脑机接口中的人机互适应算法研究

发布时间：2020-10-18 00:15

　　 近年来,尽管脑机接口技术持续迅速发展,但是其在信息传输率和识别准确率等方面,还有所欠缺。若能将脑机接口技术与其他控制方式合理结合,则可以实现更多复杂的控制操作。从而扩展此类系统在各种应用场景中的适用性。另一方面,基于眼动跟踪的控制接口已经取得较为良好的发展,此种控制方式主要的优势在于,眼动信息获取较为迅速、准确,且不需要使用者经过强化训练。由于眼动信息本身仅包含目光的定位信息,目前基于眼动信息的控制系统大多通过使用者注视点的停滞时间来判断其是否关注某个位置或选择某个目标。但出于各种任务的复杂性,设置最优的停滞时间阈值往往存在困难。本工作中,基于脑机接口技术与眼动控制技术各自的优缺点,尝试使用眼动信息表征定位,而利用脑机接口技术来直接侦测使用者的注意力状态,从而将两种技术有机结合,综合运用于控制系统中。本文中主要阐述了基于脑电信号的注意力识别方法和脑眼混合控制的可行方案,期间涉及的具体工作包括:(1)基于脑电信号的注意力识别——本工作首先设计和实现了一种基于脑电信号来检测使用者注意力是否集中的方法。其运作流程大致分为5个阶段:a.信号采集——利用SynAmps2仪器收集使用者多个通道的脑电信号;b.CSP处理——将采集的信息经由一个(训练过的)CSP变换矩阵进行映射;c.AR处理——从CSP映射后的信号中求得各个通道的频率谱;d.特征信息提取——提取特定通道、特定频点上的谱值作为识别特征。其中,通道和频点的选择是在过往的数据集上通过一种回归分析方法得到。e.SVM分类——采用(训练过的)SVM对得到的特征向量进行分类、即完成一次注意力状态的识别。该部分工作还包括,对上述流程中所涉及的各个关键模型进行训练,以及使用一个离线实验来验证该方法的有效性等。(2)脑眼混合控制方案的实践——本工作中设计和实现了一个通过脑眼混合控制技术控制家电的系统。该系统中同时提供了3种家电设备的控制界面,其中每种设备又包含6个常用功能按钮的选择操作。眼动信息在系统中被用作光标的定位,而通过在线的基于脑电信号的注意力识别可以对用户的选择动作做出识别。从本文最后展示的系统运行实验中可以看出脑眼混合控制可以达到良好的控制效果,其操控效率、操作时间、用户体验让人满意。
【学位单位】：福州大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R318;TN911.7
【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
        1.1.1 脑机接口的介绍
        1.1.2 BCI研究现状
        1.1.3 眼动控制研究现状
        1.1.4 脑机接口应用
    1.2 研究内容与论文结构
        1.2.1 本文的研究内容
        1.2.2 本文的论文结构
第二章 脑机接口系统的研究基础
    2.1 大脑结构
    2.2 脑电的产生机理
    2.3 BCI系统研究步骤
    2.4 本章小结
第三章 脑电信号的采集与处理
    3.1 脑电信号的采集
        3.3.1 10-20国际电极放置方法
    3.2 脑电信号的处理
        3.2.1 预处理
        3.2.2 常见特征提取方法
        3.2.3 常见特征分类方法
    3.4 本章小结
第四章 注意力状态识别方法
    4.1 方法的使用流程
        4.1.1 数据流程
        4.1.2 代码实现
    4.2 方法的参数训练
        4.2.1 CSP滤波方法
        4.2.2 AR谱估计方法
        4.2.3 SVM分类方法
    4.3 本章小结
第五章 脑眼控制方案的设计与实现
    5.1 实验相关设备和软件
        5.1.1 NueroScan与NueroScan通道设置
        5.1.2 BCI2000与BCI2000参数设置
        5.1.3 眼动系统及参数设置
    5.2 家电控制系统的设计与使用
        5.2.1 家电控制系统的设计
        5.2.2 应用程序操作流程
        5.2.3 眼动控制设计
    5.3 主要的编程实现
        5.3.1 BCI2000信号处理模块
        5.3.2 应用程序编程
    5.4 本章小结
第六章 实验
    6.1 注意力识别实验
        6.1.1 实验任务
        6.1.2 实验流程
        6.1.3 实验结果与分析
    6.2 家电控制实验
        6.2.1 实验任务
        6.2.2 评价指标
        6.2.3 实验结果
    6.3 本章小结
第七章 总结与展望
    7.1 总结
    7.2 展望
参考文献
致谢
个人简历
在学期间的研究成果及发表的学术论文

