新型的对外信息交流和设备控制方式。脑机接口系统的协同工作机制包含了人机协同和软硬件各模块间的协同。本文探讨了这些协同工作如何开展、各部件如何共同协调与协作来完成共同的任务。     

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。     

脑机接口系统中的交互技术研究

首先介绍了脑机接口(brain-computer interface,BCI)系统的概念和基本组成,交互技术在系统中的重要作用,以及目前国际上比较典型的交互技术;其次鉴于当前交互技术中存在的不足,分析了如何使人在脑机接口系统发挥更重要的作用,提出了一种新的脑机接口实验范式,该范式中随着被试操作技能的提高系统性能可以得到明显提升;之后建立了该实验范式的原型机系统——基于BCI的倒摆交互控制系统;最后对脑机交互技术的发展及脑机接口技术未来的应用做了展望。     

基于脑电BCI的研究综述

一直以来脑研究都是国内外的研究热点,脑机接口(Brain Computer Interface,BCI)则是脑研究中的重要内容之一。正因为如此,越来越多的国内外研究者开始从事BCI的相关研究,并取得了诸多优秀成果。该文从BCI信号角度入手,总结了近年来基于脑电BCI的典型系统、相关分析方法及研究成果,并具体分析了其中存在的不足之处。     

基于脑电BCI的研究综述

一直以来脑研究都是国内外的研究热点,脑机接口（Brain Computer Interface, BCI）则是脑研究中的重要内容之一。正因为如此,越来越多的国内外研究者开始从事BCI的相关研究,并取得了诸多优秀成果。该文从BCI信号角度入手,总结了近年来基于脑电BCI的典型系统、相关分析方法及研究成果,并具体分析了其中存在的不足之处。     

基于公共空间频率模型的脑电数据分类

利用公共空间频率模型算法实现较少训练数据的脑电识别。首先给出公共空间频率模型算法的数学公式和求解过程,然后从数学分析角度说明表达实质含义,以及如何实现空间和频率上的同时滤波;再对于提取出来的特征,如何构造分类器,进行分类;最后用BCI Competition III的Iva数据包为数据源,证明了公共空间频率模型算法在BCI的实用性,能够达到更好的识别效果。     

基于能量熵的运动想象脑电信号分类

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

四类运动想象任务的脑电特征分析及分类

对多通道的四类运动想象脑电进行了研究。提出了采用表面拉普拉斯对多通道脑电进行预处理,消除各导联之间的相关性,提高信号的信噪比。实验证明表面拉普拉斯对分类正确率的提高有极大的帮助。然后使用OVR-CSP（One Versus the Rest Common Spatial Patterns）的方法,对四类运动想象任务的脑电信号进行特征提取。最后,应用设计的BP神经网络对提取的特征数据进行了分类,取得了较高的分类正确率。对基于不同频带脑电特征的分类情况进行了分析比较,得出了一些有参考价值的结论。     

面向运动想象脑电图识别的镜卷积神经网络

目的 脑电图（electroencephalogram,EEG）是一种灵活、无创、非侵入式的大脑监测方法,广泛应用于运动想象脑机接口系统中,运动想象脑电图识别精度是决定系统性能的关键因素。然而由于脑电图采集时间长、个体差异大等原因,导致单个受试者可用于模型训练的样本数量少,严重影响了卷积神经网络在脑电图识别任务中的表现。为此,本文提出一种镜卷积神经网络（mirror convolutional neural network,MCNN）模型,使用集成学习与数据扩增方法提高运动想象脑电图识别精度。方法 在训练阶段,基于源脑电通过互换左右侧脑电通道构造镜像脑电,并与源脑电一起用于源卷积网络训练,有效扩增了训练样本;在预测阶段,复制已训练源卷积网络作为镜像卷积网络,将测试集中的源脑电输入源卷积网络,构造的镜像脑电输入镜像卷积网络,集成源卷积网络与镜像卷积网络输出的类别预测概率,形成最终类别预测。结果 为了验证模型的有效性和通用性,基于3种不同运动想象脑电图识别卷积网络模型分别构造镜卷积网络,并在第4届脑机接口大赛2a与2b数据集上进行实验验证。实验结果与原始模型相比,运动想象四分类和二分类准确率分别平均提高了4.83%和4.61%,显著提高了识别精度。结论 本文面向运动想象脑电图识别,提出了镜卷积神经网络模型,通过集成学习与数据扩增方法提高运动想象识别精度,有效改善了运动想象脑机接口性能。     

脑-机接口中基于相似关系的MRPs双滤波特征提取算法

针对基于EEG的脑-机接口(BCI)实验数据分布不明朗的特点,双滤波模式(DFP)算法利用样本模式相似性来优化BCI的分类特征——运动相关电位(MPPs) 特征的空间(即电极位置)和时间投影方向,使得映射后异类样本模式差异性与同类相似性的比值最大化。该算法考虑MRPs特征对时间、空间的敏感性,并以自适应的方式挖掘它们适合分类的信息;优化时不需要进行样本数据分布假设,符合BCI数据特点。最后,DFP算法对BCI competition I、II两组数据进行实验,识别效果均高于相关比赛的最好成绩,这表明DFP算法能有效提取MRPs特征。     

