首页 > 文献资料
-
功能性电刺激与脑机接口在医学中的应用
本文回顾了功能性电刺激(Functional Electrical Stimulation,FES)在治疗脑损伤和脊髓损伤所造成的运动功能和吞咽障碍方面的应用;总结了脑机接口(Brain Computer Interface,BCI)技术在现代医学中的应用以及基于BCI的FES的研究现状.结果 显示,BCI、FES及二者相结合技术在现代康复工程领域中是极具应用前景的新技术.
-
脑-机接口驱动神经义肢手系统的研究
本文针对现代医疗手段还无法使上臂再生的问题,深入分析了人手动作脑电信号的特点,研究了面向义肢手控制的手动作脑电小波特征提取和BP神经网络模式识别方法,开发研制了一个基于BCI(Brain-Computer Interface,简称BCI)驱动的神经义肢手驱动控制系统,并用该系统完成了义肢手四种动作(手臂自由状态、手臂移动、手抓取、手张开)的驱动.经过多次在线及离线实验,结果表明:基于脑-机接口驱动的神经义肢手系统是合理可行的,所采用的脑电信号小波特征提取方法和BP神经网络模式识别方法是有效的.
-
探讨通道对视觉诱发电位单次提取精度的影响
采用"模拟自然阅读"诱发电位作为脑-机接口通信载体,结合小波变换和误差逆传播(Error Back Propagation,即BP)神经网络对视觉诱发脑电信号(VEP)进行分类以产生脑机接口控制信号.将被试者4个通道记录到的脑电信号分别作为特征,信号时程都为300ms,时段分别取100ms～40(Os、200ms～500ms和300ms～600ms.试验结果表明四个单通道都达到较好的分类效果,有利于产生脑机接口控制信号.
关键词： 视觉诱发电位(VEP) 脑机接口 小波变换 BP神经网络 -
基于小波变换和BP神经网络的视觉诱发电位识别
结合小波变换和BP神经网络对视觉诱发脑电信号(VEP)进行分类而产生脑机接口控制信号.利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号,获取特征向量输入BP神经网络进行事件相关电位模式识别.实验表明,小波变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取,BP神经网络能比较准确地从VEP中识别出事件相关电位,进行10次测试的平均识别正确率为99.375%,有利于产生脑机接口控制信号.
关键词： 视觉诱发电位(VEP) 脑机接口 小波变换 BP神经网络 -
双耳分听模式下听觉诱发电位研究
P300诱发电位是事件相关电位的一种,它和人的行为以及专注过程有着关联,P300受到很多因素影响,想要正确提炼信息十分复杂,它的幅度受到目标概率、刺激间隔时间、刺激适应的程度和任务的难度等因素影响.结合目前国内外关于双耳分听模式下P300的提取研究设计实验,以给左右耳不同刺激提取脑电,找出P300的存在,对其成分进行分析.
-
稳态视觉诱发脑机接口特征提取方法的研究
目的 为有效提取稳态视觉诱发脑机接口(SSVEP-based brain-computer interface)中的脑电特征,提出一种基于独立成分分析(independent component analysis,ICA)与希尔伯特黄变换(Hilbert-Huang transform,HHT)的特征提取方法.方法 对采集得到的脑电信号进行带通滤波,得到预处理的脑电信号,将滤波后的脑电信号作为ICA的输入,经过ICA实现独立成分的快速获取.引入HHT对独立成分进行经验模态分解(EMD),分解获取固有模态函数(intrinsic mode function,IMF),通过对IMF的频域分析,即可提取出特征.将ICA和HHT法同WT法、ICA法以及HHT法等常用的特征提取方法在频域、功率谱估计、在时间消耗等多方面进行比对分析.结果 频域分析和功率谱估计中,本文提出的方法明显优于WT法和ICA法,略优于HHT法.时间消耗方面,本文提出的方法略优于HHT法.结论 基于ICA和HHT的特征提取方法在稳态视觉诱发脑机接口的特征提取中是可行的,并有效去除了脑电信号中的噪声.
