首页 > 文献资料
-
"脑-机接口"的研究进展
脑-机接口(brain computerinterface,BCI)是一种全新的通讯和控制技术.本文分析和讨论了一些现有的脑-机接口系统及其控制信号,并指出了其中一些有待于进一步解决的问题和今后的研究发展方向.
-
脑-机接口技术在脑卒中后上肢运动功能恢复中的研究进展
脑卒中后,上肢功能障碍发生率高且恢复困难,严重影响患者日常生活能力和生活质量.脑卒中通常因神经组织损伤而导致运动、感觉、认知等多方面损伤,有效的康复治疗可通过促进大脑残存神经的重塑来提高功能与能力.作为一种现代智能神经康复技术,脑-机接口(BCI)在大脑与周围环境之间直接建立交流通道,通过提取大脑的神经活动信息,转化为驱动外部设备的命令,而不依赖于外周神经系统和肌肉组织.BCI技术非常适合用于神经康复训练,通过BCI的反馈并利用其外接设备进行反复训练,可诱导产生正常的运动模式,间接诱导更为正常的大脑信号产生,促进大脑重塑,提高患者运动能力及运动控制水平.从BCI技术作用原理及其在上肢运动功能康复中的应用、疗效、存在问题等方面对BCI技术在卒中后上肢运动功能恢复中的研究作一综述.
-
稳态视觉诱发电位脑-机接口控制机械臂系统的设计与实现
目的 近期利用非侵入式脑-机接口控制诸如计算机光标的虚拟对象及诸如轮椅的实际对象的研究已经证明了脑-机接口的前景.然而, 少有研究尝试利用基于头皮脑电的非侵入式脑-机接口控制机械臂.方法 引入了一个基于非侵入式脑-机接口的机械臂控制系统, 该系统由机械臂子系统和基于便携式无线脑电的脑-机接口子系统组成.机械臂子系统是一个配备有两指气动抓手的6轴Denso机械臂, 进而形成一个7自由度机械臂系统.针对机械臂的常用控制命令, 设计了一个15目标的稳态视觉诱发电位脑-机接口且只记录了顶枕区9个导联, 并用其控制一个7自由度的机械臂.为避免将刺激频率的谐波频率成分也作为刺激频率, 刺激频率范围为8.015.7 Hz, 频率间隔为0.55 Hz.无需任何训练数据的滤波器组典型相关分析方法被用于目标识别.由于机械臂由脑-机接口直接控制, 该系统允许用户通过脑-机接口的15个命令在三维空间中灵活进行机械臂运动控制.结果 来自10例健康受试者在线结果表明, 研究所构建的脑控机械臂系统具有较好的性能, 平均识别正确率高达93.87％, 高识别正确率达100.00％.结论 实验结果证明了基于非侵入式脑-机接口技术控制机械臂的可行性.
-
脑-机接口技术在中枢神经系统损伤患者康复中的应用研究进展
脑-机接口(BCI)技术是近年来迅速发展的一种新型康复治疗技术,通过采集分析人脑数据,并转换成相应电信号,使中枢神经系统损伤的患者与外界建立一种新的联系.目前BCI技术主要应用在卒中后肢体的运动功能康复、脊髓损伤的康复以及典型的闭锁综合征的康复.但BCI技术在发展的同时也有其不足之处,本文将从上述几个方面对此项新技术做研究进展综述.
-
基于LabVIEW运动想象的脑机接口系统
背景:基于事件相关电位的脑-机接口,可广泛应用于残障患者的康复,显示出其重要性和未来实现的可行性.目的:提出基于LabVIEW 环境下的运动想象脑-机接口系统的实现方案.方法:研究的关键部分是视觉刺激器的设计和脑电特征信号的特征提取两部分.测试者通过观察视觉刺激器上的左右手连续播放图像刺激产生脑电信号,采用带通滤波提高信噪比,用滑动窗截取脑电数据并且对截取的数据从能量的角度分析得到运动想象特征,同时可以在线提取特征,为实现实时系统打下了基础.结果与结论:该方案能有效地提取出运动想象特征,并且通过离线模式识别进行了有效的分类,分类效果达到了82%.
