文摘
最受欢迎的无创性脑机器人交互(BRI)技术使用脑电图(EEG)基于脑机接口(BCI),作为一个额外的通信通道,通过脑电波控制机器人。这种技术是老人或残疾患者援助承诺的日常生活。BRI系统的关键问题是确定人类精神活动,通过解码脑波,获得与脑电图装置。与其他BCI相比应用程序,比如单词拼字,这些应用程序可能更具挑战性的发展以来通过脑电波控制的机器人系统必须考虑周围环境实时反馈,机器人机械运动学和动力学,以及机器人控制体系结构和行为。本文综述展望发展中所需的主要技术与系统。在这篇文献回顾中,我们首先简要介绍受雇的背景和发展机器人技术。第二,我们讨论以脑波图为基础的大脑信号模型对生成原则,唤起机制和实验范式。随后,我们详细评估常用方法解码大脑信号,即预处理,特征提取,特征分类,总结几个典型的应用实例。接下来,我们描述一些砖应用程序,包括轮椅、操纵者,无人机,人形机器人对同步和异步BCI-based技术。最后,我们解决一些与未来展望技术存在的问题和挑战。
1。介绍
有几种方法来测量大脑活动,如magnetoencephalogram (MEG),近红外光谱(NIRS),皮层脑电图(ECoG),功能性磁共振成像(fMRI)和脑电图(EEG) (1]。脑机接口(BMI) (2,3)或脑机接口(BCI) (4- - - - - -6)提供了一种新的nonmuscular通道发送消息和命令到外部世界。BCI创建额外的通信通道的用户不能通过正常途径和电脑交流。在BCI系统中,信号采集装置一般分为两类:侵入性和非侵入性。在入侵BCI系统中,微电极阵列的永久植入大脑皮层(7]。乐团的大脑信号记录单个脑细胞(也称为单单位)或多个神经元的活动(也称为复合的)8]。施密特研究的可能性与微电极长期连接中枢神经系统来控制外部设备(9]。在2000年,尼古莱利斯已经成功实现入侵BMI夜猴,重建它的手臂运动获得食品操作操纵杆。这种开环BMI-based系统升级测试一只猕猴的闭环运动控制。猴子能够控制机器人手臂抓住对象的动作在屏幕上移动光标通过视觉反馈(10]。就人类而言,业务等人展示了两个人的能力与长期四肢瘫痪使用神经接口系统来控制机器人手臂进行三维接触和掌握运动(11]。参与者控制手臂和手在一个广阔的空间没有显式的培训,利用小信号解码,当地居民的运动皮层神经元,从96 -通道微电极阵列记录。施瓦兹等人全面综述了入侵BMI技术如今机器人系统(12]。
脑电图装置,作为一个非侵入性技术的代表,发现了一个广泛的应用在临床和研究领域13- - - - - -16由于其低成本和可移植性。入侵BCI系统主要用于恢复特别感觉,如视觉,瘫痪病人的运动功能。神经信号的质量相对较高,因为微电极直接植入大脑灰质。然而,入侵BCI系统的缺点容易导致免疫反应和愈伤组织,这很可能导致神经信号的回归和消失。
为了解决这些问题,许多研究人员关注的BCI系统由于其易用性,可移植性,低成本,低伤害人体。不同的入侵BCI系统,在皮层内单机制活动记录,无创BCI系统使用从头皮脑电图记录大脑电活动17]。因此,非侵入式BCI系统发现了更广泛的应用。在1990年代早期,尼尔斯Birbaurmer瘫痪患者的脑电图信号转化为控制命令来控制电脑光标。在接下来的几年里,以脑波图为基础的BCI主要研究分析从头皮大脑信号的特点,将其应用于控制智能设备来帮助瘫痪病人他们的日常生活。通常使用信号采集设备包括一系列的产品(g。USBamp [18- - - - - -20.),g。BSamp [21,22),和g。BCIsys [23)由g。侦探在奥地利,Cerebus [24- - - - - -28由贝莱德微系统公司在美国,与64系列产品,128或256个频道(SynAmps 2 (29日- - - - - -33在澳大利亚])由Compumedics Neuroscan,无线Emotiv EPOC [34- - - - - -36)由Emotiv系统在美国,BrainNet-36 [37],ANT-Neuro [38),FlexComp英菲尼迪编码器(39),等等。和操作系统最常用的BCI BCI2000 [40),因为它是高度灵活和可互换的,尤其是可以将单独或结合任何大脑信号,信号处理方法,输出设备和操作协议。
基于大脑活动模式,以脑波图为基础的BCI系统分为四个不同的类型:与事件相关去同步化/同步(ERD / ERS) [41],稳态视觉诱发电位(SSVEP) [42),与事件相关电位(ERP) [43],缓慢的皮层电位(SCP) [44]。其中,SSVEP的erp, ERD /人,他们的混合动力车45- - - - - -48)吸引研究人员的利益。
BCI-based认知模型的应用程序来控制外部机械设备,如机械臂(49],轮椅[50),或者一个类人机器人(34),大脑机器人交互(BRI) [24,51,52)已成为越来越受欢迎。BRI系统是一个闭环控制系统,使用大脑信号结合周围的信息反馈。收集到的大脑活动必须解码为机器人生成命令执行一个动作或一个经营者想要完成的任务。周围环境的机器人必须提供反馈给操作员,协助做出适当的决定。因此,一个理想的设置BRI系统通常由唤起来源(SSVEP或ERP)来生成特定的大脑信号,信号采集设备,数据分析系统,和控制对象,其中信号生成和数据分析是最具挑战性和有价值的研究任务。越来越多的研究人员将注意力集中在发现新的唤起机制和测试小说解码算法。
