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。

基于EEG脑网络下肢动作视觉想象识别研究

基于想象的脑机接口(Brain‐Computer Interface,BCI)在运动障碍康复中有潜在的应用.传统的想象任务是运动想象(Motor Imagery,MI),但MI不易习得和控制,且存在“BCI(Brain Computer Interface)盲”现象,使得该类BCI的实用化受限.为寻找下肢运动障碍的康复方法,采用一种较少被研究且易完成的心理想象,即“视觉想象(Visual Imagery,VI)”来构建BCI,但该类BCI的分类难度较大,需要探索有效的特征提取方法.招募18名被试参加两种动态图片的视觉想象任务并采集脑电(Electroencephalogram,EEG)数据;采用EEG互信息构建功能网络,利用图论分析方法计算脑网络的网络属性特征,分别以网络属性特征、不同维度邻接矩阵空间特征与网络属性与邻接矩阵组合特征构建特征向量;最后采用支持向量机(Support Vector Machine,SVM)对两类视觉想象任务进行分类.结果显示,采用八维互信息邻接矩阵构建的空间特征集具有较好的可分性,平均分类精度为90.12%±5.43%,表明基于EEG互信息邻接矩阵空间特征是识别所设计的VI任务的有效特征,可望为构建新型的在线视觉想象脑机接口用于下肢运动障碍康复提供思路.

不同实验范式下言语想象的脑神经机制

基于言语想象的脑机接口(Brain-Computer Interface,BCI)在一定程度上可以帮助言语障碍患者恢复语言沟通能力,也是目前较新颖的一种范式,凭借其对被试友好、自由度高等优点逐渐受到关注,但将不同言语想象范式之间的神经机制差异和分类效果进行对比的研究却鲜有涉及.重点从言语想象实验范式的神经机制及分类准确率这两个方面进行实验分析.实验招募12名健康被试,分别进行两种范式的言语想象任务,分析被试言语想象期间EEG数据的时域、频域、空域特征,并对两种范式下的数据样本进行分类识别.实验结果表明,执行言语想象任务时屏幕呈现黑屏时言语想象与空闲状态的平均分类准确率为80.6%,执行两种不同言语想象任务时为74.2%,该结果对言语想象BCI系统的范式设计、异步系统开发及推广应用都有积极的作用.

植入式脑机接口医学应用伦理规范考量

植入式脑机接口(BCI)因电极接近或植入大脑皮质,其空间分辨率和信噪比高,具有重要的临床应用前景。然而,植入式BCI的手术和电极存在损伤脑组织的安全风险,其医学应用面临着伦理挑战,而迄今为止少有文献系统地考量这一问题。为促进该类BCI技术的临床转化,本文从降低植入式BCI手术和电极对脑组织损伤的风险、向患者提供定制的个性化植入式BCI治疗、确保多学科协作的植入式BCI临床应用、负责任地使用植入式BCI等方面考量植入式BCI医学应用伦理规范,以期为植入式BCI医学应用伦理规范的研究及制定提供思考与借鉴。

脑机接口技术伦理规范考量

脑机接口(BCI)技术的研发及潜在应用因与人脑密切相关,故与其相关的伦理规范是一个需要考量的重要问题。已有文献从非BCI研发人员和科技伦理的角度思考了BCI相关伦理问题,但少有从BCI研发人员的角度出发探讨该问题,因此有必要从BCI研发人员的角度研究和讨论BCI技术伦理规范。本文分别阐述了以用户为中心和以不危害他人及社会为前提的BCI技术伦理规范,并对其进行了讨论和展望。本文认为人类能够应对BCI技术所产生的伦理问题,随着BCI技术的发展,其伦理规范将不断完善,期望本文可以为BCI技术相关伦理规范的制定提供思考和借鉴。

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。

国内外脑电分析处理软件现状分析及发展趋势

脑电(Electroencephalogram,EEG)分析是脑科学研究的重要内容.随着脑科学研究及应用的迅猛发展,EEG数据急剧增加(EEG大数据),给EEG分析处理带来了极大的挑战,针对挑战,国内外相继研究了EEG的分析算法和软件,并处于进一步的发展中.本文首先对国内外已公开且具有一定知名度的EEG分析处理软件的现状进行了分析,指出了它们的功能、性能、特点和适用范围.最后指出EEG分析处理软件进一步的发展方向是:适应新的脑科学问题和应用,以及EEG数据的急剧增加,提供智能、开放、标准统一的EEG数据分析平台;增加智能的EEG溯源分析模块以缓解EEG低空间分辨率问题、EEG大数据深度分析模块、EEG与其他多模态融合模块、EEG脑机智能融合模块、EEG人工智能应用模块、其他重要的EEG智能分析工具(包括EEG微状态分析模块、EEG脑网络分析模块、EEG机器学习模块等).