关键词： 脑-机接口 运动想象 事件相关同步/去同步 LABVIEW 数字化医学 -
基于四类运动想象任务的脑电信号识别
背景:脑-机接口是在大脑与外部设备之间建立的直接的交流通路,基于运动想象的脑-机接口研究已经从两类运动想象任务的识别发展到多类任务的识别.目的:探寻准确有效的对多任务运动想象脑电信号进行特征提取及模式识别的方法.方法:首先采用公共平均参考法减小多通道中各导联间的相关性,提高脑电信号的信噪比.并对公共空间模式算法进行扩展,采用"一对多"的策略,对4类任务的脑电信号进行特征提取,在模式识别过程中,采用基于决策树法的支持向量机进行分类.对于实验对象样本不充足,结合支持向量机和贝叶斯分类器,将分类结果中具有大概率的测试样本扩充到训练集,后再次运用支持向量机进行分类.结果与结论:佳正确率达到92.78%,"一对多"的公共空间模式和基于决策树的支持向量机可以有效地进行多任务脑电信号识别,扩充样本可以提高分类正确率.
关键词： 脑-机接口 事件相关去同步化/同步化 公共空间模式 支持向量机 样本扩充 -
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;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.
关键词： 脑-机接口 多通道自适应自回归模型 支持向量机 脑电信号 数字化医学 -
脑控双页虚拟键盘的设计与性能分析
目的:高位截瘫患者往往失去了基本的语言交流功能,为帮助他们实现与外界的交流,利用脑-机接口这种新颖的人-机交互模式构建一种基于"模拟自然阅读"视觉诱发电位的脑控拼写器.方法:使用者通过眼睛盯住计算机屏幕上一个虚拟键盘中的相应按键,选择需要键入的字符,脑-机接口装置通过头皮记录电极检测出使用者的脑电信号,再利用模式识别软件将这个视觉诱发电位从背景信号中提取出来.由于每个按键对应的诱发符号呈现的时间间隔不同,依次相隔100ms,因此,从提取特征信号出现的时刻,就知道用户盯住的是哪个按键.这样就构成了一个拼写装置,从而与他人进行交流.结果:在已有工作的基础上设计了一个改进的双页虚拟键盘,通过设置换页按钮,使单次选择作业的信息量加倍.对其通信速率分析表明,该模式能大幅提高系统的比特率,高可达160比特/min.结论:采用"模拟自然阅读"视觉诱发电位模式构建脑-机接口(双页虚拟键盘),由于巧妙地将信号特征模式编码为时间间隔,增大了每分钟选择作业的信息量,使通信速率较现有系统更高.
-
基于脑-机接口技术的新型医疗器械
介绍脑-机接口技术的研发背景及其应用前景,讨论了基于脑机接口技术的新型医疗器械开发中所面临的一些问题.
-
脑-机接口技术进展与挑战
近几年来,脑-机接口的研究逐渐形成了热点,引起了世界科学家的广泛关注.非侵入式脑-机接口正向临床实用化方向发展.植入式脑-机接口目前的研究多以动物做实验,实现了对光标、游戏杆、机械臂、运动小车等的控制.它们的发展有赖于神经科学、工程学、心理学、计算机和康复学等各交叉学科专家间的密切合作.这种全新的通信技术可望为那些不能使用常规通信手段的残疾患者提供与外界进行交流的途径.
-
用自回归白化滤波器提取脑-机接口信号VEP
利用脑-计算机接口这种新颖的人-机交互模式构建一种脑控拼写装置,其主要问题是实时、准确地从头皮电极记录到的脑电背景信号中提取视觉诱发电位,以决定用户选择按键.由于在一个短时程内可以认为自发脑电是平稳的,利用靶刺激出现前记录到的非靶刺激信号计算自回归模型参数,构造一个白化滤波器,再将实时信号通过白化滤波器滤波,使自发脑电得以白化,然后采用小波分析方法滤除白噪信号.结果表明靶刺激信号更加突出,提高了后续模式分类的正确率.采用模拟自然阅读诱发模式使短时信号的平稳性得到了保障,利用白化滤波器去除自发脑电是可行的.
