基于隐式意图脑电解码的人机交互多任务建模研究

在短期内具有完全自主水平的机器智能无法实现的情况下,人仍是人机系统的重要组成部分。智能系统感觉并预测用户的意图,有助于实现人机之间自然动态地协同,提高人机系统安全和效率。然而,人机交互的过程中充斥着大量模糊、隐蔽的隐式意图,传统的心理或行为分析方法解析意图无法保证时效性和准确性。随着传感技术发展,基于生理信号识别用户意图成为主流方法,但现有关于隐式意图的研究存在可分模式少、识别精度低、面向领域实境研究不足等问题。面向工控复杂系统领域,在生理视域下基于被动脑机接口技术,提出一种将人自然地纳入到智能人机系统回路中的方法。首先,抽取操作者与工业软件交互过程中的典型任务,在多属性任务组(MATB)多任务范式基础上设计意图生理信号诱发实验程序;接着,采用共空间模式(CSP)算法提取多任务意图脑电空域特征;最后,通过被试间交叉验证和5折参数寻优,构建机器学习意图模型,实现对隐式交互意图的自动识别。研究发现,相比传统特征提取方法,基于改良后的多分类CSP算法对意图特征提取更为有效,结合三维空间特征可视化进一步证实了特征的有效性;脑电信号能够作为判断人机交互隐式意图的依据,CSP SVM算法模型能够有效提高人机交互隐式意图脑电的解码性能。对隐式意图信息的转译对构建基于意图的高效人机交互模型,以及发展人机系统、提高人机协作效率具有重要意义。

基于脑电探索阿尔茨海默病识别的智能路径

阿尔茨海默病(Alzheimer'sdisease,AD)是一种不可逆的神经变性疾病。近年来,脑电图(electroencephalogram,EEG)信号分析和处理技术的发展使得EEG成为提取AD有价值信息的工具。系统地评述了基于脑电的AD识别与诊断,包括脑电信号采集、生物标志物提取以及识别模型的选择。研究旨在探索个体化特征的诊断和治疗策略,为提高AD诊断的准确性和个体化治疗方案的制定提供参考。

面向运动想象脑电信号识别的多层判别字典对学习方法

面向运动想象的脑机接口(brain computer interface,BCI)能够利用自主想象的特定动作触发脑电信号直接实时控制外部电子设备。运动想象脑电信号(motor imagery electroencephalogram,MI-EEG)存在信噪比低、类内差异大、类间差异小等特点,导致MI-EEG的识别率较低且不稳定。针对该问题,提出了多层判别字典对学习(multilayer discriminant dictionary pair learning,MDDPL)方法。与基于字典学习的MI-EEG识别方法不同,MDDPL将字典对学习融入多层学习模型,通过一系列非线性方法将数据投影到更具判别力的子空间。在综合字典和分析字典的共同作用下,前一层的编码向量作为当前层的输入,同时在每一层模型上构建基于分析字典的多分类项,以保证稀疏编码的分类误差最小化,增强模型的类别区分能力。另外,对最后一层的稀疏编码施加低秩约束,以保证同类编码的紧凑性和相似性。在目标式求解中,使用交替更新策略得到每个参数的解析解,使得参数同时得到最优解。在国际BCI竞赛数据集上的实验结果表明,MDDPL方法在所有对比算法中取得了最佳的分类性能。

基于时空特征学习Transformer的运动想象脑电解码方法

脑电图(Electroencephalography,EEG)可记录来自大脑皮层的电信息,反映了脑活动中神经细胞放电产生的电场变化情况.EEG的空间信息和时间信息对于运动想象脑电(Motor Imagery Electroencephalogram,MI-EEG)解码分类模型学习判别特征至关重要,但过度依赖预处理和手工特征提取,导致对EEG数据进行信号分类较为困难.尽管深度学习已经在很多领域实现了自动特征提取,但脑电图的深度学习尚未完成.提出基于FBCSP (Filter Bank Common Spatial Patterns)和Transformer模型的时空特征学习的运动想象脑电解码方法.针对FBCSP滤波的脑电信号,依次通过空间维度和时间维度上的注意力转换来获取空间和时间特征,然后通过Softmax函数对不同类别的EEG数据进行分类.实验结果表明,在BCI竞赛数据集IV-2a上,该方法的分类准确率可达84.16%,为MI脑电信号分类提供了新思路.

