脑-机交互控制中脑神经电信号提取、传输与控制植入式系统的设计方案(英文)

目的:随着微电子学和显微外科手术水平的发展,使得在生物体脑内直接提取各种信息已成为可能。如何能在人脑与电脑之间建立一种不依靠人脑与人体组织的通信路径?为此探讨获得一个合理的用于脑-机交互控制中脑神经电信号提取、传输与控制植入式系统的设计方案。方法:通过把最新的微电子技术运用到脑电生物信号的提取领域。提出了一种用于脑-机交互控制中的脑神经电信号提取、传输与控制的植入式电子系统设计方案。并对方案中所涉及的关键技术、难点以及可能的解决方法进行了详细讨论。结果:系统方案主要由如下几部分组成:神经电极阵列(16×16个神经电极组成)、低噪声放大器、仪表放大器,多路选择器、A/D转换器(12bit分辨率)、数据压缩、编码器、无线收发器、解码器、控制单元与能量管理单元、可控电流源、射频提能电路或电池以及天线等。系统的工作原理可根据信号的流向分为两部分:①神经电信号的提取与无线发送。②接收脑外的指令,根据指令对脑神经施加相应的电刺激。结论:提出的方案能对16×16的不同深度的脑神经电信号进行采集,数据精度能达到12bit,是一个闭环控制系统。

脑机协调控制技术及其军事应用前景

脑机接口技术为人们提供了一种不依赖外周神经和肌肉系统的新的控制和通讯方式。文章以脑机接口技术为基础,以多关节机械臂为控制对象,设计并实现了将大脑直接控制与设备自动控制这两种方式在同一个控制系统中的有机结合,充分发挥人脑的智能与机器的性能,并对脑机协调控制技术的军事应用前景进行了讨论,旨在为通过生物交叉技术显著提升武器装备的使用效率提供参考。

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.

轮椅脑控算法研究与实验验证

文章介绍了一种基于BCI实现轮椅运动控制的新型控制方法,研究了一种便携化的脑机接口范式,搭建了适用于普通轮椅的便携化脑机轮椅控制系统;系统根据脑电信号的自身特点,选用Emotiv公司的EPOC无线便携式脑电仪采集脑电电波信号,由单片机控制,实现脑电电波数据的处理,由集成两个无刷电机的制动器执行命令,选用ZD6716V3作为无刷电机的控制器,且每个电机中,都有一个霍尔传感器,提供来自电机的速度反馈信号,以精确获取每个电机的速度参数,并将电机集成在轮椅后轮上,实现轮椅速度和方向的控制;此外,进行了基于脑电识别率的控制方式实验、基于小车的脑控实验以及基于轮椅的脑控实验;实验结果表明脑电信号的准确率可以达到83%,满足实际使用需求。

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.

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.