基于肌肉协同的表面肌电通道选择方法

将不同肌肉对运动任务的贡献度作为最优通道选择的优化准则,提出了基于肌肉协同(Muscle Synergy,MS)的通道选择方法。首先对原始肌电信号进行预处理,提取时域特征,然后使用非负矩阵分解(Non-Negative Matrix Factorization,NMF)算法分别对每个手势动作提取肌肉协同矩阵并进行转换;再将每个手势动作在各个肌电通道上的肌肉权重系数进行求和,得到所有肌电通道的重要性系数;最后通过支持向量机(SupportVectorMachines,SVM)、随机森林(Random Forest,RF)、K近邻分类器(K-Nearest Neighbor,KNN)进行分类。采用Ninapro数据库中DB5子数据库记录的表面肌电信号对该方法进行测试,测试结果表明,提取10个最优通道时,与以往研究中提出的顺序前向选择(Sequential Forward Selection,SFS)、马尔可夫随机场(Markov Random Field,MRF)和Relief-F通道选择方法相比,本文方法确定的肌电信号子集获得的识别精度与MRF和Relief-F方法相近,比SFS方法略低,但计算成本比它们均低。

基于时空Inception残差注意力网络的脑电情绪识别

为了提高脑电情绪识别分类精度,最大限度利用脑电信号的空间和时间信息,提出一种Inception残差注意力卷积神经网络与双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络相结合的新型架构时空Inception残差注意力网络。将脑电信号采集电极位置映射到二维矩阵中,采集信号作为通道,构成三维数据;将得到的三维数据输入到时空Inception残差注意力卷积网络之中,提取时空信息;将得到的特征输入到全连接层进行分类;将Inception结构引入脑电情绪识别领域,实现多尺度特征提取,并将电极映射到矩阵之中,保留电极位置信息,使用时空Inception残差注意力网络从时空两个维度获取脑电相关信息。实验表明,使用该模型对DEAP数据集进行情绪四分类可得到93.71%的准确度,相较于对比模型,识别精度提高了10%~20%。提出的模型在脑电信号情绪识别领域具有优良性能。

脑电神经反馈用于提高工作记忆的研究进展

工作记忆在许多复杂的认知活动中起着重要的作用,如何提高个体的工作记忆能力一直是研究的热点问题。脑电神经反馈利用操作性条件反射原理,将大脑活动实时反馈给个体,使得个体学会自主调节大脑活动,从而改善其认知和行为表现,已被广泛用于提高临床群体和健康群体的工作记忆。然而,由于现有研究在实验设计、训练方案、被试人群、样本量等方面并不相同,结论也并不完全一致,仍然缺少系统的总结和展望。文章重点评述不同的脑电神经反馈方案对工作记忆的作用结果,并指出现存的问题和可能的解决思路,以期为未来研究提供参考。

融合学习机制的多混沌麻雀搜索算法

针对麻雀搜索算法(SSA)易受初始解的影响陷入局部极值、迭代后期收敛速度慢等缺陷,提出了一种融合学习机制的多混沌麻雀搜索算法(MMCSSA)。首先,引入重心反向学习策略(COBL)生成精英种群增强对多源优质搜索区域的勘探能力,提升算法的局部极值逃逸能力和收敛性能。其次,提出一种动态调整的黄金正弦领导策略并嵌入SSA中以改善发现者的搜索方式,增强算法的全局搜索能力。然后,提出一种基于学习机制的多混沌映射策略,该机制利用多混沌多扰动模式的特性,通过动态调用不同混沌映射赋予算法不同类别的扰动特征。混沌扰动失败时,引入高斯变异策略对当前解进行深度开发,两种策略协同作用,相互促进,极大增强了算法逃逸局部最优的能力。最后,将所提算法应用于12个不同特征的基准函数进行实验,结果表明与其他算法相比,MMCSSA在收敛精度、寻优速度和鲁棒性方面有更好的表现。