基于定量脑电图与多指标特征构建急性重症脑出血早期功能恶化的预测模型

目的探究基于定量脑电图与多指标特征构建的预测模型对急性重症脑出血患者早期神经功能恶化(END)的预测价值。方法收集2019年10月—2021年10月152例急性重症脑出血临床资料,统计入院72 h内END发生情况,比较发生与未发生END患者一般资料及脑电双频谱指数(BIS),实验室指标[神经元特异性烯醇化酶(NSE)、D-二聚体(D-D)、凝溶胶蛋白(GSN)、Caspase切割的细胞角蛋白-18(CCCK-18)、轴突生长抑制因子-A(Nogo-A)、核因子-κB p65(NF-κB p65)、微小RNA-130a(miR-130a)、全身炎症反应指数(SIRI)],分析END发生的影响因素。基于BIS和其他影响因素构建Nomogram预测模型,采用决策曲线分析含与不含BIS的Nomogram预测模型的临床净获益。结果152例END发生率为28.29%(43/152)。血肿体积、入院美国国立卫生研究院卒中量表评分及血清NSE、D-D、CCCK-18、Nogo-A、NF-κB p65、SIRI、miR-130a水平为急性重症脑出血患者END发生的独立危险因素,入院格拉斯哥昏迷量表评分、BIS及血清GSN水平为急性重症脑出血患者END发生的保护因素(P<0.01)。基于BIS与多指标特征构建的Nomogram预测模型预测急性重症脑出血患者END发生的一致性指数为0.881(95%CI为0.831,0.940),具有良好的区分度;校准曲线显示该模型与实际观测结果有较好的一致性;决策曲线显示含BIS的模型预测值在0~0.9区间时,可提供附加临床获益。结论BIS是急性重症脑出血患者END发生的影响因素,基于BIS与多指标特征构建的Nomogram预测模型能提高对急性重症脑出血患者END发生的预测价值。

基于脑电信号的汽车前脸造型特征设计决策

为解决汽车前脸造型设计决策的问题,比较了用户感知燃油车与电动车前脸造型特征的差异,探讨了汽车前脸正性和负性表情对消费者偏好决策的影响,提出一种采用脑电测量技术评价用户反馈的方法。以Neural Scan脑电仪为数据采集工具,采集了40位用户观看传统汽车与电动车表情并做出是否购买决策的脑电数据,通过事件相关电位分析,发现用户对传统车的情绪感知优于电动车,用户偏好购买正性表情的汽车。回归分析结果发现,P300和LPP两个脑电成分对用户购买决策有显著影响。研究结果表明:电动车车脸设计应加大拟人化效果,脑电测量可作为设计决策的客观依据。

基于EEG信号特征的脑力疲劳快速检测方法

空间站飞行过程中航天员容易产生脑力疲劳,其是影响作业效率和引起失误的主要因素。为此,研究人体脑力疲劳的快速检测方法,将有利于保障在轨运行安全。脑电波(EEG)的特征变化能够反映出大脑疲劳状态,但现有EEG方法分析脑力疲劳时需要多个导联的信号,这严重限制了其在空间站环境中的实际应用。通过地基实验,采用36 h睡眠剥夺的方式成功诱发出45名受试者的多种脑力疲劳状态。针对EEG信号的非平稳性,设计的8层db4小波变换结构,有效分解出了δ、θ、α和β脑节律波。先使用方差分析(ANOVA)和Logistic回归筛选出脑力疲劳敏感特征,再依据脑力疲劳敏感特征数量进一步筛选出脑力疲劳敏感导联,应用6个敏感导联的特征分别构建了随机森林回归模型。加权融合6个导联处的回归模型,形成脑力疲劳快速检测模型,其平均精确率高达85.25%。

基于脑电的隧道施工人员危险预测能力分类模型

在隧道施工中,许多灾害威胁着工地现场施工人员的生命安全,一旦灾害发生,很难救援。但通过人员的早期干预,可以防止许多灾害的发生,这有赖于施工人员的危险预测能力。基于虚拟现实场景,研究了隧道施工人员的脑电数据与危险预测能力之间的关系,并通过自动机器学习框架比较了16种分类模型之间在危险预测能力上的优劣情况;然后,以获得的脑电数据集为基础,建立了Logistic回归分类模型,以判别施工人员危险预测能力的3个不同阶段。结果表明,该分类模型识别效果较好,F_(1)为0.6028。在分类识别中,最关键的特征是脑电δ波和γ波的功率谱密度,这与传统的危险知觉研究不同。提出的分类模型将有助于隧道施工人员更好地了解施工中危险源的变化,减少不安全行为,实现更大的安全性。