脑机接口中运动想象的执行与能力的评估和提高方法

运动想象(MI)是驱动脑机接口(BCI)的一种重要范式,但MI心理活动不易控制或习得,MI-BCI的性能严重依赖被试MI的表现。因此MI心理活动的正确执行以及能力的评估和提高对MI-BCI系统性能的提升及应用具有重要的甚至关键性的作用。然而,在MI-BCI的研发中,已有研究主要聚焦于解码MI的算法,对MI心理活动的这三个方面没有足够的重视。本文针对MI-BCI的这些问题进行详细论述,指出被试易把动觉运动想象执行为视觉运动想象;未来需要研发客观的、定量可视化的MI能力评估方法,并且需要研发有效的、训练时间短的MI能力提高方法,也需要在一定程度上解决个体之间和内部MI的差异性、共性和MI-BCI盲问题。

脑机接口人因工程及应用:以人为中心的脑机接口设计和评价方法

脑机接口(BCI)是一种变革性的人机交互,目前正朝智能脑机交互和脑机智能融合方向发展。然而,BCI的实用化面临极大的挑战,BCI技术成熟度尚未能满足用户的需求,BCI的传统设计方法有待改进。BCI人因工程对缩小研究与实际应用之间的差距具有重要的作用,但目前尚没有引起足够的重视,也没有专门的深入论述。本文针对BCI人因工程,阐述以人为中心的BCI设计需求(来自用户)、设计思想、目标和方法以及评价指标。BCI人因工程可望使处于不同使用条件下的BCI系统设计更符合人的特点、能力和需求,提升系统的用户满意度,增强用户体验感,提高BCI的智能化,使其走向实际应用。

脑机接口技术的应用、产业转化和商业价值

脑机接口(BCI)是一种变革性的人机交互技术,其中既有不依赖外周神经和肌肉系统即可从大脑直接向外部设备或机器输出指令的BCI,也包括绕过外周神经和肌肉系统从外部设备或机器直接向大脑输入电、磁、声和光等刺激或神经反馈的BCI。随着BCI技术的发展,其不仅在医学领域具有潜在的应用,而且在非医学领域,如教育、军事、金融、娱乐、智能家居等方面也具有应用前景。目前,鲜有对BCI技术的相关应用、国内外BCI产业化现状以及其商业价值进行详细论述的文献,为此本文对上述内容展开阐述和讨论,可望为社会公众及组织、BCI研究人员、BCI产业转化者和销售人员提供有价值的信息,提高对BCI技术的认知水平,进一步促进BCI技术的应用和产业转化,提升BCI的商业价值,以便更好地为人类服务。

基于言语想象的脑机交互关键技术

言语表达是一种人类重要的高级认知行为,该行为的实现与人的大脑活动密切相关,真实的言语表达和言语想象都能够激活部分相同的脑区,因此言语想象成为一种脑机交互的新型范式。基于言语想象的脑机接口(BCI)具有自发产生、无需训练、对被试友好等优点,因此受到了众多学者的关注。然而,这一交互技术在实验范式的设计和想象材料的选择方面并不成熟,存在较多亟待讨论的问题。因此,针对这些问题,本文首先阐述了言语想象的神经机制;然后评述了以往的言语想象BCI研究,系统分析了实验范式、想象材料、数据处理等方面的主流方法和核心技术;最后讨论了制约该类BCI发展的关键问题和面临的主要挑战,并展望了言语想象BCI系统在未来的发展和应用前景。

