脑-机接口技术综述

脑-机接口是在人脑与计算机或其它电子设备之间建立的直接的交流和控制通道,通过这种通道,人就可以直接通过脑来表达想法或操纵设备,而不需要语言或动作,这可以有效增强身体严重残疾的患者与外界交流或控制外部环境的能力,以提高患者的生活质量.脑-机接口技术是一种涉及神经科学、信号检测、信号处理、模式识别等多学科的交叉技术.本文对脑-机接口技术的发展、研究现状、工作原理以及涉及的关键技术进行了较为详细地综述,在总结脑-机接口技术存在问题的基础上,探讨了该领域进一步研究的方向.     

脑机接口技术研究概述

脑机接口(Brain-Computer Interface, 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(外周神经和肌肉组织)的一种通讯系统.本文概述了基于脑电信号(EEG)的BCI技术的基本原理、研究方法、类型、研究现状,并分析了目前存在的问题与应用前景.     

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...     

直接脑控机器人接口技术

在现代化科学技术发展带动作用下,作为一种新兴的人-机器人接口技术—直接脑控机器人技术成为了当下机器人控制研究领域的重要研究内容之一。文章首先对脑控机器人接口内容进行了详细的论述,并对BCRI关键技术之一进行了分析,已为今后直接脑控机器人接口技术参考使用。     

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...     

自适应脑机接口研究综述

脑机接口(BCI)不依赖于外周神经和肌肉,在大脑与外部设备之间建立起直接交流的通路。近年来,该技术在识别准确率和系统交互速率方面已取得巨大突破。然而,脑电(EEG)信号非平稳特性较强且用户主观状态波动较大,传统脑机接口技术对大脑活动的动态变化欠缺适应性,影响了脑机接口系统的控制稳定性,也限制了其智能化发展和应用。自适应脑机接口可根据大脑当前状态动态调整诱发范式和实时更新识别模型,从而增强脑控系统对非平稳大脑活动的适应性,提高其控制精度和鲁棒性,实现更加实用化的脑控系统,对推动脑机接口技术进一步发展极具意义。该文对自适应脑机接口的相关研究进行了回顾和总结,并对该技术未来发展的方向进行了展望。     

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。     

基于头皮脑电的游戏型脑机接口应用研究综述

游戏型脑机接口(game-BCI)是指将脑机接口与游戏结合,通过对脑电信号的识别,使用户完成对游戏的直接控制,不仅为健康人提供了新型的游戏交互方式,也为残障人士提供了新的康复治疗途径。相比于其它侵入性BCI,基于头皮脑电的BCI有无创、时间分辨率高、成本低、便携性好等优势,具有更加广泛的应用前景。该文对基于头皮脑电的游戏型脑-机接口技术进行了总结,将其按控制信号类型分为主动式、反应式、被动式以及混合范式,介绍不同类型游戏BCI的控制策略和应用场景,并对比分析了游戏BCI中不同类型脑电信号常采用的分类算法,最后讨论了该领域目前存在的问题和未来的发展方向。     

运动意图的头皮脑电编解码及其脑-机接口研究进展

基于运动意图的脑-机接口(BCI)对人体运动功能增强、替代和康复具有重要研究意义与应用价值。其中,运动想象(MI)是最常用的表征运动意图的BCI范式。然而,传统MI-BCI通常仅实现不同肢体部位运动意图解码,且识别正确率较低,制约着精细运动控制与康复效果。针对上述问题,近年来研究者在单一肢体特定部位、运动学与动力学意图诱发头皮脑电编解码以及运动意图错误相关电位检测3个方面开展了一系列有意义的探索,并在高自由度的运动指令控制和面向卒中患者的临床康复应用方面取得了较大的研究成果。该文从运动意图的头皮脑电(EEG)编解码相关范式及其BCI应用两个方面综述了本领域研究进展,并探讨当前研究存在的问题和可能的解决方案,以期促进运动意图BCI技术的深入研究及开发应用。     

基于运动想象脑机接口的AuFBCSP方法

针对基于运动想象的脑机接口问题,提出了一种新的特征提取方法,即加强的滤波带宽共同空间模式方法。与传统的滤波带宽共同空间模式方法相比,文中提出的方法充分考虑了被试在进行运动想象时发生事件相关去同步时段的特异性,从而得到更多的特征,并利用这些特征分类,取得更高的准确率和kappa值。在特征的选择上,利用BCI的竞赛数据,将基于互信息的方法和基于准确率的方法进行对比,发现基于准确率的特征选择方法优于基于互信息的特征选择方法。     

Real-Time Brain-Computer Interface System Based on Motor Imagery

A brain-computer interface (BCI) realtime system based on motor imagery translates the user's motor intention into a real-time control signal for peripheral equipments. A key problem to be solved for practical applications is real-time data collection and processing. In this paper, a real-time BCI system is implemented on computer with electroencephalogram amplifier. In our implementation, the on-line voting method is adopted for feedback control strategy, and the voting results are used to control the cursor horizontal movement. Three subjects take part in the experiment. The results indicate that the best accuracy is 90%.     

