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.

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。

全息脑控阿凡达机器人系统设计

"阿凡达"是美国科幻电影中构想出来的一种能利用人的意识控制克隆生物体的脑电系统。为实现此套系统功能,提出了全息脑控阿凡达机器人系统设计方案,由可穿戴脑电设备及人形机器人组成。基于ARM Cortex m3的可穿戴脑电设备集成了μV级别高速高精度脑电采集放大电路,实现脑电信号精确解析。基于STM32的智能人形机器人集成了音视频和温湿度等多种传感器,可实现环境信息的实时采集反馈。两者通过无线通信,实现远程脑控。经实验测试,基于稳态视觉诱发和运动想象两种脑电现象的平均识别准确率分别可达93%和78%,并能正确控制机器人执行相应动作,且各传感器参数能正确反馈。分析可知,本方案合理可行,实现了预期功能,是国内第一个实现的具有完整自主知识产权的全息脑控阿凡达机器人系统。

脑陆科技 王晓岸 创造下一代人的交互方式

创办两年的脑陆科技如何切入千亿市场?脑机接口离我们有多远?2018年世界机器人大会上,观众目睹了一场特殊的比赛——脑控打字比赛。参赛选手戴着特殊装备,只需将注意力集中于屏幕上的模拟键盘,系统就能把脑电信号翻译成对应文字.

脑控技术助机器人终极进化

近日，美国神经科学家正在加速完善脑机接口技术。一旦成功，科幻小说和现实之间的界限就将变得更加模糊了。融合了钢铁侠的盔甲、黑客帝国式的大脑数据、瓦肯人的心灵融合术般的机器人将变得触手可及。

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.