-
基于判别混合高斯模型的信息积累方法及在脑机接口中的应用
设计有效的学习算法快速准确地对脑电信号(eelectroencephalogram,EEG)进行连续预测是脑机接口(brain-computer interface,BCI)研究的关键之一.本文提出了一种新颖的基于判别混合高斯模型(discriminative gaussian mixture model,DGMM)的信息积累方法.该方法通过区分度权值对分类器在各时段的输出进行积累,从而达到提高脑电信号分类精度的作用.在两个运动想象数据集上的实验结果表明该方法能够提高BCI系统的性能,具有较好的实用性.
-
脑机接口中基于SOBI的EEG预处理
目的 针对脑机接口(brain computer interface,BCI)中脑电信号(electroencephalography,EEG)包含的伪迹以及信号源可能服从多个高斯分布,本文提出一种基于二阶盲辨识(second-order blind identification,SOBI)的盲源分离去除伪迹方法.方法 首先,含有伪迹的多个导联EEG信号采用联合近似对角化和数据白化,计算出混合矩阵,同时分解成数目相等的若干个独立分量.然后,根据伪迹信号特有的直观特性,将分解出含有伪迹的独立分量置零,剩余分量通过混合矩阵,进行逆向投影重构,得到去除伪迹后EEG信号.后,对3名实验者的实验数据,从处理时间和识别精度两方面进行检验.结果 本文中提出的SOBI方法相比于常用的独立成分分析(independent component analysis,ICA),在单个样本处理时间上,分别缩短了169.1 ms、177.0 ms和230.8 ms;在识别精度上,分别提高3.3％、5％和10％.结论 SOBI能快速有效地去除伪迹信号,为BCI中EEG的在线处理奠定了基础.
-
基于PCA及SVM的运动想象脑电信号识别研究
为了解决脑机接口(BCI)中不同意识任务下运动想象脑电信号的分类问题,提出了一种基于PCA及SVM的识别方法.针对Hilbert-Huang变换和AR模型提取的脑电信号特征,首先采用主成分分析PCA对高维特征向量进行降维处理,然后用支持向量机进行分类.后将本方法分类结果和Fisher线性分类、概率神经网络分类结果进行比较.实验结果表明,该方法分类正确率较高,复杂度低,具有一定的有效性,可用于脑机接口中.
-
一种运动想象脑机接口训练系统的设计
目的 为提高运动想象的脑机接口训练速度和效率,本文设计了一种训练系统.系统功能主要包括参数设置、EEG采集、特征提取、分类及其结果反馈、分类器模型建立.方法 在训练系统设计中,首先使用VC++编写的脑电信号采集软件获取脑电信号,而后通过TCP/IP实现与MATLAB之间的数据传输,在MATLAB中实现特征提取与分类识别,并将识别结果实时反馈给受试者,使受试者能够及时调整自身状态,并选择合适的反馈方式,从而在较短时间内生成有效的分类器模型.结果 该系统具有接口方便、功能强大、界面友好的特点,通过建立的在线系统对训练系统进行了初步检验.结论 该系统可使使用者进行方便有效的训练,进而缩短训练时间并提高脑机接口系统的识别正确率,为脑机接口应用系统的实现奠定了基础.
-
自回归模型和隐马尔可夫模型在癫痫脑电识别中的应用
目的 研究自回归(autoregressive model,AR)模型和隐马尔可夫模型(hidden Markov model,HMM)在癫痫脑电(electroencephalogram,EEG)识别中的应用,以期减轻医生工作量,减少人工识别主观因素的影响.方法 使用基于联合信息准则(combined information criterion,CIC)的佳阶数AR模型对脑电信号进行特征提取,连续密度隐马尔可夫模型(continuous density hidden Markov model,CD-HMM)作为正常脑电和癫痫脑电的分类工具,对南京军区总医院的临床脑电数据(8组采样频率为512 Hz的16导正常、癫痫脑电信号)进行分析和识别.实验时对每一例样本选取T3、T4、FP1、FP2、C3、C4六个导联的数据.使用训练集中的15段样本进行HMM建模,剩下35段用作测试.结果 癫痫脑电的识别率可达90%.结论 AR模型结合HMM建模的方法对正常脑电信号和癫痫脑电的识别率较高,在脑-机接口设备的开发中有一定的应用前景.