在本文中,我们提出一个全面的审查和关键的三个主要的脑电图的分析模型对大脑信号生成、特征提取方法、特征分类。然后,我们列出了一些应用程序的同步和异步房屋系统,尤其是对人形机器人。最后,我们重点讨论大脑信号的挑战和未来的角度建模和未来的困难。
2。EEG-Based大脑信号模型
2.1。SSVEP的
2.1.1。唤起机制
因为它使得基于脑电图的大脑信号模型,生成SSVEP的视觉刺激。从视网膜光感受器,视觉印象第一传播到大脑视觉区域,旁边的休息(53]。的视觉刺激后,感觉诱发电位(SEPs),称为视觉诱发电位(VEPs)可以记录在视觉领域。VEPs引起短暂的刺激通常是视觉系统的瞬态响应。瞬态诱发电位是研究下的系统响应的突然变化(跳跃或步骤)在输入54]。大约50年前,里根开始尝试长期刺激列车,呈现正弦调制单色光组成的(55]。这些刺激产生稳定的小振幅,VEP可提取的平均在多个试验。这些脑电图波被称为“稳态视觉诱发电位(SSVEP)的人类视觉系统。ssvep的也可以在动物身上发现,比如在灵长类动物(56)或猫(57]。
SSVEP的稳态外界周期刺激的生理反应和生成的初级视觉皮层在不触发高级视觉信息处理(62年]。自生成SSVEP的枕脑电图电极(包括盎司、O1、O2 (63年]),相应的地区最强大的力量。虽然电极用于SSVEP的因人而异,最合理的电极用于SSVEP的主要包括盎司、O1、O2, Pz、P3, P4,一些周围的电极位于枕叶。研究人员得出的结论是,SSVEP唤起频率至少有一个范围从1到90赫兹,和稳态电位表现出明显的共振现象大约10、20、40、80赫兹(64年]。最常用的频率范围从4到60赫兹。SSVEP的唤起,重复的视觉刺激(旅游房车)[58主要包括简单的广场闪烁,棋盘,光栅,发光二极管(LED) (65年]。
2.1.2。实验范式
SSVEP-based bci允许用户选择一个目标通过一个人眼。用户视觉修复关注目标和BCI标识目标通过SSVEP的特性分析(172年]。考虑BCI作为通信信道,SSVEP-based BCI可以分为三个类别取决于使用的特定刺激序列调制(173年):时间调制VEP (t-VEP) BCIs调频VEP (f-VEP)好像并伪随机码调制(c-VEP)好像。VEPs反应不同的刺激序列应该相互正交或接近正交在某些领域,以确保可靠的目标识别。t-VEP BCI, flash序列不同的目标是正交的。即flash序列不同的目标是严格不重叠的或随机的。f-VEP BCI,每个目标以独特的频率闪烁,产生周期性的诱发反应序列相同的基频谐波。c-VEP BCI,使用伪随机序列。打开和关闭状态的持续时间的每个目标的flash是由伪随机序列。信号调节可以优化信息传输速率。的确,编码调制提供了最高的通信速度。
引出一个SSVEP的旅游房车必须提交给用户。的旅游房车可以通过交替呈现在电脑屏幕上的图形模式或与外部光源能够散发出光调制。交替的图形模式主要包括单一的图形和逆转刺激模式。单一图形刺激可能是一个矩形,正方形,箭头,或机器人画面呈现在电脑屏幕上出现和消失在背景在指定的速度,如图1(一)。模式刺激可能是一个棋盘逆转或光栅由振荡交替呈现图形模式,如图1 (b)。它们包括至少两个交替模式指定数量的交替每秒。外部光可以闪光频率和图形模式只有与任何特定的频率,因为电脑屏幕刷新率的局限性。
(一)单一图形刺激
(b)逆转刺激模式
2.2。ERP
2.2.1。唤起机制
ERP时生成一个特定的刺激作用于大脑的感觉系统或者一些心理因素发生。随后,ERP是诱发响应刺激的出现或消失。古典erp包括几个积极的和消极的,如P1、N1, P2、N2, P3(即P300)根据新兴序列和极性。N1与注意力有关(174年)和P2刺激编码(175年]。N2一直与“响应选择”或“反应激活”(176年与“背景更新”[]和P300177年)或“关闭上下文”(178年]。“外生组件,“P1, N1,和P2组件很容易受到物理刺激的角色,而作为“内生组件,N2和P3不受物理刺激的角色。
1965年,萨顿等人发现一个电势,表现出积极的波动后大约300毫秒内意外事件的陈述(视觉、听觉等。)179年]。史密斯等人叫这种潜在的“P300”潜在的基于其极性和相对固定的延迟180年]。P300电位诱发突出在渠道Pz、Fz,和Cz中线centroparietal地区,其延迟从300毫秒到800毫秒时提出了一组视觉刺激出人意料地在一个随机序列(181年]。因此,ERP最常用的电极主要位于中线centroparietal地区,如Fz、Cz, Pz,盎司,和他们周围的人。5 - 20的P300组件都有一个相对较高的振幅μV和后可以在脑电图中找到一个刺激没有叠加,所以它广泛应用于未来!