-
脑-机接口信号预处理中的高提升滤波
为突出脑-机接口中局部脑电的事件相关去同步信号,将算法简单的高提升滤波(high-frequency-emphasis,HFE)用于信号的数据预处理.分析结果表明,采用适当放大系数的高提升滤波比Laplacian滤波的效果更好.用HFE可有效地提高脑-机接口系统的识别率.
-
基于想象左右手运动思维脑电的提取及分类研究
目的 在基于思维作业的脑-机接口中,探讨如何提取脑电信号特征并对其进行准确有效地分类.方法 对5例受试者进行3种不同思维作业试验,并对每例受试者两种不同思维作业脑电进行组合,随后用确定性自回归模型(fixed autoregressive models,FAR)和自适应自回归模型(adaptive autoregressive models,AAR)提取脑电特征,分别利用Burg's算法得到FAR特征系数和小均方误差算法得到AAR特征系数;后通过前向BP神经网络对这些特征进行分类.结果 利用FAR模型得到的佳分类结果为93.52%,利用AAR模型得到的佳分类结果仅为87.96%.结论 同AAR模型相比,FAR模型可以更好地提取不同思维脑电特征,并在采用合适识别分类算法基础上获得更佳分类效果.
-
基于独立分量优化子带特征的三类运动想象分类
在基于头皮脑电(EEG)信号的脑-机接口(BCI)研究中,用户个体差异性和背景噪声的复杂性是影响BCI系统稳定性的两个主要因素.因此需要针对不同个体进行BCI系统参数优化,其中包括对时域、空域滤波器参数的优化设计和分类器参数的学习.本文以提高BCI系统的准确性为目标,提出了一种结合独立分量分析空域滤波器(ICA-SF)优化设计和EEG多子带特征的BCI信息处理新方法.基于所提方法,对4位受试者在不同时间采集的三类运动想象EEG(MI-EEG)进行分析.实验结果表明,在同一受试者的自交叉测试和不同受试者数据集之间的互交叉验证中,多子带特征结合方法所得到的平均识别率比仅使用单频带所得的平均识别率普遍提高,识别率大提升可达6.08％和5.15％.
-
基于共空间模式方法的多类运动想象脑电的导联选择
脑-机接口(BCI)中常用高密度导联来获取脑电(EEG)信号的空间信息,为了避免使用过多导联给EEG采集工作带来不便,消除无关的噪声通道,本文提出了一种基于共空间模式(CSP)的导联优化方法,基于CSP方法得到的投影矩阵,使用2-范数的导联筛选准则,筛选出在投影空间中权重较大的M个导联,目的是用较少的导联来获得与使用高密度导联相近的分类识别率.实验数据使用BCI Competition 2005 DatasetⅢa,针对三个受试者的三类运动想象(左手、右手和脚),分别比较了使用该方法选择的导联和使用全部导联情况下得到的分类识别率.实验表明,使用筛选后的20导联得到的三个受试者的分类识别率,均高于使用全部60导联得到的分类识别率,从而验证了所提出方法的有效性和实用性.
-
基于小波方差的ECoG分类
针对典型的基于皮层脑电图(ECoG)的脑-机接口(BCI)设计,被试任务为想象左手小指和想象舌头运动,提出了采用小波方差的特征提取方法.首先在小波变换的基础上,提出小波方差的计算方法及其意义,并以此作为特征,从64导联中获取特征较为明显的6个导联进行分析;然后对脑电(EEG)数据进行三层小波分解,根据ERD/ERS现象,提取包含Mu节律和Beta节律的小波系数方差作为特征,采用交叉验证的方法,利用classify进行线性分类.离线分析表明,对训练集和测试集的分类正确率达到90.24％和93.77％,小波方差作为BCI研究中特征提取的方法具有更加简单和有效的特性.
