空间滤波方法在脑-机接口中的应用及研究进展

随着脑-机接口技术的不断发展,通过优化数据处理算法来提高脑-机接口系统的分类正确率已成为研究热点。近年在多种脑-机接口范式中都发现空间滤波能够提高脑电信号的信噪比并优化特征提取,从而提升脑-机接口系统的分类正确率。空间滤波在基于脑电的脑-机接口中正日趋凸显其重要应用价值。综述脑-机接口中的脑电信号处理常用的空间滤波方法,包括基本空间滤波器、用于脑电预处理及特征降维的空间滤波器,以及基于诱发节律和诱发电位的脑-机接口中用于特征提取的空间滤波器,并阐述各类空间滤波方法的基本原理、构建方法及相关研究成果。最后归纳目前存在的问题并对发展趋势进行展望。     

基于SSVEP的无线脑-机接口系统研究与实现

针对目前脑-机接口存在的成本高、普及面窄、体积笨重等问题,开发基于稳态视觉诱发电位(SSVEP)的无线脑-机接口系统,并对脑电信号特征提取算法进行研究。脑电采集设备采用锂电池供电,通过无线方式传送数据到上位机进行数据处理。上位机软件对接收的信号进行滤波预处理,并基于小波变换的典型相关分析法(WT-CCA)对信号特征提取及处理,甄别视觉诱发刺激类型。对10名测试者分别测试15组数据,结果表明该系统成功获取含有特征信息的脑电信号,经过上位机处理后被外部机器人识别的准确率达90%以上。这一脑-机接口系统技术成本低、准确率高、便携可穿戴,对残障人士修复运动功能和感觉功能具有重要的应用价值,也促进脑机交互技术的普及和发展。     

结合稳态视觉诱发电位的多模态脑机接口研究进展

脑机接口(BCI)能够在大脑与外部环境之间建立一种不依赖于外周神经或肌肉的交流与控制通道,有助于恢复运动障碍者的生活自理能力,是当前神经工程领域最活跃的研究方向之一。其中,稳态视觉诱发电位(SSVEP)脑机接口因信息传输率(ITR)高、所需训练少而备受关注。现有的无创高通讯速率脑机接口系统主要是来自于或基于SSVEP。近年来,为进一步提高脑机接口性能,整合SSVEP与其他类型输入信号的多模态脑机接口逐渐成为脑机接口研究的新趋势。从输入信号类型、实验范式和信号融合等方面,综述结合SSVEP 的多模态脑机接口研究进展,帮助相关研究者理解该领域研究动态,以启发高通讯速率脑机接口系统的设计与实现。同时探讨目前结合SSVEP的多模态脑机接口存在的问题和未来可能的发展趋势,以期推动结合SSVEP的多模态脑机接口技术的发展。     

听觉脑-机接口技术实验范式的研究进展

目前基于视觉范式的脑-机接口技术研究已经取得了较大的突破,并在实际中得到了广泛应用.然而很多视力受损的闭锁综合症患者,无法使用基于视觉范式的脑-机接口系统,因此研究这一技术是非常必要的,可为听觉正常的闭锁综合症患者提供了一种新的与外界交流的渠道.本研究回顾了基于听觉范式的脑-机接口技术研究现状,从听觉P300、稳态听觉诱发电位、选择注意以及空间定位等4个方面总结归纳了听觉脑-机接口技术的实验范式并进行分析对比.最后提出了听觉脑-机接口技术在实际应用中存在的问题,并探讨了进一步的研究方向及思路.     

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。     

基于改进CSP算法的运动想象脑电信号识别方法

针对想象运动的脑机接口(BCI)系统中,在电极导联数少的情况下存在脑电信号分类准确率降低的问题,提出一种改进共同空间模式(CSP)算法. 通过对事件相关去同步(ERD)/事件相关同步(ERS)生理现象较明显的频段进行滤波, 选取最大特征值对应的表征运动想象脑电信号状态的最优特征向量,进而提出特征向量新的定义方法,同时与支持向量机(SVM)相结合,实现运动想象脑电数据的分类.对于GRAZ大学提供的运动想象脑电数据(Data Ⅲ),想象左手运动脑电信号的识别准确率为98.57%.想象右手运动的脑电识别率为100%.实验结果表明,改进的CSP算法更准确地反映脑电信号的任务状态,有效避免了特征模式的重复选取问题,具有更优的分类性能.     