基于脑磁图的智能脑机交互关键技术

脑机交互(BCI)是一种变革性的人机交互,旨在绕过外周神经和肌肉系统直接把脑神经的感知觉、表象或思维活动转化为动作,以进一步改善或提高人类的生活质量。脑磁图(MEG)测量神经元电活动产生的磁场,具有非接触式测量、时空分辨率高和准备方便等独特优势,是一种新的BCI驱动信号,基于脑磁图的脑机交互(MEG-BCI)研究具有重要脑科学意义和潜在应用价值。迄今为止,少有文献阐述MEG-BCI涉及的关键技术问题,为此本文聚焦MEG-BCI关键技术,详述了实用MEG-BCI系统中涉及的信号采集技术、MEG-BCI实验范式设计、MEG信号分析和解码关键技术、MEG-BCI神经反馈技术及其智能化方法。最后,本文还讨论了MEGBCI存在的问题和未来发展趋势,期望本文为MEG-BCI创新研究提供更多有益思路。

基于欧式空间-加权逻辑回归迁移学习的运动想象EEG信号解码

基于脑电图(Electroencephalography,EEG)信号的运动想象(Motor Imagery,MI)意图识别是脑机接口(BrainComputer Interface,BCI)研究中的重要问题.然而,EEG信号存在严重的个体性差异,不同被试之间的EEG信号特征空间分布差异很大,不同被试之间的分类模型不能通用.针对这一问题,提出一种基于欧式空间的加权逻辑回归迁移学习方法,算法首先将不同被试的EEG数据进行欧几里得空间对齐,使各信号更加相似,减少差异性,然后计算特定被试共空间模式(Common Spatial Pattern,CSP)获得不同的特征值,并计算这些特征值的KL(Kullback-Leibler)散度,进而利用KL散度调整迁移学习的加权逻辑回归算法,得到分类模型.实验结果表明:对于BCI竞赛IV中的数据集2a,提出的方法可以极大地提升BCI的学习性能,算法分类准确率比基线算法(线性判别分析)高出15%.在数据样本增多的情况下,被试的分类准确性也得到了明显的提升,和同类算法相比,分类准确率提升4%,说明提出的算法能进一步提高BCI的学习性能,改善分类模型的通用性问题.

基于功能性近红外光谱的脑机接口综述

脑机接口(BCI)技术通过解码分析大脑的神经活动来实现人脑与计算机等外部设备的直接交互,可作为信息交流和恢复运动功能的手段,已被应用于通信、智能机器人控制、生物医学和神经康复等诸多领域。功能性近红外光谱(fNIRS)是一种可用于探测大脑皮层血红蛋白浓度变化的光学成像技术,近些年被用于无创BCI的发展。本文系统、详细地综述了fNIRS-BCI的发展历程、组成原理、涉及的关键技术、未来的发展趋势以及局限性和待解决的问题,重点对特征分类算法进行了全面统计,并将结果与前人的部分统计数据进行对比分析,归纳出一些有价值的结论与观点。本文旨在让有兴趣探索fNIRS-BCI的研究人员对其有一个全面而具体的了解,甚至为他们提供一定的参考和指导。

基于HHT和核函数选择的情绪特征提取与识别

脑⁃机接口是一种变革传统人机交互的技术,其中情绪脑⁃机接口是一类重要的脑⁃机交互,可望为情绪的调节、监测或评估提供定量方法,有潜在的重要应用价值,然而情绪相关的脑信号特征提取与识别尚未彻底解决,面临许多挑战.为了探索有效的情绪相关脑电(Electroencephalogram,EEG)特征提取和分类方法,采用国际情绪图片系统(International Affective Picture System,IAPS)提供的情绪图片诱发情绪,在情绪诱发期间采集13个被试的脑电EEG信号;采用独立成分分析(Independent Component Analysis,ICA)等方法预处理EEG后,分别采用在时域、频域同时具有较高分辨率的希尔伯特⁃黄变换(Hilbert⁃Huang Transform,HHT)和对不同状态反应敏感的自回归(Auto Regressive,AR)模型提取情绪相关的EEG特征;采用支持向量机(Support Vector Machine,SVM)对其可用的四种核函数进行选择,也利用K⁃近邻(K⁃Nearest Neighbor,KNN)对两类情绪进行识别.结果显示,采用HHT提取特征并利用高斯径向基函数(Radial Basis Function,RBF)核的SVM取得的平均、最高和最低分类精度分别为90.57%±4.13%,96%和88%;采用AR模型提取特征并利用高斯RBF核的SVM取得的平均、最高和最低分类精度分别为88.43%±2.98%,92%和86%.表明HHT能有效地提取情绪相关EEG特征,采用高斯RBF核的SVM可以获得较好的识别结果,可望为基于EEG利用HHT和高斯RBF核的SVM在线识别情绪提供思路.