一种新的基于小波包分解的EEG特征抽取与识别方法研究

为了提高脑思维任务分类精度,提出一种新的脑电特征抽取与识别方法.首先进行小波包分解,然后结合能反映脑电信号在时域与频域上的能量分布特征的小波包熵概念,从小波包库中选择最优小波包基,对各个最优基所对应的小波系数求取统计特性,然后根据不同脑思维任务下左右半脑各导联间的差异性对各个导联对求取不对称率构成分类特征向量,最后利用SVM分类器对其进行分类.实验结果表明:相对于一般的小波包分解,最优小波包基和自回归特征抽取方法,该方法对5类不同脑思维任务的所有10种不同组合任务对的平均分类预测精度可以达到95.41％～99.65％.     

在线脑机接口中脑电信号的特征提取与分类方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于离散小波变换和AR模型的方法.利用Daubechies类小波函数对脑电信号进行3层分解,抽取小波变换系数的统计特征;利用Burg算法提取脑电信号6阶AR模型系数.将这两类特征进行组合后使用神经网络、支持向量机、马氏距离线性判别进行分类并比较分析.采用BCI...     

Probabilistic Methods in Multi-Class Brain-Computer Interface

Abstract-Two probabilistic methods are extended to research multi-class motor imagery of brain-computer interface （BCI）： support vector machine （SVM） with posteriori probability （PSVM） and Bayesian linear discriminant analysis with probabilistic output （PBLDA）. A comparative evaluation of these two methods is conducted. The results shows that： 1） probabilistie information can improve the performance of BCI for subjects with high kappa coefficient, and 2） PSVM usually results in a stable kappa coefficient whereas PBLDA is more efficient in estimating the model parameters.     

基于粗糙集离散化的多频带脑电特征选择方法的研究

不同的受试在进行运动想象时,脑电模式在频带分布上的差异较大,只有找到特定受试的有效特征,才能得到较好的实验效果。文中结合共同空间模型和粗糙集离散化算法的特征选择方法,来选取受试左右手运动想象的多频带脑电特征。与单频带特征相比,文中提出的方法提取的多频带脑电特征,能够有效的剔除了冗余特征量的干扰。实验结果表明(五位受试),文中提出的方法可以有效提高分类准确率。     

Design of an EEG Preamplifier for Brain-Computer Interface

As a non-invasive neurophysiologieal index for brain-computer interface （BCI）, electroencephalogram （EEG） attracts much attention at present. In order to have a portable BCI, a simple and efficient pre-amplifier is crucial in practice. In this work, a preamplifier based on the characteristics of EEG signals is designed, which consists of a highly symmetrical input stage, low-pass filter, 50 Hz notch filter and a post amplifier. A prototype of this EEG module is fabricated and EEG data are obtained through an actual experiment. The results demonstrate that the EEG preamplifier will be a promising unit for BCI in the future.     

Design of an EEG Preamplifier for Brain-Computer Interface

As a non-invasive neurophysiological index for brain-computer interface (BCI), electroencephalogram (EEG) attracts much attention at present. In order to have a portable BCI, a simple and efficient pre-amplifier is crucial in practice. In this work, a preamplifier based on the characteristics of EEG signals is designed, which consists of a highly symmetrical input stage, low-pass filter, 50 Hz notch filter and a post amplifier. A prototype of this EEG module is fabricated and EEG data are obtained through an actual experiment. The results demonstrate that the EEG preamplifier will be a promising unit for BCI in the future.     

协同视觉显著性检测方法综述

协同视觉显著性检测是视觉注意力计算领域中一个快速发展的新兴分支,致力于检测多幅相关场景图像中的公共显著目标,在各种计算机视觉任务中有广泛应用.考虑到特征提取策略的设计是协同视觉显著性检测当前研究的重点,本文首先根据特征提取策略的不同对现有的协同视觉显著检测方法进行了分类介绍和定性分析.其次,通过在5个公开数据库上的主观和定量对比,对各流行算法的性能进行了评估,分析了特征提取策略对算法性能的影响以及各数据库的复杂度,并验证了协同视觉显著性检测和视觉显著性检测的区别.最后,对本文工作进行了总结,并对当前研究中存在的问题和未来的研究工作进行了讨论.