注意力机制CNN结合肌电特征矩阵的手势识别研究

当前基于卷积神经网络(CNN)的手势识别研究集中于增加网络深度,较少关注改善样本数据分布带来的性能提升。针对此类问题,提出一种量化表面肌电信号(sEMG)特征相关性的肌电特征矩阵(EFM)样本输入有效通道注意力(ECA)机制CNN,用于识别NinaproDB1中52类手势。首先使用时间窗截取低通滤波后的sEMG,计算多种信号时域特征;然后利用笛卡尔积组合并相乘不同特征,对特征相乘值进行归一化后得到EFM。同时,引入ECA机制使网络关注重要的深层特征,从而提升手势分类效果。分别输入sEMG、肌电时域特征和EFM到注意力机制CNN进行手势识别,EFM识别准确率最高,达到了86.39%,高于近年来手势识别研究方法精度。验证了提出方法的有效性,为多类别手势准确分类提供可行新方案。

EWT算法在单通道脑电信号眼电伪迹自动去除中的研究

针对单通道脑电信号眼电伪迹去除算法中存在信息丢失和计算速度慢的问题,提出了一种基于经验小波变换(empirical wavelet transform,EWT)、小波变换(wavelet transform,WT)和近似熵的眼电伪迹去除方法。首先,采用EWT算法自适应分割脑电信号频谱,在分割的区间上构造合适的滤波器组提取具有紧支撑结构的经验模态分量。然后对各模态分量进行WT分解,计算分解后的近似熵,同时设置近似熵阈值对眼电伪迹自动识别并去除。最后采用WT和EWT的逆变换重构信号。采用公开的Klados数据集和Mohit Agarwal的EEG-VR数据集对算法进行实验,实验结果表明:该方法计算时间的平均值为0.1995 s,Alpha波的功率失真均值和方差分别为0.1284和0.1511,Beta波的功率失真均值和方差分别为0.0977和0.1580。所提算法与EMD-ICA、CEEMDAN-ICA和WT算法相比,计算速度快,伪迹去除能力强,能够保留脑电信号有用信息更多。

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.

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.

基于SSVEP直接脑控机器人方向和速度研究

直接用思维意图来控制机器人而没有大脑外周神经和肌肉的参与是人类的一个梦想,目前这一研究已成为国际前沿热点和突破点.传统的脑控机器人(Brain-controlled robot,BCR)主要控制其方向,而本文旨在探讨能够同时脑控机器人方向和速度的有效方法.采用可分类目标数多、单次识别率高且训练时间短的稳态视觉诱发电位(Steady state visual evoked potentials,SSVEP)脑机交互(Brain-computer/machine interaction,BCI/BMI)方法,为脑控机器人运动规划了向左、向右、前进和后退4个方向,设计了低速、中速和高速3级运动速度并组合了9个脑控指令;进而比较并优化了SSVEP刺激目标布局间距以及刺激目标闪烁时间,采用典型相关分析(Canonical correlation analysis,CCA)进行识别.结果表明恰当设置SSVEP刺激目标数及其布局间距和刺激目标闪烁时间,可以有效提高被试/用户直接脑控机器人的性能;优化的SSVEP刺激范式三结合适应SSVEP解码的典型相关分析,8名被试脑控机器人到达终点平均用时为2分40秒,最少用时1分29秒;同时,在脑控机器人运动过程中触碰障碍平均次数为0.88,最少碰触次数为0.本研究显示基于SSVEP的脑机交互可以作为直接脑控机器人灵活运动的一种可选方法,能够实现对机器人多个运动方向和多级速度的控制;也证实了适当增加刺激目标间距可以有效提高SSVEP-BCI脑控指令识别的正确率,说明了该脑控方法的性能与刺激被试的范式有关;再次验证了CCA算法在基于SSVEP的脑机交互中具有优良的效果.最后,为克服单一SSVEP范式存在的局限,本研究也尝试把该范式与运动想象相结合的混合范式用于脑控机器人方向和速度,并进行了初步的研究,表明可以进一步改善控制速度和提高被试舒适度.本文可望为基于SSVEP或与运动想象混合的脑机交互应用于分级或精细控制机器人方向和速度提供思路,并为直接脑控机器人技术推向实际应用打下一定的基础.