-
一种基于心算任务的脑-机接口范式的研究
针对传统基于P300的脑-机接口(BCI)系统中,采集信号信噪比低,特征脑电(EEG)信号提供的信息量少的问题,提出一种视觉刺激下,利用大脑处理特定认知任务(心算任务)时能有效激活相关脑区和响应信号的特性,进而增强EEG特征的BCI范式,并与传统P300范式中计数任务进行对比.对实验所采集到的EEG数据进行去伪迹、分段、滤波等预处理,利用相干平均方法提取信号特征,分析了不同实验范式对事件相关电位(ERP)主要成分P300等特性的影响.改进的范式实验中,P300幅值平均提高了6.83 μV,增幅达到73.94％;从400ms开始的脑区活动程度更为剧烈,时间更为持久;此外,不同于传统计数任务,心算任务在650ms处出现有明显的激活.表明改进的范式更能激活相关脑区、增强特征信号,可以为BCI提供一种新型系统范式.
-
多类核共空间模式特征提取方法研究
为了缓解共空间模式(CSP)下,对脑内的源信号和记录的脑电(EEG)信号之间严格的线性模式的假设关系,需要研究一种核共空间模式(KCSP)的特征提取方法.考虑到脑-机接口(BCI)研究已经逐渐从两类的模式识别发展为多类的模式识别,因而提出了多类核共空间模式(MKCSP)的方法,该方法将KCSP方法和多类CSP方法结合起来.我们用Logistic线性分类器对提取的特征进行了分类.实验使用的数据是2005年BCI竞赛Ⅲ的数据集Ⅲ_3a.通过实验表明,本文中的方法能够从多类别的单次试验的EEG数据中提取相应的特征,并得到了较好分类结果.
-
基于PCA和LDA数据降维的脑磁图脑机接口研究
脑磁图(MEG)信号作为一种新的脑-机接口(BCI)输入信号,含有手运动方向的模式信息.通常对MEG信号采用信号处理的特征提取和线性分类,识别率一直难于提高.本文提出用主成分分析(PCA)方法对其进行特征提取,并用线性判别分析(LDA)进行了优化,后用近邻非线性分类器进行分类,在分类结果的基础上分析了混淆矩阵.实验结果表明PCA+ LDA方法能有效的分析多通道的MEG信号,平均识别率达到了53.0％,优于BCI竞赛Ⅳ的识别率46.9％.
-
基于想象左右手运动脑机接口实验研究及分析
探索一种实用的基于想象运动思维脑电的脑-机接口(Brain-computer interface,BCI)方式,通过寻找合适的信号处理方法,来提取能反映不同思维的脑电特征,以提高BCI系统通讯识别正确率,为终实现BCI应用奠定理论和实验基础.对6名健康受试者进行3种不同时段(箭头出现2s、1s和0s后提示按键)情况下想象左右手运动思维作业的信号采集实验,利用小波分析、前向反馈神经网络(BP神经网络)对离线实验数据进行处理和分析.对所有受试者三种情况下的延缓时间Δt2、Δt1和Δt0分析发现:Δt0与Δt1和Δt2之间都有显著性差异(P<0.05),而Δt1与Δt2之间没有显著性差异(P>0.05);三种情况下,平均分类正确率分别达到65.00%、86.67%和72.00%,实际按键前0.5～1 s左右,想象左右手运动的思维脑电特征信号都发生明显改变,且这些特征存在明显不同.在箭头出现1 s左右后提示随机按键情况下,可以获得更高的识别正确率,说明该方案提取的特征作为BCI系统外部装置控制信号是可行的,通过合理的实验设计获取的信号有助于识别正确率的提高,为BCI系统中思维任务的特征提取与识别分类提供新思路和方法.
