脑-计算机接口系统中诱发脑电信号的小波分析

针对特定思维诱发脑电信号的特点,提出一种确定其分布情况及提取其波形的方法·首先采用离散小波变换对脑电信号进行分解,然后使用小波奇异点检测和小波统计分析相结合的方法进行特征分析,确定特定思维诱发脑电信号处于小波变换的哪个尺度上,并根据分析结果重构出诱发脑电信号·结果表明,这种方法能够有效地消除脑电信号中的常见噪声,尤其适用于对诱发脑电信号的提取·

基于模拟事件相关电位的脑-计算机接口

文章提出了一种基于模拟阅读事件相关电位的脑-计算机接口(IR-ERP-BCI)。该IR-ERP-BCI使用一个由36个键构成的虚拟键盘。每个键的上半部是代表该键名称的字符,下半部是一个小窗口。运行时,每个窗口中都有两个标记伴随着符号句按一定时间间隔从右向左平移通过。当使用者在辨识出目标键的一对指定标记时,就会产生一对与这对标记锁时的ERP成分。用户的目标键由这对成分的潜伏期以及它们之间的时间间隔来确定。这种IR-ERP-BCI消除了容易使人疲惫的突现刺激,并极大地抑制了ERP中突现刺激诱发的外源性的和内源性的脑噪声,提高了信号的信噪比。试验证明该BCI是可行的和高效的。

独立式脑-计算机接口信号处理和识别方法研究

目的 为独立式脑-计算机接口(brain computerinterface ,BCI)选择合适的数据预处理、特征提取和模式识别算法,提高系统的识别率。方法 分别使用不同的空间滤波算法、特征提取方法和模式识别算法,对同一组BCI数据进行处理,并对结果加以比较分析。结果 使用空间滤波器small laplacian提高信噪比,AR谱估计提取C3和C4导联特定波段能量作为特征,Bayesian判决进行分类,可以取得较好的识别率。结论 高信噪比以及合适的特征是提高识别率的关键因素。

基于EEG的康复机器人脑-计算机接口技术研究

脑-计算机接口(brain-computer interface,BCI)是一种新型的人机接口方式,是康复机器人关键技术之一。介绍了基于脑电信号EEG的康复机器人BCI技术,论述BCI系统结构、工作原理以及关键技术。设计了基于事件相关电位P300虚拟矩阵,通过在头皮上放置电极,采集诱发脑电信号,经放大、滤波后,依据独立分量分析(ICA)原理,应用FastICA算法对特征信号进行了提取。从仿真结果可以看出,提取信号能较好地逼近期望信号。通过判断运动或意识的类型与特征信号之间的关系,从而识别出不同的用户意图,为帮助病人建立一种新的通信、交流方式以及康复治疗等方面提供了依据。

脑-计算机接口技术与应用前景

脑-计算机接口(Brain-Computer Interface,BCI)技术是在人脑和计算机或其他电子设备之间建立通信系统,该系统通过记录人的脑电信号来了解人的思维,用思维来控制计算机,操纵设备、智能家居、无人驾驶交通工具等。该技术涉及神经科学、心理认知科学、康复工程、生物医学工程和计算机科学等多种学科。目前,脑-计算机接口系统正在成为研究热点,本文介绍了脑-计算机接口系统的结构、工作原理、存在问题及发展前景。

脑-计算机接口技术在医学领域的应用

介绍脑-计算机接口系统的结构、工作原理,重点阐述该技术在医学领域中的应用,包括癫痫自动检测及分类、康复训练、麻醉深度检测等方面,指出脑-计算机接口技术面临的挑战。

独立式脑—计算机接口的离线实验及分析

设计两个实验以研究自主运动的事件相关去同步模式的特征。实验一:要求未经训练的被试者在提示出现后开始想像用食指按键的动作,并在1 s后实际按键;实验二:作为参照,要求被试者对提示立即反应,使动作想像的时间尽量缩短。通过分析提示与实际动作之间的自发脑电信号,预测被试者用左手或右手按键。在实验一的连续测试中,预测率随测试进行由85%下降到71%;而实验二的预测率近乎随机猜测。结果表明:(1)运动想像的有效持续时间对事件相关去同步模式有显著影响;(2)被试者有效动作想像时间的不自觉地缩短会导致预测率的明显下降。如何保证被试者的有效动作想像时间是后续实验设计中应该重视的问题。

一种基于脑部电磁跟踪的残疾人计算机辅助系统

目的:为了帮助肢体残疾人使用计算机,适应社会生活。方法:开发了一种基于脑部电磁跟踪的残疾人计算机辅助系统。该系统通过三维脑部电磁跟踪,捕捉人脑运动轨迹。结果:实现了高精度、可靠的人-机接口,使肢体残疾人通过训练就可根据脑部的运动使用计算机。结论:本系统较之单纯利用脑电的脑-机接口有更高的识别效率,理论上可基本消除误操作,是一项非常有应用价值和前景的残疾人计算机辅助系统。