2.2.2。实验范式
P300系统经常使用刺激不同的字符,内容,和解码方法运行相应的认知过程,根据不同的研究内容和目的。视觉诱发P300系统经常适应视觉古怪的范式,提出了两种不同的视觉刺激的随机和标准刺激出现通常和偏差刺激顺便说一下。偏差刺激叫做目标刺激时,主体的反应。P300组件将被观察到在目标刺激出现后300毫秒(182年]。除了唤起范式呈现单一的视觉刺激,研究人员提出了越来越多的P300唤起范例展示更有效地刺激P300-based角色拼字的系统。
Farwell和Donchin首先提出P300拼字的系统[59]:6-by-6矩阵包含字母表的字母和一些高频词命令(见图2计算机控制的CRT屏幕上显示。“刺激事件”发生在测试包括强化一行或一列的矩阵。检测是通过反复闪烁矩阵的行和列。元素包含所选字符时闪现,P300是引起,这个P300检测到计算机。Blankertz Treder和提出Hex-o-Spell范式和图3显示了一个屏幕截图的视觉拼字(60]。图3(一个)组级别。组包含目标象征“B”(集团“中的”)进一步加强。图3 (b)产品化阶段。选择组的符号被扩展到其他盘。图3 (c)水平的象征。不属预定目标的阀瓣与象征“A”进一步加强。底部的空盘的目的是作为返回组级别的后门,以防错误的选择。Acqualagna和Blankertz发达快速连续视觉呈现精神打字(RSVP)作为范式对病人无法公然注视目标(象征61年]。图4显示模式的过程。首先,这句话是在显示。固定交叉后,回复的符号开始。目标信突出显示在屏幕的顶部。参与者必须专注于目标信,被要求默数其数量的事件。数据记录在这个阶段被用来训练分类器。在线阶段,分类器选择最好的分数并显示它的象征。
(一)
(b)
(c)
研究人员最近注意其他erp ERP-based BCI的性能改善。金等人用脸作为视觉刺激引起N400电位使ERP更明显(183年,184年]。金等人不匹配范式应用于唤起消极提高准确性和信息传输速率不匹配(185年]。
2.3。心肌梗死
2.3.1。产生机制
运动图像可能被视为心理排练电动机的行为没有任何明显的运动输出。广泛接受,心理想象运动涉及到类似的大脑区域/功能参与编程和准备这些运动(188年]。Pfurtscheller Neuper显示独立运动的想象力和规划自愿右边或左边的动作;最突出的脑电图变化在相应的初级感觉运动皮层(本地化189年]。在想象右手或左手的运动,例如,可以发现类似的ERD侧手部和一个人在身体的同侧的手。传统上,瞬态光谱功率增加和减少人类脑电图记录被称为与事件相关同步(ERS)和失调(ERD),分别为(190年]。现象都是寿命而不是锁相的事件和他们是高度特定频段。它早就知道,运动引起频率具体脑电图的变化(191年- - - - - -193年)和光谱的变化μ(8 - 14 Hz)β(15 - 30 Hz)频段可以观察到在自愿194年)和被动运动(195年]。
公开执行期间的运动,最初侧ERD发展双边分布(196年),而在精神模拟这种ERD仍主要局限于对侧半球。这意味着压制μ和中央β节奏更明显的侧半球当受试者想象片面的手部运动比实际执行时,这样的动作。这些ERD现象作为分类依据MI。最具代表性MI-ERD现象是由成像的运动生成的左手,右手,脚和分布在初级运动皮层(M1)。相应的区域定位脑电图电极的C3, C4、Cz在MI也最常用的电极。
2.3.2。实验范式
MI,生产EEG信号的一个重要因素是一个成功的BCI。因此,关心人类训练是值得考虑的问题。不同于SSVEP或ERP, MI需要较长的训练时间以生成ERD / ERS现象。可能需要几个月的训练之前用户达到理想的性能水平。为了让用户获得自我控制的脑电图反应,反馈是至关重要的,至少在一开始,和反馈可以加快学习过程和提高性能。
MI训练过程通常包括离线和在线培训。离线一段时间的训练是必要的调整和培训用户的EEG信号识别算法。时间一个训练试验通常是9秒(见图5)。试验过程中,用随机方向箭头(左或右)显示在电脑屏幕上,用户想象运动的左或右手按箭头的方向。在前两秒的一个试验,没有显示在电脑屏幕上。在= 2 s,一个固定交叉出现短的哔哔声。从9年代,用户要求执行MI任务而固定交叉向左或向右方向显示在屏幕上。然后几个试验的训练数据将被用来生成一个模板的识别算法。火车生成的模板存储识别在线培训。对于在线培训,Neuper等人使用一个反馈栏通知用户的成像结果197年]。反馈刺激开始扩展水平向右边或左边根据分类的结果。玉等人使用一种混合BCI SSVEP和MI延长反馈栏目标方向(198年]。Alimardani等人要求受试者观看第一人称机器人的图像,通过头部显示器(18]。照明球机器人的手给了前面的汽车图像信号和相应学科的掌握了自己的手。分类器检测到两类结果(左或右)和发送一个运动命令机器人的手。
3所示。大脑信号解码方法