基于脑电波分析的消费者啤酒饮用喜好度研究

该研究将新型的消费者脑电波提取分析技术与传统感官评测相结合,建立一种智能消费者啤酒喜好度测试方法。通过建立标准化的品酒流程,收集消费者在品酒过程中脑电波的实时变化,并经过去伪、滤波、特征提取等步骤进行数据清洗,整理出8种不同类型脑电波数据和2种情绪数据,并将其进行建模得到饮酒综合情绪指数(index of alcohol-drinking analysis,IAA)。通过IAA赋分进行消费者饮酒喜好度的判断,并将其与感官问卷数据进行对比分析。研究发现,IAA指数消费者啤酒饮用喜好度的评价与感官问卷结果的一致性为83%,且能快速分析消费者在不同饮酒阶段喜好度的实时变化,有很好的实用性,对现有感官测评方式是很好的补充和改善。

经颅磁刺激和脑电联合作用时电磁场分布的仿真研究

目的:研究分析经颅磁刺激和脑电(TMS-EEG)联合作用时磁感应强度和感应电场强度的分布情况。方法:利用有限元多物理场仿真软件COMSOL,搭建3层同心球人头模型、TMS线圈模型和EEG电极模型,在TMS线圈的作用下,对比分析了有无脑电极时,人头模型当中磁感应强度和感应电场强度的不同。结果:取头部组织几个特殊位置点,放置脑电极后,各点处磁感应强度和感应电场强度均发生变化,磁感应强度最大变化达19.19%,感应电场强度最大变化达75.33%。添加脑电极后,人体头部组织YZ纵切面的最大磁感应强度降低7 mT,最大感应电场强度值降低0.6 V/m。大脑处的三维磁感应强度和感应电场强度均随着深度的增加而逐渐减小,放置脑电极后,脑组织中的最大磁感应强度值减少1.4 mT,最大感应电场强度值减少0.13 V/m。结论:经TMS-EEG联合作用时,在人头皮处放置脑电极会对电磁场的分布产生影响,间接影响TMS的治疗作用。

基于脑电的脑网络稳定模式情绪识别研究

利用锁相值构建不同时间段的情绪脑网络,探讨不同时间情绪相关脑网络模式的稳定性,提出基于脑网络二阶特征的情绪识别框架。结果表明,在跨被试研究和单被试研究中最高准确率分别为79.17%和82.92%,ANOVA分析3个时间段的识别结果无显著性差异,证明本研究提出的情绪识别框架是稳定的。在不同时间段,同类别的情绪均具有相同的脑网络连接模式和最小生成树的结构,说明相同情绪在不同时间存在稳定的脑网络模式。使用脑网络特征进行情绪识别是稳定且可靠的,这为人机交互中情绪识别提供一种新途径。

基于注意力机制RNN模型的癫痫患者脑电信号识别方法

针对癫痫患者脑电信号(electroencephalogram,EEG)数据识别提出了一种基于注意力机制的RNN(recurrent neural networks)模型.传统EEG特征分析耗时巨大且过度依赖专家经验,极大限制了脑活动识别方法的应用推广.因此,提出一种新的EEG识别方法以解决上述问题.首先对癫痫患者EEG的基本特征进行分析,进而采用基于注意力机制RNN模型消除各种干扰信号,利用XGBoost分类器识别EEG数据的类别,达到自动细化识别原始EEG的目的,最后在公共EEG数据集上进行大量实验,验证所提方法对EEG识别的准确性.实验结果表明,与一些成熟的EEG识别方法相比,本文所提方法在识别精度上有了进一步提升.

重复性景观体验中脑疲劳测度表征及其实证研究——以襄阳城墙沿线公园为例

【目的】脑疲劳是重复性体验的科学表征之一,为常规体验性景观效能与品质的客观描述与量化测度提供专业依据。依托脑电技术开展重复性景观体验中脑疲劳的科学探知与精准研判,揭示重复性景观体验脑疲劳变化的认知规律和构成逻辑,推动人民城市提质增效发展需求下的景观更新与改造。【方法】建立场景与脑疲劳的关联研究机制,集成脑敏感分析技术、方差分析方法构建脑疲劳测度模型。以襄阳城墙公园为例,遴选普适性场景样本,将单一、复合要素场景按5个轮次开展脑疲劳测度实验与数据解析。【结果】基于实验解析和数理统计的重复性景观体验测度模型可量化描述脑疲劳趋势、幅值、相关性和显著性特征指数,联立反映场景基本构成要素及其组合的脑疲劳影响与效应。【结论】相关成果有助于提升重复性景观体验中脑疲劳测度研究深度,并为景观体验及其循证研究提供脑电理论铺垫、实验优化途径与拓展型专业技术。