-
结合颞肌肌电的虚拟家居控制系统设计与验证
目的 提出一种脑肌电结合的控制方式,用于对家居系统的控制,以提升控制的安全性和自主性.方法 提出一种结合稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)和颞肌肌电的混合脑机接口控制方式,设计并实现了一个整合5种设备的虚拟家居控制系统.其中SSVEP用于实现指令选择功能,颞肌肌电用于实现系统开关、界面切换和指令确认功能.脑电和肌电信号分别采用典型相关分析和阈值法处理后,结合系统状态共同决定系统控制指令的生成.6位受试者进行了系统验证实验,定义控制指令比和误操作率等指标以评估系统性能.结果 6位受试者均成功完成对5种家居设备的控制,控制过程中未发生误操作.设备选择/操控指令的平均指令比为106.3％.结论 本文提出的脑肌电结合的控制方式可用于家居系统的控制,且能有效减少误操作的发生,提升控制的安全性.
-
一种用于脑机接口的模式识别方法
基于脑电的脑机接口(BCI)是在人脑和计算机或其他电子设备之间建立的全新对外信息交流和控制技术,是一种不依赖于常规大脑信息输出通路(外围神经和肌肉组织)的脑机通讯系统.及时有效地提取和识别与运动想象有关的脑电模式可以帮助运动功能受损的病人建立一种与外界沟通的新途径.论文基于传统的特征提取方法--时频特征组合法,经过滑动窗优化,获取佳时间段的时域均值和佳频率段的频域功率谱均值,以此作为特征向量.基于该特征向量,用径向基概率神经网络对脑电信号进行分类.实验结果表明,该方法能够有效地提高脑电识别率,具有应用价值.
-
基于虚拟现实技术的脑机交互反馈系统设计
为训练受试者调整自身状态,以便于产生适应识别算法的EEG信号,本文设计了基于虚拟现实反馈方式的脑机交互反馈系统.该系统将脑-机接口技术与虚拟现实技术相结合,首先在3DMAX中建立虚拟人模型,然后在虚拟现实中为角色模型添加设计好的动作,后系统通过实时调用数据库来控制角色模型的动作.仿真结果表明受试者可实时地对虚拟人的反馈动作与自己的想象运动进行比较,及时调整自己以达到想象运动与反馈动作的一致性.研究结果初步证明了该反馈系统的可行性,本研究为BCI反馈系统的设计提供了良好的思路.
-
脑机接口中一种多类运动想象任务识别新方法
目的：针对脑机接口中三类运动想象任务，提出一种小二乘法自适应滤波结合独立成分分析以及样本熵（ RLS－ICA－SampEn ）、多类共同空间模式（ CSP ）、增量式支持向量机（ ISVM ）相结合的脑电识别新方法，以解决脑机接口中多类运动想象正确率低的问题。方法首先采用ICA将EEG分离，然后利用样本熵自动识别分离后的噪声，再采用RLS对识别出来的噪声进行滤波，后进行信号重构，得到去除噪声的脑电信号。多类CSP采用“一对一”CSP与多频段滤波相结合，对去噪后的脑电信号进行特征提取。通过“一对多”方式的ISVM对三类运动想象脑电信号获取的特征向量进行分类。为检验新方法的有效性，将本文方法与多类CSP＋ISVM（方法1）及RLS－ICA＋多类CSP＋ISVM（方法2）进行比较。结果对三类想象任务而言，本文方法识别正确率与方法1和2相比均高8％左右。结论与方法1和2比较，RLS－ICA－SampEn、多类CSP、ISVM相结合的脑电识别新方法能更好地适用于多类运动想象任务识别。
-
基于EMD和Hilbert变换的自发脑电信号特征提取
在脑机接口研究中,针对脑电信号的特征提取,提出一种基于EMD的Hilbert变换的方法.在变换过程中根据信号的局部特征自动选择基函数,求得信号在每个时间段的希尔波特谱;以时频窗口内的统计特性作为特征,利用Fisher距离选择佳特征集输入分类器.后利用BCI 2003竞赛数据,通过对特征矢量的可分性和识别精度两个指标的评估,表明了所提出方法的有效性.