BCI系统成功运行的一个重要因素是用于处理大脑信号的方法58]。本文总结了不同的信号处理方案,用于BCI系统。它特别关注以下BCI的信号处理组件:预处理、特征提取和特征分类。至于各种唤起大脑信号机制,本文选择最常用的范例(SSVEP的P300, MI)作为对象来总结大脑信号处理方法。
3.1。预处理的方法
BCI预处理方法主要包括频域滤波和空间滤波。带通滤波器和切口过滤器是最常用的方法在频域滤波,可以提取特征信号位于刺激频率和去除噪声和工件。这些过滤器的设计根据相关信号的频率特征。通常,带通滤波器的频率范围是设计根据刺激频率及其谐波,而陷波滤波器用于消除电力线路干扰。空间滤波器可以扩大大脑信号的信噪比反应,通过处理大脑信号数据的多个频道。信号从多个渠道不如信号受噪声影响从单极或双极系统。空间滤波技术也可以用于提取特征。一般来说,空间滤波方法包括最低的能源组合(MEC),典型相关分析(CCA),常见的平均引用(汽车),主成分分析(PCA),独立分量分析(ICA)和自相关(AC)。MEC是用来取消麻烦尽可能多的信号。CCA计算两个多变量数据集之间的关系后,原始数据的线性组合。 For the CAR method, the average value of all electrodes is subtracted from the channel of interest to make the EEG recording nearly reference-free. PCA is used to decompose signals into components of responses of brain activities. It aims to reduce the dimension of original data. ICA is often used to separate movement related independent components from EEG data. AC enhances the weak EEG signal, reduces noise, and makes it suitable for analysis. Table1列出了一些预处理方法不同的脑电图范例。
3.2。特征提取方法
特征提取是信号处理中的一个关键问题和整个BCI系统起着重要的作用。各种方法已经被使用在不同的脑电图范例。介绍了几种常用的特征提取方法如下。
3.2.1之上。Fourier-Based变换(英尺)
英国《金融时报》包含了快速傅里叶变换(FFT)和离散傅里叶变换(DFT)。英国《金融时报》的方法主要用于功率谱密度分析(PSDA)。FFT是一个快速计算DFT算法,从而影响实际应用。在真实的应用程序中,可用的刺激频率可能有限,因为频率分辨率限制在一个给定的数据段的长度。优势包括简单和计算时间。
在SSVEP-based BCI,王等人使用256点FFT将脑电图信号转换成频域代表5 9赫兹的频率,11赫兹,13赫兹,15赫兹,和17赫兹(30.]。128点FFT平均目标周围的三个谱组件频率当受试者没有关注任何刺激。平均值是用来识别一个主题的空闲状态。Mouli等人使用FFT的最大振幅来区分不同的目标刺激的7,8,9,10赫兹(90年]。Muller-Putz和Pfurtscheller计算估计的频率成分EEG信号的功率密度谱split-radix FFT和平均目标频率周围的三个谱组件(21]。黄等人估计使用FFT EEG数据0.1赫兹的频率分辨率和构造特征向量的算术总和刺激频率和二次谐波的频率(91年]。至于DFT, Oikonomou等人使用FFT算法的估计DFT系数(92年]。Diez等人也用FFT功率谱密度的估计基于DFT (93年]。所有这些研究采用FFT DFT的估计显示FFT的计算优势。FFT SSVEP的系统中广泛使用从低和中等高的频率范围。DFT通常由FFT估计由于其小的计算时间。
P300成分对频率不敏感,所以没有使用FFT作为特征提取方法的研究它。然而,MI范式生成μ和β节律运动图像时积极的反应。很少有研究试图认识到使用FFT MI任务。例如,博康等人使用β节奏(13 - 16赫兹或13-30赫兹)μ节奏(8 - 12 Hz)的特征值识别(111年]。执行FFT处理重叠计算功率谱转换。金等人利用FFT分析的频率范围μ和β以分析脑电图的能量,它的特性(112年]。
3.2.2。小波变换(WT)
EEG信号的非平稳的频率成分变化作为时间的函数(199年]。分析这种信号可以通过小波变换提供了灵活的时频分辨率。WT是基于英国《金融时报》和adjustable-window傅里叶分析(200年]。WT /英国《金融时报》的优点是很容易选择不同的母小波函数来分析不同类型的信号。WT可能是其中一个最强大的信号处理技术因其能够适应信号组件和它的多分辨率是广泛用于分析EEG信号。