EMD+AR模型在运动想象脑电处理中的应用

为了在处理运动想象脑电信号时得到理想的特征向量,提取脑电波(Electroencephalogram,EEG)信号特征之前使用经验模态分解(Empirical Mode Decomposition,EMD)信号,再用自回归(Auto Regressive,AR)模型提取特征。与单独使用AR模型相比,EMD+AR算法模型得到的频谱图特征更为明显,表明EMD+AR算法模型提取的特征具有较强的鉴别力。

表情驱动下脑电信号的建模仿真及分类识别

针对自发型脑电信号识别率低、个体差异度大等问题,提出了一种新的基于表情驱动脑电信号的脑机接口方式,并进行了建模仿真及实验验证。利用神经元集群模型对表情驱动脑电信号进行机理建模与仿真分析,得到自发表情的相关脑区及表情驱动脑电信号的频率分布特性;提出了一种基于小波变换和人工神经网络模型映射的表情驱动下脑电信号分析识别方法,有效提高了表情驱动下脑电信号的识别率。从神经生理学角度验证了表情驱动脑电信号的特征来源是受大脑前额叶皮层和边缘系统相互协调共同控制的,并通过实验验证了所提脑电信号分类识别算法切实有效,其最高分类准确率可达85%。

联合眼动和脑电的汽车工业设计用户体验评选

为解决在汽车工业设计方案评选中评价结果主观性强、缺乏用户客观数据支撑的问题,提出了一种联合眼动和脑电的汽车工业设计用户体验评选方法,将目标用户体验过程的主观心理量和客观生理量作为汽车工业评选的指标。使用Dikablis Glasses眼动仪和Brain Amp64脑电记录仪采集了20名目标用户在对4款不同的汽车设计效果图体验评价过程中的眼动和脑电数据。分别采用D-lab软件和Brain Vision Analyze软件对眼动和脑电原始数据进行处理,并对处理后的眼动数据、脑电数据与主观评价值三者之间的相关性进行了分析。建立了结合心理和生理评价指标的汽车工业设计用户体验多维综合评价模型,并对模型进行了验算。实验研究结果表明,用户体验的主观指标、眼动和脑电指标在汽车工业设计方案评选过程中可以相互验证,使评价结果更具客观性。

害羞脑电的AR模型谱分析

采用电生理测量方法,对400名在校大学生用13条目害羞量表进行心理测验,筛选出害羞被试和不害羞被试共28人,分别记录每个被试的睁闭眼自发脑电(EEG)数据。对两组被试的EEG数据进行AR模型谱估计,结果显示害羞被试在颞叶电极(T8)上的β2波段(20～30Hz)能量均值显著低于不害羞被试,表明害羞被试在颞叶的活动水平显著低于不害羞被试。基于中枢神经系统的情绪通路,探讨了害羞的生理机制,说明害羞有相应的生理基础,可通过脑电分析来研究其神经机理。

吗啡急性成瘾猫症状学与神经电生理变化

目的通过建立急性吗啡猫成瘾模型,观察成瘾猫症状学和神经电生理变化,探讨成瘾症状与神经电生理变化间的关系。方法 12只成年雄性家猫随机分成实验组9只和对照组3只,连续5 d,实验组家猫于每日8点、12点、16点行背部皮下注射吗啡,对照组注射等体积生理盐水。第6天,实验组家猫注射纳洛酮诱发戒断症状,证明造模成功后两组于1、3、7 w行皮层和深部脑电图监测。结果实验组家猫均出现吗啡戒断症状,脑电图呈现生理波减少,慢波增多并出现棘波。结论急性吗啡猫成瘾模型的症状学与脑电图改变对揭示吗啡成瘾机制具有一定意义。

基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型

提取多通道脑电(EEG)功率谱特征,训练连续高斯密度混合隐马尔科夫模型(CHMM),建立了基于功率谱-CHMM的精神疲劳分级模型.分级结果表明:EEG各节律功率谱及其比值是精神疲劳的敏感指标,CHMM对于不同的精神疲劳状态具有较高的分类精度,最高分类正确率达到97.5%;在训练样本相同的情况下,CHMM比反向传输人工神经网络具有更高的分类精度.

癫痫研究中的动力系统模型及方法

我们综述了国内外采用非线性动力学的理论和方法对神经科癫痫研究的进展,包括发病机理的动力学解释,发作间期和发作期脑电图(EEG)信号的动力学特征量的分析,以及预报机制的建立等;同时介绍了最近本课题组采用建模分析的方法研究癫痫脑电的主要结果,以及对癫痫发作过程的动力学性态变化规律的若干新发现;据此提出了研究中的一些问题和设想。