基于脑电运动速度想象的单次识别研究

基于运动想象脑电节律活动的脑-机接口是脑-机接口系统研究中的重要范式之一。本研究给出一种基于运动速度想象的新的研究范式,探索在该研究范式下对运动速度想象具有反应性的脑电节律活动,并进行单次识别。采集了4个健康志愿者想象左手食指快速运动(4 Hz)和慢速运动(1 Hz)时的脑电信号,速度由节拍器定节奏和训练。通过能量谱分析,在C3、Cz和C4通道发现了对运动速度想象具有反应性的频带:9 Hz至13 Hz。提取通道C3、Cz和C4上9 Hz至13 Hz频带能量构建特征空间,分别利用Fisher判别分析和多层感知器神经网络进行运动速度想象的单次识别,对于左手食指快速运动和慢速运动想象,Fisher判别分析和多层感知器神经网络取得的平均误分类率分别是27.7±1.2%,28.4±4.6%,正确识别率均在70%以上。结果表明,尽管运动速度想象的单次识别是一个困难的挑战,但通过精心设计研究范式,适当训练被试,能够诱发出对速度起反应的特征频带,基于脑电单次识别运动速度想象是可行的,该研究可望能够为脑-机接口提供额外的新的速度控制参数。

利用移相锁相同步跟踪技术设计智能化网络三相UPS

根据智能化网络三相UPS系统对移相锁相同步跟踪电路的要求 ,用微电子技术、闭环控制技术和微处理器控制技术提出了一种新的移相锁相同步跟踪电路 ,并用于智能化网络三相UPS系统中 。

基于HHT运动想象脑电模式识别研究

脑机接口是一种变革性的人机交互,其中基于运动想象(Motor imagery,MI)脑电的脑机接口是一类非常重要的脑机交互.本文旨在探索有效的运动想象脑电特征模式提取方法.采用在时域、频域同时具有很高分辨率的希尔伯特–黄变换(Hilbert-Huang transform,HHT),进而提取自回归(Auto regressive,AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量,最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine,SVM)进行分类.结果表明在Trial的5.5～7.5 s期间,HHT特征提取方法平均分类正确率为81.08%,具有良好的适应性;最高分类正确率为87.86%,优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8～9 s期间,HHT特征提取方法显著优于后两种特征提取方法.本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力,也再次验证了运动想象事件相关去同步(Event-related desynchronization,ERD)现象,同时也表明运动想象脑电的脑–机交互系统性能与被试想象心理活动的质量密切相关.本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.

三相UPS系统一种新的可靠方案研究

在借鉴单进 /单出UPS和三进 /单出UPS系统方案的基础上 ,创新地提出了一种智能网络化三进 /三出UPS系统方案 ,与常规方案相比 ,主要采用分散分相控制方法 .同时增加了移相锁相同步跟踪电路和通信板电路 。

五种SVM参数寻优识别运动想象脑电比较研究

支持向量机(SVM)在脑电(EEG)分类中效果较好,其参数寻优方法直接关系着分类的准确率和所需时间。为了探索参数寻优对分类效果的影响,本文采用了固定参数寻优、直接寻优、网格寻优、遗传算法(GA)寻优和粒子群优化算法(PSO)寻优五种参数寻优方法,以BCI Competition IV data 2b数据集进行实验测试,对带通滤波后的数据进行瞬时能量特征的提取,利用五种寻优的参数分类器,得到了9名被试者4~7 s时间内数据的分类准确率和分类所需时间。在用网格寻优和粒子群寻优的分类下,被试S4和被试S8的准确率分别高达96.875%和88.125%,用时最短为3.059 s。直接寻优和固定参数方法的准确率虽低,但分类用时仅为0.002 s和1.305 s,实时性上,更加适合于应用到在线系统中。