在SSVEP-based BCI,张等人介绍了连续小波变换(CWT) SSVEP的特征提取和分类94年]。母亲的选择小波场是关键问题。他们调查了不同类型的小波在SSVEP的分类和比较了表演。实验结果表明,复杂Morlet小波优于他人,尤其是在短的脑电图数据段的优势。Kumari Somani使用的连续小波变换系数作为特征向量的位置找到SSVEP的高频组件(95年]。
在P300-based BCI, Demiralp等人使用WT来识别最重要的响应属性反映了P300波(102年]。5倍频程的应用二次B-spline-WT单一扫了离散系数在每个八度为每个频率范围与一个合适的时间分辨率。的主要特点表明P300反应是第四三角洲的积极性(0.5 4赫兹)系数刺激后发病。Vareka和莫那Daubechies7小波的平均目标时代DWT (103年]。P300组件是通过信号重建的近似系数6级。郭等人使用Daubechies4 (db4) DWT的母小波,因为db4和P300之间的相似性104年]。从4到6集的分解级别。他们测试了该方法在传统的P300拼字的系统。同时,锅等人WT-based方法来识别P300的组件用于P300拼字的系统(105年]。他们应用WT的Mallat算法计算系数和分解的信号到满意的解决,导致多分辨率WT。Vequeira等人也用WT在P300拼字的系统特征提取方法帮助患者口头沟通问题106年]。
在MI-based BCI,脑电图的CWT给高度冗余表示信号在时间尺度域(199年),所以它可以申请ERD / ERS的精确定位在时间尺度域组件。许和太阳一起应用类学生的两个示例统计数据为二维时间尺度特征提取(113年]。2 d时间尺度产生的高度冗余表示脑电图信号在时频域的精确位置与事件相关的大脑失调和同步(ERD和人)能获得组件。然后,脑电图数据的CWTs执行左和右MI C3和C4渠道进行了分析,分别。徐和歌曲DWT多分辨率分解执行用于信号(114年]。他们选择的小波分解层次的4和10 Daubechies秩序。提取的小波系数的分布显示运动图像信号在时间和频率和组件D3中分裂到8 - 16个赫兹()μ节奏和D2(至少需要补充16至32 Hz)之内β节奏。巴沙尔等人提出的双树复小波变换(DTCWT)域来确定左、右手运动图像运动(89年]。DTCWT最近是一个增强的DWT附加属性包括两个近移不变的和定向选择和高维(201年]。更高效的脑电图信号在时频定位。他们应用DTCWT EEG信号分解为三个层次,重建这些组件使用逆DTCWT大约对应生理脑电图部分波段三角洲,θ,α和β分别。然后,在低频段和脑电图信号μ节奏(7.5 - -12.5赫兹)提取。
根据参考咨询,小波变换(WT)适用于各种各样的脑电图范例分析由于其最优解决在时间和频率域。因此,WT SSVEP的广泛应用,P300和MI范式特征提取。
3.2.3。简要地变换(HHT)
遗传性出血性毛细血管扩张症,由经验模态分解(EMD)和希尔伯特谱分析(已经)202年),是最近开发的自适应数据分析方法,已被广泛用于脑电图的研究。遗传性出血性毛细血管扩张症的关键部分是EMD的任何复杂的数据集可以分解成一个有限,经常小数量的固有模式函数(货币)。国际货币基金组织是一个振荡函数的时变频率能代表当地特色的非平稳信号(203年]。与FFT不同,基于余弦函数,遗传性出血性毛细血管扩张症是自适应,可以获得更好的性能在某些信号段,所以它可以用在分析平稳和非平稳的信号。然而,遗传性出血性毛细血管扩张症计算时间是高于英国《金融时报》。
遗传性出血性毛细血管扩张症在SSVEP-based BCI,黄等人使用高频SSVEP的识别信号(96年]。原始信号变成了11-order IMF,满足HT的要求,通过EMD的方法。然后,HT方法上面每个订单的国际货币基金组织(IMF)来计算其瞬时频率。所有这些结果被用来创建一个集成的时频图。组件对应的频率可以从频率图与FFT分析相应的水平。阮等人应用HHT分解的独立组件由ICA获得IMF的需要,分析了频域分析或功率谱估计(97年]。他们可以识别对象在目标刺激频率根据频谱图和频率的谱峰图。张等人提出了一种改进的遗传性出血性毛细血管扩张症(IHHT)提取高频组合Coding-Based SSVEP的时频特性(HFCC-SSVEP) [98年]。的提取方法包括同步平均,带通滤波,EMD,国际货币基金组织(IMF)的选择,瞬时频率和希尔伯特谱。此外,HT也被用来计算(SSVEP的阶段99年,One hundred.]。根据上面的调查中,遗传性出血性毛细血管扩张症为高频SSVEP的提供了一个有效的解决方案。