基于脑电运动速度想象的单次识别研究

基于运动想象脑电节律活动的脑-机接口是脑-机接口系统研究中的重要范式之一。本研究给出一种基于运动速度想象的新的研究范式,探索在该研究范式下对运动速度想象具有反应性的脑电节律活动,并进行单次识别。采集了4个健康志愿者想象左手食指快速运动(4 Hz)和慢速运动(1 Hz)时的脑电信号,速度由节拍器定节奏和训练。通过能量谱分析,在C3、Cz和C4通道发现了对运动速度想象具有反应性的频带:9 Hz至13 Hz。提取通道C3、Cz和C4上9 Hz至13 Hz频带能量构建特征空间,分别利用Fisher判别分析和多层感知器神经网络进行运动速度想象的单次识别,对于左手食指快速运动和慢速运动想象,Fisher判别分析和多层感知器神经网络取得的平均误分类率分别是27.7±1.2%,28.4±4.6%,正确识别率均在70%以上。结果表明,尽管运动速度想象的单次识别是一个困难的挑战,但通过精心设计研究范式,适当训练被试,能够诱发出对速度起反应的特征频带,基于脑电单次识别运动速度想象是可行的,该研究可望能够为脑-机接口提供额外的新的速度控制参数。     

基于眼电和稳态视觉诱发电位分析的目光跟踪方法

眼动跟踪技术作为人机交互手段和行为检测方法已广泛应用于心理学和认知科学领域的研究,基于稳态视觉诱发电位的脑-机接口也是一种备受关注的人机交互方法。本研究提出一种结合眼电和稳态视觉诱发电位同步分析的眼睛注视点位置跟踪方法,通过同步检测两种电生理信号:眼电信号(EOG)和脑电信号(EEG)来实现。主要的处理算法有:基于EOG的人机交互算法,包括基线去除、去噪声、角度变换、基准校正等;基于SSVEP的脑-机接口算法,通过典型相关分析法实现。由SSVEP判断出的目标对应的屏幕坐标可以作为眼动分析中基准校正的输入参数。实验结果表明:每0.5 sEOG-HCI可以对注视点位置进行一次识别;每2 sSSVEP-BCI可以对注视目标做一次判别;两者既可以独立运行,也可以协同工作,相比单一信号的人机交互方法,可以缩短判断时间和提高准确率。     

基于支持向量机的BCI导联选择算法

脑-机接口(BCI)中导联选择的目的是在所有记录脑电信号的导联中,选择出与特定心理任务分类最相关的导联,对于简化BCI系统,提高系统传输速率具有重要影响.本研究提出一种基于支持向量机(SVM)的导联选择算法,所采用的实验数据来自德国组织的第三届国际BCI数据竞赛数据集IVa中两个受试者(al,aw).结果表明,该算法对al数据集导联可从118减少到22,同时系统识别的精度从92%提高到98%;对aw数据集导联可从118减少到35,同时系统识别的精度从89%提高到93%.可简化BCI系统的设计,改善系统性能.     

基于多通道自适应自回归模型脑-机接口系统特征的提取

背景：由于脑电图信号的非平稳特性,脑-机接口系统至今仍然没有走出实验室,制约脑-机接口实用的主要原因之一是由于被试生理或心理状态的干扰下,脑电特征信号动态变化,难以得到稳定可靠的分类特征。 目的：观察动态提取基于左手、右手和脚3种运动想象时的脑电信号分类特征,提高在线脑-机接口系统分类准确率和反应速度。 方法：共有3位自愿受试者参加了实验,按照屏幕上的提示分别想象左手、右手和脚3种运动,对采集到的脑电图信号,首先通过带通及拉普拉斯滤波,去除眼电等干扰;其次提取改进的多变量自适应自回归模型模型参数作为分类特征;最后与传统的自适应自回归模型和自回归模型方法进行了比较。 结果与结论：结果表明改进的多通道自适应自回归模型算法能够比较稳定的提取出对应左手、右手和脚的分类特征,有利于进一步改进在线脑-机接口数据分析算法的自适应能力,促进脑-机接口系统的实际应用。     

基于α波控制的新型异步脑机接口技术研究进展

脑机接口(BCI)是在人脑和计算机或其他电子设备之间建立的一种直接的信息交流和控制通道,是一种不依赖于常规大脑信息传输通路的全新信息交流系统.基于α波控制的新型异步脑机接口技术可实现系统“工作”模式和“空闲”模式的自动切换,选择与运动想象关联较大的脑电信号.首先对脑机接口和基于α波控制的异步脑机接口技术的基础知识进行了介绍,并对基于α波控制的新型异步脑机接口技术的关键技术及应用前景进行了阐述,最后对研究现状及需要解决的问题进行了分析.     