模糊综合评判模型在会泽铅锌矿隐伏矿定位预测中的应用

模糊综合评判(FCA)模型是基于模糊数学理论并结合隐伏矿预测理论而建立的一个找矿模型。在会泽铅锌矿隐伏矿定位预测中, 运用 FCA模型,进行了成矿因素评价集的确定,评价因素权重的确定,并根据流程作出找矿预测的异常图。预测结果与实际工程施工验证相吻合,证明所构造的模型有效。该模型还可以推广到其他矿山进行隐伏矿定位预测。

视觉反馈人体姿态镇定作用的布朗运动模型分析

目的探究视觉反馈对人体静止直立姿态的镇定作用及其发生机制。方法考察12名青年志愿者在直立(对照)状态和直立并视觉反馈状态下足底压力中心(center of pressure,COP)的变化。利用布朗运动模型对比两种状态下COP轨迹的扩散系数、Hurst指数及临界点特性变化,并通过单因素重复测量方差分析检验其差异显著性。结果视觉反馈状态下:长期区间上,Hurst指数减小约1/2,扩散系数减小约2/3;短期区间上,Hurst指数与左右方向扩散系数均无显著变化;临界点均方位移仅在前后方向显著增大,时间间隔变化不显著。结论视觉反馈增强了人体姿态闭环控制,但对开环控制及开、闭环控制机制的切换特性影响不大;视觉反馈对人体姿态控制的作用表现出方向差异,前后方向上的视觉反馈作用比左右方向更为明显。

汽车追尾模型的研究

定义了疏于观察时间,分析计算前车的制动灯亮后,前后车辆在各个阶段行驶的距离,建立了汽车追尾的数学模型,得出结论:车辆行驶的速度、车间距离、疏于观察时间和驾驶员反应时间是造成汽车追尾的主要因素.MATLAB仿真结果与理论一致.提出了避免汽车追尾的措施.

FCA模型在会泽铅锌矿隐伏矿定位预测中的应用

模糊综合评判 (FCA)模型是基于模糊数学理论并结合隐伏矿预测理论而建立的一个找矿模型 .主要论述了FCA模型在会泽铅锌矿隐伏矿定位预测中的应用 ,包括成矿因素评价集的确定 ,评价因素权重的确定 ,并根据流程作出找矿预测的异常图 .预测结果与实际工程施工验证相吻合 ,证明所构造的模型有效 .

基于FCA的隐伏矿找矿预测模型研究

找矿预测方法的研究对在矿山周围找到新的接替矿床具有重大战略意义。由于成矿背景、成因、机理的复杂性和模糊性,在找矿预测中对这些信息的有效表示就成为一个难点。运用模糊数学中的隶属度函数能很好地表示找矿预测的相关信息,并借助模糊推理和模糊判断,给出了隐伏矿找矿预测的模糊综合评判(FCA)模型。通过选取预测因子,单元格网划分,实测数据检验,证明了模型的有效性。

基于COP偏移量视觉反馈的人体姿态镇定

为探究视觉反馈对人体姿态控制的镇定作用,设计基于足底压力中心(COP)偏移量的视觉反馈指示器,在静态与视觉反馈的两种视觉条件下,考察12名健康青年人静止直立姿态的COP变化。对比两种视觉条件下人体姿态的摇摆速度、位移、覆盖面积及频率的差异,并利用配对样本t检验来验证姿态差异的显著性。实验结果显示,视觉反馈条件下,人体姿态摇摆的平均速度增大1.9%～7.6%、位移均方根减小20.2%～30.1%、95%置信椭圆面积减小39.4%;前后方向平均速度、位移均方根和中位频率的变化率分别较左右方向大5.7%、9.9%和147.5%;中位频率由约0.1 Hz增大到约0.3 Hz。该结果表明,基于COP偏移量的视觉反馈对人体姿态控制有明显的镇定作用,且镇定作用表现出方向差异;镇定作用的产生可能与姿态控制频率的提高有关。