遗传性出血性毛细血管扩张症在P300-based BCI,没有参考使用提取P300组件。而在MI-based BCI,遗传性出血性毛细血管扩张症是一种有效的提取方法μ和β节奏。王等人用HHT分析三个运动图像任务(115年]。原始信号是使用EMD分解和几个货币基金。然后,希尔伯特谱计算基于IMF1和IMF2。在每个运动图像任务,地方瞬时能量,在特定频段的电极C3和C4,被选为特征。遗传性出血性毛细血管扩张症Jerbic等人研究的角度提取时频信息用于MI分类(116年]。首先通过EMD被映射到time-frequency-energy矩阵,约束频率刻度1赫兹宽频率垃圾箱(范围6-40赫兹)。刘等人设计了一个功能,程度的图像(DOI)基于遗传性出血性毛细血管扩张症,可有效检测ERD在运动图像,从而提高分类性能(117年]。在这篇文章中,他们认为,并不是所有的货币都有用的ERD的检测,所以他们计算部分首先实现EMD过程在实践中为了提高计算速度的遗传性出血性毛细血管扩张症。此外,他们证明了DOI可以改善ERD的检测和分类效果。
脑电图的遗传性出血性毛细血管扩张症是有用的范例,对频率敏感。从上面的引用被称为遗传性出血性毛细血管扩张症为高频SSVEP的提供了一个有效的解决方案。此外,μ和β节奏在运动图像可以提取遗传性出血性毛细血管扩张症。
3.2.4。独立分量分析(ICA)
ICA是一个最近开发的方法与发现的目标数据的非高斯线性表示这是统计独立的组件或尽可能独立。这样的表现似乎捕捉数据的基本结构在许多应用程序中,包括特征提取和信号分离204年]。ICA可以在两个不同的执行方式,即空间ICA提取独特的独立空间地图和时间ICA提取独立时间课程。电极的“记录”混合头皮脑电图信号在不同的位置。因此,它是合理的应用ICA EEG信号来识别那些独立的来源并将它们映射到需要的组件。
在SSVEP-based BCI, ICA常被用来提取脑电图信号从原始信号。王等人采用ICA分解在视觉皮层脑电图SSVEP的信号和背景噪声(101年]。十三ICs计算资源通过ICA和四个最重要的力量在刺激频率应该是信号SSVEP的,其余的活动被视为噪声活动。
在P300-based BCI,李等人选择FastICA执行ICA在P300拼字的系统,因为它速度快,可靠性高107年]。他们计算16 ICs和选定3 ICs最大的差别在他们的P300相关的系数。这三个ICs在不同通道的激活状态是用作P300的特征识别。萝卜等人提出了一个非线性独立分量分析(NICA) P300提取方法108年]。NICA方法,一定程度的准确性达到大约240次迭代之后,在同一水平低于1800迭代不使用提出的特征提取。结果表明,NICA加快了网络的训练过程和跟踪误差收敛速度更快。李等人应用ICA选择频道的大脑信号包含大量N200灯和P300电位和小型工件的最优渠道提取特征(26]。他们分离源信号产生ERP、肌肉工件,或眼部工件。
MI-based BCI, Naeem等人研究了三种不同的ICA算法(Infomax FastICA,艺人),他们常见的空间模式(CSP)相比,拉普拉斯算子的派生和标准双派生(118年]。在ICA算法,最佳的性能是通过Infomax当使用22组件以及所选6组件通过视觉检查。郭等人研究了一个基于滑动窗口Infomax动态ICA算法分析电动机意象脑电图(119年]。方法可以得到一个动态混合矩阵的新数据输入,这是不同于静态混合矩阵在传统ICA算法。功能模式是基于动态混合矩阵的总能量系数在一个特定的时间窗口。
在大多数情况下,使用ICA分离噪声/原始EEG信号预处理的干扰。在特征提取时,ICA通常结合其他特征提取算法对各脑电图范式不同的目标进行分类。
3.2.5。常见的空间模式(CSP)
CSP方法是一种强大的信号处理技术,是优提取区别的信息,与其他空间过滤器如双相相比,拉普拉斯算子,或汽车205年]。CSP的原理产生的一组空间过滤器是为了最小化一个类而最大化它的方差的其他类。Ortner等人建议CSP方法比其他人需要更多的电极(206年]。CPS可以抑制噪声,使用数据从许多电极,因此需要一个最小数量的电极有良好的表现。然而,由于CSP是基于费舍尔区别的标准,它只能反映出分离两个类的平均功率的能力。在实践中,这意味着权力分离可能不足以反映决策边界样本的歧视。从统计的角度来看,算术平均异常敏感。构件(如眼睛和肌肉活动可能主导EEG信号,因此他们可能在某些渠道给予过多的权力。由于CSP池试验的协方差矩阵在一起,如果一个工件是不均匀分布在不同的实验条件下,CSP会捕捉高特征值。这将扭曲以下CSP空间滤波器(207年]。
在P300-based BCI,皮雷等人提出了一个应用程序的标准CSP结合的方法基于概率模型的特征组合的空间过滤数据嵌入在一个贝叶斯分类器109年]。结果表明,CSP可以有效地用于P300。Amini等人使用形态、智能分割、CSP和结合特性(特征提取块分割+ CSP) (110年]。在P300古怪的原则方面,他们认为两个时空矩阵表示的P300电位诱发目标事件和持续的脑电图不属预定目标的事件,分别。然后通过CSP的特性获得了技术。统计分析是申请评估每个特性的健身目标之间的歧视和不属预定目标的信号。