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。     

运动想象脑-机接口新进展与发展趋势

基于运动想象(MI)的脑-机接口(BCI)作为一项新的运动损伤康复手段,在帮助改善和恢复丧失的身体功能方面具有重要的作用。然而,目前MI-BCI走向实用化仍面临着许多问题和挑战,包括MI诱发生理信号空间分辨率低、使用者训练时间较长和异步控制MI-BCI系统难以有效实现等。简要阐述MI相关的机制研究,然后针对以上问题从信号采集、信号处理算法分析、范式设计和异步控制研究等,综述相关解决方案及其研究现状,最后概述MI-BCI的应用,并展望MI-BCI未来的发展方向。     

共同空间模式在少通道分类问题中的应用

在目前以运动想像为基础的脑机接口(BCI)系统中,共同空间模式(CSP)方法作为一种有效的处理方法被广泛使用.但这种基于多通道的空间滤波方法并不能对频域信息进行处理,而且在通道数较少的情况下也无法应用.将每个通道的多个频段看成是新的通道运用CSP,并以此方法获得了2008年BCI竞赛中数据集IIb的第二名,平均Kappa系数达到0.58.该方法充分利用信号频域信息,以解决通道数过少的情况下基于想像运动模式分类的难题.     

基于Java3D的脑机交互应用系统设计

目的 为在理想环境下研究脑机交互（brain computer interface,BCI）系统,并为系统的实际应用开发做铺垫,本文基于Java3D设计了脑机交互应用系统.方法 EEG信号经分析处理后转换成的实时控制命令,通过TCP/IP协议传给Java3D应用系统,实时控制虚拟小车运动.该应用系统的设计分三步：首先搭建虚拟场景,包括对场景模型的建立以及对场景的布局设计;其次设计虚拟小车的运动,实现小车前进和旋转的连续运动;最后对场景中的模型配置进行碰撞检测,用基于运动想象的EEG分析结果实时控制小车运动,检验本系统的功能.结果 EEG信号可以实时控制虚拟小车进行连续运动,且碰撞检测功能正常.结论 研究结果初步证明该应用系统的可行性,为BCI应用系统的设计提供了新颖思路并奠定了良好基础.     

面向脑机接口的脑电采集设备硬件系统综述

脑机接口技术(BCI)可为人脑和外界建立一种全新的直接的交互方式,具有非常广阔的应用前景。脑电采集设备作为脑机接口采集信号的重要手段和途径,是其技术的关键和基础,已得到广泛关注。近年脑机接口研究呈爆炸式增长,各种脑电采集技术与应用不断涌现。未来,脑电采集设备在科学、医疗、军事、生活等领域具有巨大的应用潜力。为理清目前脑电采集设备硬件系统的发展现状和发展方向,从基本组成结构、性能优化电路以及现有产品等方面进行剖析。归纳脑电采集设备的4个主要组成部分,进一步分类并讨论脑电采集设备性能优化方法;对比现有的主流产品的关键指标,探讨它们的功能特性;分析现有脑电采集设备的不足之处,并对其发展趋势进行展望。     

脑机接口关键技术研究

脑机接口(brain-computer interface,BCI)利用脑电信号实现人脑与计算机或其他电子设备的通讯和控制,是一种新的人机接口方式.它在康复医学和控制工程等领域有应用前景.本文介绍了BCIs系统的工作原理,从系统设计、数据获取及处理方法两方面论述了BCIs系统设计中的关键技术,最后指出了BCIs存在的主要问题和发展趋势.这些探讨为BCIs的设计与研究提供了指导.     

A Study of BCI Signal Pattern Recognition by Using Quasi-Newton-SVM Method

The recognition of electroencephalogram (EEG) signals is the key of brain computer interface (BCI).Aimed at the problem that the recognition rate of EEG by using support vector machine (SVM) is low in BCI,based on the assumption that a well-defined physiological signal which also has a smooth form“hides“ inside the noisy EEG signal,a Quasi-Newton-SVM recognition method based on Quasi-Newton method and SVM algorithm was presented.Firstly,the EEG signals were preprocessed by Quasi-Newton method and got the signals which were fit for SVM.Secondly,the preprocessed signals were classified by SVM method.The present simulation results indicated the Quasi-Newton-SVM approach improved the recognition rate compared with using SVM method; we also discussed the relationship between the artificial smooth signals and the classification errors.