-
基于Labview的脑机接口实时系统
目的 在Active One生理信号采集系统基础上实现脑机接口实时系统.方法 系统利用瞬态视觉诱发电位来实现脑机接口,软件采用Labview 7.1编程实现.设计四个刺激模块的脑机接口人机界面,采用同频次复合刺激方式实现多模块视觉刺激.应用累加平均与FIR滤波器提取视觉诱发电位信号,再通过计算相关系数实现信号识别.结果 10名受试者参加了脑机接口实验.实验结果表明,基于Labview设计的视觉刺激器能够产生有效的视觉刺激.结论 本文提出的实时信号处理方法提高了信噪比,实现了视觉诱发电位的提取与识别,能够判断出受试者所注视的目标,并将结果实时反馈到人机界面,实现了脑机接口实时系统.
-
基于MI-BCI的上肢在线运动康复原型系统
目的 为实现单侧肢体运动想象与实际运动康复的身体部位及运动模式的一致化,进一步改善康复效果,本文设计了一种基于MI-BCI的上肢在线运动功能康复原型系统.方法 该系统主要包括以g.MOBIlab脑电仪为核心的运动想象脑电信号(motor imagery electroencephalogram, MI-EEG)实时采集模块、在线处理模块及机械手臂控制模块等几部分.利用 MATLAB和C语言混合编程及多线程技术完成对MI-EEG的实时采集、眼电伪迹去除、特征提取与分类,基于ARM9的S3C2440A微处理器设计机械手臂控制系统,控制模块与PC机间采用基于请求响应模式的通信协议,用手臂伸/屈MI-EEG的分类结果实现对机械手臂伸/屈同运动模式的实时控制.结果 对5名受试者进行实际测试,对手臂伸/屈MI-EEG的平均识别率为76.75%,验证了系统的实用性.结论 本系统具有良好的自适应性和实时性,为研制出更加自然、可临床应用的上肢运动康复系统奠定了基础.
-
运动想象脑电信号的特征提取和分类进展
运动想象脑电信号是指想象肢体运动而没有实际的肢体动作所产生的脑电信号.信号处理和模式分类方法是运动想象脑电信号以及整个BC1系统的核心技术.本文对基于运动想象的脑电信号的识别算法进行了综述.阐述了运动想象脑电特征提取和分类的方法,比较了各种方法的特点,分析了几种典型的特征提取和识别算法的组合,并且总结了运动想象脑电信号的特征提取和分类的发展现状和前景.
-
基于EEG脑机接口的研究现状及在康复中的应用
脑机接口(brain computer interface,BCI)是一项不依赖大脑常规信息通路就可实现与外界环境交流的技术,通过该技术可在人脑与计算机或其他电子设备之间建立一种直接的联系,使人不依赖正常的骨骼肌肉系统就可直接控制外部设备,这就为那些思维正常但有严重功能障碍的患者带来了新的希望.近20年来BCI实现了从无到有、脑电信号从单一到混合等技术上的飞速发展,另外随着识别任务数目的增多、信息传输率及识别准确性的提高,BCI也逐渐走出了实验室,朝着实时、实用的方向发展.本文主要针对基于EEG的单一模式和混合模式脑机接口的研究现状及其在康复医学中的实际应用进行了综述,总结了不同模式BCI的功能特点及其在康复医学领域的应用潜力,以期促进BCI在康复应用中进一步发展,并提高目前康复治疗技术.