基于HHT和AR模型的步行想象和空闲状态识别研究

目前,大多数运动想象(Motor Imagery,MI)针对的是单侧肢体的研究,而传统的单侧肢体简单的运动想象不易被患者理解并且康复效果有限.本研究针对运动协调想象,设计了一种新的步行想象范式,该范式需要被试想象正常的步行动作,其涉及复合肢体的协调配合,同时,对被试的空闲状态进行识别.招募了18名被试参与本实验,分别采集了步行想象和空闲状态的脑电信号;接着分别采用自回归(Auto Regressive,AR)模型、共空间模式(Common Spatial Pattern,CSP)、希尔伯特-黄变换(Hilbert-Huang Transform,HHT)和AR模型组合方法提取特征,最后采用支持向量机(Support Vector Machine,SVM)对步行想象和空闲状态两类任务进行分类.结果显示采用AR模型提取特征取得的平均、最高和最低分类正确率分别为63.28±6.33%、80.15%和51.56%;采用CSP提取特征取得的平均、最高和最低分类正确率分别为73.58±5.37%、85.47%和59.97%;采用HHT和AR模型组合方法提取特征取得的平均、最高、最低分类正确率分别为80.51±4.06%、89.59%和62.41%.本研究表明,HHT和AR结合的特征可用于识别步行想象和空闲状态,且可分性较好.本研究可望为基于步行想象的BCI用于脑卒中偏瘫患者运动障碍康复提供思路.

神经反馈调节健康个体注意力的研究进展

神经反馈是指通过脑机交互方式,将大脑活动转换成声音、图像、游戏等形式反馈给个体,以实现自主调节脑功能的目的。注意力是认知功能的重要方面,不仅是儿童发展成长的影响因素,也是成人日常生活中不可替代的重要心理品质。越来越多的实证研究已经发现神经反馈对健康个体的注意力具有调节作用,但缺乏对相关研究进展的总结和综述。综述基于大脑节律活动的神经反馈对于健康个体注意力调节作用的研究进展,分析注意力测量范式、学习者和非学习者的划分以及实验设计类型对神经反馈训练效果的影响,指出了追踪实验对研究的必要性。同时提及可用于健康个体注意力调节的其他几种神经反馈技术。期望为神经反馈提高注意能力的研究和实践提供参考。

基于功能性近红外光谱识别右脚三种想象动作研究

基于功能性近红外光谱(fNIRS)的脑机接口(BCI)是一种新型的人机交互手段。为探究单个肢体不同运动想象动作fNIRS信号的可分性,研究采集了15名受试者(业余足球爱好者)在想象右脚三种动作(传球、停球和射门)期间的fNIRS信号,提取了不同想象动作期间HbO信号的相关系数作为特征,构造了基于支持向量机的三分类模型。试验结果发现:右脚三种想象动作的分类准确率为78.89%±6.161%;两类运动想象动作的分类,即传球与停球、传球与射门和停球与射门的分类准确率分别为85.17%±4.768%、82.33%±6.011%、89.33%±6.713%。研究结果表明单个肢体不同运动想象的fNIRS具有可分性,这可望为fNIRS-BCI增加新的控制命令,也可为单侧中风患者康复训练和控制外设提供一种新的选择。此外,研究也表明相关系数可以作为分类不同想象动作的一种有效特征。

基于功能近红外光谱成像的神经反馈技术及应用

目前基于脑电图(EEG)数据或功能磁共振成像(fMRI)的神经反馈(NF)技术对大脑调节的影响已展开了广泛研究与应用,相较而言,功能近红外光谱成像(fNIRS)成为近年来在NF研究中新兴的技术手段。fNIRS是一种基于血液动力学的神经成像技术,具有成本低、便携性好、空间分辨率高等优势,更适合在自然环境下使用。当前国内缺少关于fNIRS结合NF技术(fNIRS-NF)的综合述评,为给fNIRS-NF技术相关领域研究提供参考,本文首先阐述了fNIRS-NF的原理、关键技术及应用,重点对fNIRS-NF的应用进行了较为全面的论述,最后展望并总结了fNIRS-NF未来的发展趋势。综上,本文对fNIRS-NF技术及应用进行总结,认为fNIRS-NF技术在神经性疾病及其相关领域具有潜在的实用价值,fNIRS可以作为NF训练的一种良好方法,期望本文可为fNIRS-NF技术的发展提供参考信息。