【相似文献】

相关期刊论文 前10条

1 胡剑锋;;未来不是梦——脑机接口综述[J];江西蓝天学院学报;2006年02期

2 陈小刚;王毅军;张丹;;2018年脑机接口研发热点回眸[J];科技导报;2019年01期

3 ;脑机接口走向现实[J];发明与创新(大科技);2019年08期

4 潘红光;张奇;米文毓;马彪;;基于长短期记忆网络的解码器设计及闭环脑机接口系统构建[J];西安科技大学学报;2019年06期

5 高上凯;;脑机接口的现状与未来[J];机器人产业;2019年05期

6 张丹;陈菁菁;王毅军;;2017年脑机接口研发热点回眸[J];科技导报;2018年01期

7 李佩瑄;薛贵;;脑机接口的伦理问题及对策[J];科技导报;2018年12期

8 陈小刚;王毅军;;基于脑电的无创脑机接口研究进展[J];科技导报;2018年12期

9 杨晓哲;;脑机接口离我们有多近[J];中国信息技术教育;2017年Z2期

10 ;脑机接口芯片用上玻璃碳电极[J];杭州化工;2017年01期

相关博士学位论文 前10条

1 于扬;移动平台异步脑机操控技术研究[D];国防科技大学;2017年

2 苏亿;多通道无线低功耗双向脑机接口关键技术研究[D];武汉大学;2016年

3 肖君;面向临床应用的脑机接口技术研究[D];华南理工大学;2018年

4 王洪涛;混合脑机接口实现及其应用研究[D];华南理工大学;2015年

5 程明;基于脑电信号的脑—计算机接口的研究[D];清华大学;2004年

6 毛大伟;分尺度复杂性及希尔伯特-黄变换在脑电分析中的应用[D];浙江大学;2005年

7 刘伯强;脑机接口分类算法及实验研究[D];天津大学;2005年

8 朱晓源;EEG脑机接口的连续预测方法研究[D];中国科学技术大学;2007年

9 龙锦益;脑信号分析的算法研究与多模态脑机接口[D];华南理工大学;2012年

10 周寅;运动型脑机接口中神经元峰电位记录与检测的关键技术研究[D];浙江大学;2017年

相关硕士学位论文 前10条

1 张力;基于脑电和肌电的混合脑机接口研究与集成实现[D];重庆邮电大学;2019年

2 崔婷婷;结合深度学习的脑机接口研究及系统实现[D];重庆邮电大学;2019年

3 李文瀚;基于嵌入式的脑机接口系统研究与实现[D];重庆邮电大学;2019年

4 汤祯宇;基于编码调制的视觉诱发电位脑机接口滤波优化算法研究[D];南昌大学;2019年

5 肖郴杰;基于深度学习的P300脑机接口分类算法研究[D];华南理工大学;2019年

6 于承鑫;同步EEG-fMRI脑机接口系统研发[D];华南理工大学;2019年

7 卢丽容;基于混合脑机接口的学习评估系统研究[D];华南理工大学;2019年

8 韩星;触觉通道脑机接口范式研究[D];国防科技大学;2017年

9 殷皓泽;基于脑机接口的自动SAR目标检测[D];西安电子科技大学;2019年

10 王磊磊;基于混合脑机接口的虚拟康复系统设计[D];燕山大学;2019年

本文编号：2845502