脑-机接口(BCI)中关于手指运动识别的研究

脑-机接口(BCI)的研究在近几年受到广泛的重视,在手指运动识别形成了一个研究热点。本文运用一种较为成熟的算法对自测数据进行了识别,取得了较高的正确率。在此基础上,本文对识别算法又进行了进一步的探讨。

脑-机接口中基于ERS/ERD的自适应空间滤波算法

在与运动相关的脑-机接口(Brain-Computer Interface,BCI)研究中,如果样本规模小,共同空间模式(Common Spatial Patterns,CSP)滤波算法对离群点(可能为噪声)敏感,鲁棒性不好。为此该文提出自适应空间滤波(Adaptive Spatial Filter,ASF)算法,抽取滤波后脑电信号的方差作为特征,并寻找最优滤波器使两类特征中心的比值最大。与CSP不同,ASF是迭代算法,具有软判决机制,能够依据历代更新后的滤波器,自适应地降低离群点对各类特征中心计算带来的影响。采用BCI competition 2003和2005中两套数据集进行实验,结果表明:尤其是在训练样本少的情况下,相对于CSP,ASF所提取的特征分类效果更好。

基于脑电的脑-机接口系统研究现状

目的:就近年来国内外有关脑-机接口系统的研究近况,探讨脑-机接口系统框架结构及其特征提取和分类算法等方面的研究进展。资料来源:应用计算机检索Medline1996-01/2005-08脑-机接口方面的文献,检索词“brain-computer interface,Rehabilitation”,并限定语言为English;同时检索CNKI-KNS1994-01/2005-08脑-机接口方面的文献,检索词为“信号处理、脑电”,并限定语言为中文。资料选择:对资料进行初审,纳入标准:选取包括脑-机接口、信号处理方面的文献。排除标准:综述文献、重复研究文章。资料提炼:共收集到33篇关于脑-机接口的英文文献,中文文献45篇,总共纳入17篇符合标准的文献。资料综合:脑-机接口技术是在人脑与计算机或其他电子设备之间建立的直接的交流和控制通道,它不依赖于脑的正常输出通路(周神经系外统及肌肉组织),是一种全新的对外信息交流和控制方式。概述脑-机接口国内外最新研究进展,并在此基础上全面介绍了整个脑-机接口系统的结构框架及其研究情况,最后分析了当前脑-机接口存在的主要问题及研究方向。结论:脑-机接口的研究正成为脑科学、康复工程、生物医学工程及人机自动控制研究领域的一个新的前沿热点;整体上讲,脑-机接口系统的研究正处于发展阶段。现有的脑-机接口系统还存在通讯速度低、效果不稳定等技术障碍,特别是信号处理算法的选择与改进等方面有待进一步研究。

用于脑-机接口P300实验的支持向量机分类方法

脑-机接口(BCI)技术利用脑电来实现无动作的人机交互。P300字符拼写范式是利用脑电信号实现文字选择输入的一种重要BCI实验范式,它通过对EEG中的P300信号的检测和识别,来推断试验对象(被试)对字母的注意选择。以2005年脑-机接口竞赛中的一组P300字符拼写实验数据为处理对象,采用支持向量机(SVM)的机器学习方法进行算法设计,对信号通道进行了筛选,并采用较少的EEG通道数据进行处理。另外,通过调整参与训练的数据集大小,扩大了SVM中参数的取值范围,更有利于分类器设计。通过上述策略,提高了该BCI实验范式中的系统总体分类精度。上述方法对于测试集字符最佳识别正确率可达到89%,相比于我们参加该届竞赛时所用的线性分类器(LDA),字符识别正确率提高了3%。

脑-机接口:大脑对外信息交流的新途径

基于脑电(EEG)的脑-机接口(BCI)是在人脑和计算机或其它电子设备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)的全新对外信息交流和控制技术,概述了基于EEG的BCI技术的科学意义与应用前景,并介绍了BCI主要研究方法和类型。

混合范式脑-机接口研究进展综述

传统脑-机接口(BCI)在实际应用中存在许多不足,例如指令集较小、适用人群范围小、难以实现多维度控制和异步控制等。混合范式脑-机接口(hBCI)的出现可有效解决这些问题。对基于脑电信号的hBCI、基于脑电信号和其他脑信号的hBCI以及基于多生理信号的hBCI进行综述,并分析近年来不同hBCI系统的刺激范式、控制策略、分类性能以及实际应用等。与传统BCI系统相比,hBCI系统具有更大的指令集和更高的准确率,并且由于结合了其他脑信号或生理信号,使得多维控制和异步控制更容易实现,系统实用性得到了极大的提升。最后对不同类型的hBCI系统进行了总结,阐述当前hBCI存在的问题及其未来的发展前景。