基于运动想象的脑电信号的分类研究

对基于左右手想象的脑机接口数据进行了离线分析。在预处理过程中,采用4阶椭圆带通滤波器进行8～12Hz带通滤波,提取Mu节律对应的EEG信号。选取时间为4～5.5s内的C3、C4通道的幅值和之比作为时域分类特征;在频域范围内,对滤波后数据进行10阶的AR模型功率谱估计作为频域特征;将时域特征和频域特征结合成时频特征向量作为分类特征;在分类器的选择上,使用线性感知器作为分类准则对特征向量进行分类训练。结果表明,经过滤波后的分类结果比未经过滤波的效果要好。选用C3、C4通道的时频特征向量作为分类特征,表达意义简单、明了,且能将某些时频的优点结合,分类准确率较高,且分类速度快,能满足实时性要求。     

基于主动干电极传感器的无线可穿戴脑电采集系统

为了减少脑电信号(EEG)采集系统的复杂性、实验前长时间繁琐的准备过程,以及改善采集系统的抗干扰性、可穿戴性和舒适性,设计了一种带有8通道主动干电极传感器的无线可穿戴脑电采集系统,具有24位ADC,109 dB信噪比,±500 mV/10 Hz的交流输入范围.实验结果表明:该系统和商业系统记录的脑电图波形之间的相关系数为0.89,增加了可穿戴无线采集系统的可靠性,改善穿戴的舒适性.采用该系统可实现脑电的静态记录和基于稳态视觉诱发(SSVEP)的脑-机接口(BCI)应用.     

脑控: 基于脑——机接口的人机融合控制

近年来,一类被称之为脑控的新型控制系统发展迅速, 这是一种基于脑--机接口(Brain-computer interface, BCI)的人机融合控制系统, 也是一种基于人的意念和思维的控制系统. 脑控系统已被成功应用于残疾人的生活辅助、中风病人和损伤肢体的康复训练、 操作员状态的实时监控、游戏娱乐和智能家居等广泛的领域. 本文在简要介绍了脑控的研究背景、基本原理、系统结构和发展概况的基础上, 着重对脑电信号(Electroencephalogram, EEG)模式、控制信号转换算法和应用系统研究等主要问题的研究现状, 进行了较为详细的论述和分析, 并探讨了进一步研究的方向和思路. 最后对脑控的未来发展方向和应用前景进行了分析和展望.     

多通道三维视觉指导运动想象脑电信号特征选择算法

针对基于三维视觉指导的运动想象脑机接口多通道冗余信息较多、分类准确率差的问题,提出了一种基于小波包分解（WPD）—共空间滤波（CSP）—自适应差分进化（ADE）的模式脑电信号特征提取与选择分类方法。首先,对采集的多通道运动想象脑电信号进行WPD变化,划分出精细的子频带;然后,分别将WPD变换后的每个子空间作为CSP的输入,得到对应的特征向量;最后,使用ADE算法对特征向量进行选择,选择出用于分类的最佳特征子集。采用WPD-CSP-ADE模式进行特征提取与选择,较经典的WPD-CSP方法在分类正确率、特征个数方面有着更好的表现。同时,所提算法分类性能明显优于遗传算法、粒子群算法。实验结果表明,WPD-CSP-ADE方法能够有效地提高分类正确率,同时减少了用于分类的特征个数。     

视觉引导下的运动执行与运动想象EEG时频特征对比分析

近年来基于运动想象(Motor imagery,MI)的脑-机接口(Brain-computer interface,BCI)技术迅速发展,广泛运用于各个领域.为了比较运动执行(Motor execution,ME)与MI脑电活动的差异,本文提出一种基于脑电信号(Electroencephalogram,EEG)时频域...     

机械臂抓取任务的脑电分类

针对大脑认知完好无损的患者,却患有重度神经肌肉疾病导致肢体行动受限的问题,为使患者重新获取障碍肢体的自主控制能力,本文提出了一种机械臂抓取任务的脑电分类方法对患者进行障碍肢体运动康复训练.首先使用非侵入式脑电技术对运动想象脑电信号进行采集,通过预处理、特征提取以及多尺度特征融合卷积神经网络进行分类识别;最后利用分类模型得到的标签解码成机械臂能够识别的指令,控制机械臂完成特定任务.实验结果表明:实验选取的15名健康受试者运动想象实验采集的脑电数据具有可行性,平均准确率达到了82%以上;为机械臂抓取任务的脑电分类提供了一种新思路.     

基于EEG的脑机接口发展综述

随着无线传输、机器学习、人工智能等技术的进步,基于脑电图(EEG)的脑机接口(BCI)技术的研究相应增加,作为一种变革性的通讯和控制技术,脑机接口可以广泛地应用于康复医疗、游戏娱乐、军事应用、家居智能等领域,具备千亿级别的应用市场;综述了基于EEG的典型脑机接口范式,包括MI-BCI、P300-BCI、SSVEP-BCI等范式的基本原理、研究现状和典型应用场景,对各类范式的优缺点进行了评价,提出了当前研究中面临的技术和伦理等方面的风险挑战,并对其发展和应用前景作了展望。     

脑-机接口用微传感器设计与制造方法研究

神经微传感器是脑-机接口系统中的关键器件,通过对神经组织多个区域进行生物电信号记录和施加电刺激,探索神经系统顽疾的治疗方法。建立了神经微传感器与神经组织相互作用的电路模型;从生理、物理、工程等角度出发,设计了微传感器的机械结构,并确定了探针臂的几何参数;将两片二维电极插接在支撑基板上,并安装隔板加以固定,从而组装成三维结构,能在创伤度最小的情况下实现稳定、可靠的三维测点定位。单通道动作电位检测实验证明：此神经微传感器具有良好的神经信号提取能力。