事实上,CSP尤其是MI分类是一种有效的方法。最近很多基于csp的方法提出了改进提高分类精度。Samek等人提出了一个方法称为静止CSP (sCSP)对固定子空间演化CSP的解决方案;即CSP扩展是不变的(非平稳的数据120年]。CSP变化提取特性减少了假设变化没有任务相关的眼部运动或电极工件。结果表明,sCSP CSP是竞争与最先进的方法。他等人提出了一个EMD-based CSP方法实现数据相关和自适应频带选择(121年]。imf的从EMD分解,振幅调制信号的瞬时振幅(IA)计算充分探索和HT被录用。利用EMD滤波财产避免手动划分频段,通常采用传统的CSP方法。此外,它可以预期,少量的信息频带相关货币将导致算法效率更高。为了解决这一问题的选择科目的频带CSP算法,滤带MI-BCI CSP (FBCSP)算法。FBCSP算法分类实验脑电图的基础上选定的科目的时空滤波器特性计算。璟等人使用FBCSP BCI竞争第四集2 a和2 b分类4类(左手,右手,脚,和舌头)和2类(左手和右手)的MI任务,分别(122年]。同时,下巴等人使用FBCSP分类4类MI的任务(123年]。改善CSP算法对异常值的鲁棒性,勇等人首先研究多元异常值是如何影响性能的CSP算法,然后提出了一个算法的修改版本,经典的协方差估计,取而代之的是使用获得的健壮的协方差估计协方差最小行列式(MCD)估计量(208年]。平均绝对偏差(疯了)还用于强劲预计EEG信号的方差估计。结果表明,该算法能够减少离群值的影响。然后,凯等人RFBCSP算法BCI竞争IV测试数据集2 b的结果显示一个有前途的方向RFBCSP脑电图测量的健壮的分类MI-BCI [124年]。
在大脑的计算机接口,公共空间模式的方法是广泛用于汽车图像分类的事件。然而,它不是很经常用于分类与事件相关电位P300等。与此同时,没有参考描述SSVEP-based BCI CSP的应用。
所有的特征提取方法我们称为最常用在BCI,包括SSVEP的P300,和MI。由于文章长度的限制,我们不能列出所有的特征提取方法。表2总结了上述方法在不同的脑电图范例。
3.3。功能分类方法
脑电图上普遍存在非平稳信号。他们因为它使得基于脑电图的使用BCI尤其明显。因此分类器的稳定性的一个重要因素的歧视目标不同的范式。总体而言,这是通常认为简单是最好的,因此,建议尽可能使用线性方法。此外,线性分类器通常比非线性的更健壮。这是因为线性分类器有更少的自由参数调优,因此更容易过度拟合。也同意,非线性方法在某些应用程序中可以提供更好的结果,特别是在复杂和/或其他非常大的数据集209年]。
之后,介绍了最常用的分类方法和他们的应用程序在BCI系统中,主要包括线性判别分析(LDA),支持向量机(SVM),神经网络,非线性贝叶斯分类器,最近邻分类器和组合分类器(210年]。表3总结了部分SSVEP的分类方法的应用,P300, MI等等。
3.3.1。LDA (FLDA)
LDA的目的(也称为费雪的LDA)是使用超平面分离代表不同类型的数据(211年]。购买两问题,特征向量的类取决于哪一方的超平面向量(见图6)。LDA发现最大化的最优投影之间的距离两种手段和最小化了阶级之间的差异。分离超平面是垂直投影方向(186年]。战略通常用于多级BCI是“一个与其余”(表达)策略在于区分每个类与所有其他人。
这种技术是简单的,而且有一个非常低的计算要求,这使得它适合于在线BCI系统。此外,FLDA通常使用简单,提供良好的结果。它已成功地应用于各种BCI系统。以来的主要缺点是它的线性,它可能对复杂的非线性脑电图数据提供糟糕的结果。这可以通过使用一个内核函数(来解决212年]。
将时变脑电图信号更好,一种自适应LDA分类器是必要的。卡尔曼滤波自适应LDA (KALDA)是一种基于卡尔曼滤波自适应版本的LDA,卡尔曼增益的变化更新系数和不同的适应速度根据属性数据(147年]。KALDA监督分类器。美极等人提出一个正规化的线性判别分析(RLDA)基于修改后的样本协方差矩阵法(127年]。RLDA包括一个基于循环提高算法最小化分类误差的训练集和一个离群值算法被拒绝。解决了多类识别问题通过使用one-versus-all方法二元分类器的组合。
3.3.2。支持向量机(SVM)
支持向量机在各种各样的生物变得受欢迎应用程序(213年]。支持向量机是一种计算机算法,通过例子学习为对象分配标签。还歧视类通过构造一个线性最优超平面,这是诱导从两个类之间的最大利润的原则214年]。选中的超平面是最大化利润,也就是说,距离最近的训练点(见图7)。此外,用于多级BCI表达策略。