SSSEP提升下肢MI-BCI系统性能及其多维脑电特征分析

运动想象脑-机接口(MI-BCI)可解码用户运动意图,为无法自主运动患者提供一种额外交互控制通道,辅助或改善其生活方式。针对现有下肢MI-BCI分类性能较低等关键问题,引入了体感电刺激(ES)用于下肢MI-BCI构建混合范式(MI+ES),并与传统单一范式(MI)对比。共20名年轻健康右利手受试参与实验,5名参与最优诱发频率验证试验,15名参与正式实验。随后采集了参与正式实验的15名受试不同条件下脑电(EEG)数据,应用傅里叶变换(FFT)和事件相关谱扰动(ERSP)算法提取EEG频域响应、时频特征等,并计算alpha(8~14 Hz)、低beta(15~24 Hz)和高beta(25~35 Hz)等多频段能量变化。此外,分别探索了MI/(MI+ES)条件、共空间模式(CSP)/基于多频率成分的共空间模式(FBCSP)特征提取方法对下肢MI-BCI系统分类性能的影响。结果表明,引入体感电刺激策略可诱发明显的SSSEP特征,MI+ES条件分类准确率较单一MI条件有显著性提升(P<0.001),且应用FBCSP方法的系统分类准确率显著优于经典CSP方法(P<0.01):CSP特征提取方法下MI+ES条件的平均分类准确率为70.2%,其中受试S15的分类准确率达84.2%;FBCSP方法下的平均分类准确率为71.7%,受试S15的分类结果达到90%。初步证实了受试在体感电刺激条件下可诱发出明显的SSSEP特征,而且其融合MI可有效提升下肢MI-BCI分类性能,可支撑下肢MI-BCI系统的实用化进程,也为外周神经相关体感刺激调控方法的优化设计提供了新的技术思路。

脑-机接口技术在康复医学中的潜在应用研究进展

本文主要通过介绍脑-机接口技术的基本概念、基本工作原理、国内外研究现状,以期对其在康复医学中的应用进行综述。

脑-机接口的研究现状

脑-机接口是一种涉及多学科多领域的新颖的人机接口方式,在医疗、航空、军事、生活娱乐等多个领域具有潜在应用价值。文章简要介绍了脑-机接口的分类,并根据BCI利用的脑电信号的来源和利用的方式不同对视觉诱发电位、P300以及运动想象技术的国内外研究现状进行了阐述。

基于混合范式的脑-机接口异步控制方法研究

自动判别使用者是否处于操作状态的异步控制问题,是脑-机接口(BCI)领域的研究热点之一。由于BCI范式主要针对区分思维指令来诱发脑电特征,导致在区分操作态上信息含量有限,难以获得较理想的异步识别结果。针对上述问题,研究一种结合事件相关电位(ERP)与稳态视觉诱发电位(SSVEP)的混合范式方法,以提升异步控制效果。采集10名被试3种状态下的19导联脑电信号,包括在正常使用BCI时的控制状态和被试目光不在BCI界面以及在睁眼静息状态下的2种空闲状态。通过提取不同状态下ERP的幅值特征与SSVEP的相关系数,区分不同的使用状态,进一步采用贝叶斯方法分别对ERP和SSVEP特征的控制态后验概率进行估计,然后将两者综合并采用阈值法对控制态和空闲态进行二分类识别。结果表明,所发展的混合范式方法在不同状态下两种特征差异同时存在,控制态下会产生更高的P300幅值与SSVEP相关系数,并且与空闲态下的特征之间存在统计学差异。对控制状态和空闲状态的总体平均识别正确率达到92.1%,AUC达到0.98。研究结果表明,混合范式方法在异步识别问题上有很好的潜力,值得进一步研究和发展。

基于复杂网络技术的异步脑-机接口分类系统

脑-机接口(brain-computer interface,BCI)是一种不依赖周围神经和肌肉组织,通过诱发人脑无节律信号(event-related de-synchronization,ERD)/有节律信号(event-related synchronization,ERS)等特征信号实现对外部装置自主控制的系统。针对人群中15%~30%的人存在"BCI盲"问题,即难以诱发出较强的ERD/ERS等特征信号,提出将脑电图(electroencephalogram,EEG)时间序列转换成一个复杂网络,复杂网络的网络测度与大脑意识有关联。结果表明,基于复杂网络构建的相位锁相值(phase locking value, PLV)二值网络可实现异步BCI系统分类,分类正确率最高可达88.60%。可见,基于复杂网络技术的异步BCI系统具有可行性,可作为一种新途径。