支持向量机方法的主要优势之一就是它的灵活性。使用最大化利润的基本概念、对偶和内核模式可以适应多种类型的推理问题[187年]。此外,支持向量机的使用很简单。支持向量机的决策规则是一个简单的线性函数在内核空间使得支持向量机稳定、低方差。方差较低可能是低分类错误BCI因为BCI的关键特性是非常不稳定的。此外,支持向量机使SVM获得理想结果的鲁棒性即使非常高维的特征向量和一个小训练集。然而,SVM分类器有一个较长的计算时间。
为了维护分类的准确性和系统的整体性能,在线分类和自适应方案修改实时BCI分类参数尤为重要。剑,一个又一个径向基函数应用支持向量机(OAO RBF SVM)分类为了提高短时间窗口分类精度(35]。此外,他们提出了一个信号质量评估方法,取消了RBF SVM的决定当信号质量很低,容易被误诊。做任何决定的成本可以减少做出错误的决定。Oskoei等人监督和非监督自适应方案应用于在线支持向量机分类BCI数据(149年]。在线支持向量机处理新鲜样品他们来更新现有支持向量指的不透光样品。结果表明,在线支持向量机的性能类似于标准的支持向量机,监督和非监督方案改善了分类命中率。减少耗时的培训课程,还有semisupervised支持向量机学习算法。李等人设计了一个自我训练Semisupervised SVM分类算法在小训练数据情况下(139年]。该算法收敛速度和较低的计算负担。他们说明,该算法可以显著减少训练的努力和改善BCI系统的适应性。
3.3.3。神经网络
神经网络中高效的分类数据,类似于人类的神经元的工作。方法是特别有用,当一个完美的算法解决方案无法制定,但足够的数据必须是可用的。考虑到这些特性,神经网络分类的BCI是最好的解决方案。在所有的神经网络用于BCI,多层感知(MLP)是最广泛使用的方法。
延时是一个前馈人工神经网络的反向传播(BP)网络是最著名和活跃的前馈神经网络模型。它的内核是BP算法。BP神经网络由输入层、隐藏层和输出层。隐藏层的数量由实际情况决定。输入模式和相应的输出之间的关系模式可以通过学习获得算术和可以是任意非线性函数。
除此之外,还有许多其他神经网络用于BCI的领域,如卷积神经网络(CNN), CCA-NN,学习矢量量化(LVQ)神经网络多层神经网络(MNN),自适应概率神经网络(APNN),时间延迟神经网络(TDNN)和时间神经网络(TDNN)。表3列表部分实践不同的脑电图范例。
3.3.4。贝叶斯分类器
贝叶斯分类器的分类原理是使用贝叶斯公式计算后验概率根据对象的先验概率,即概率对象所属的类。类的后验概率最高的是对象所属的。贝叶斯分类器主要包括朴素贝叶斯分类器,隐马尔科夫模型(HMM)和贝叶斯网络(BGN)图形。所有这些分类器产生非线性边界的决定。他们生成,这使他们能够执行更有效的拒绝不确定样本比歧视分类器。然而,贝叶斯分类器并不是在BCI广泛的线性分类器和神经网络的应用程序。朴素贝叶斯分类器和用于BCI嗯,但BGN并不常用,因为它长时间计算。
朴素贝叶斯分类器极大地简化了学习通过假设是独立的给定类特性。虽然独立通常是一个糟糕的假设,在实践中朴素贝叶斯经常竞争与更复杂的分类器(215年]。朴素贝叶斯分类器主要用于运动图像。
摘要时间序列的分类非常有效。他们是受欢迎的在语音识别和信号处理领域,最近他们已经应用于心理任务分类BCI的时间序列特性,甚至生脑电图的分类。摘要自然也可以容纳可变长度模型,这些模型允许阅读,理解他们。有一些应用程序使用它在SSVEP的,P300和心肌梗死。
3.3.5。最近邻分类器
这些分类器是非常简单的。特征向量是分配给一个类就其最近邻(年代)。你的邻居可以是一个特征向量或一个类原型。如果样品的数量大,是合理使用它,而不是单一的最近邻。最近的多数票邻居叫最近邻(资讯)。然而,是应用最广泛的最近邻分类器分类器。
资讯分类器很少应用于SSVEP和P300。然而,它有一个良好的性能在MI和准确率高于许多其他分类器,如LDA、朴素贝叶斯和支持向量机。
最近,几个的组合分类器被用来解决BCI的特征分类。类似的组合分类器可能比单个分类器的使用。有许多分类器组合的策略在BCI应用程序中,如提高(216年),投票217年),和叠加218年]。在这里,我们将不会详细地解释它们。详细的解释中可以找到所引用文献[210年]。
4所示。典型的房屋系统
4.1。轮椅控制
作为一个简单的智能设备,轮椅主要控制对象视为BCI-based由于其小的自由度(自由度)。因为它使得基于脑电图加兰等人设计了一个异步和无创性BCI连续精神控制轮椅。主体能够精神驱动真实和模拟轮椅从起点到目标沿指定路径通过执行三种不同的心理任务(左手想象运动向左转,前进,和单词联想到右转)(219年]。Iturrate等人使用一种无创性brain-actuated轮椅,依靠P300神经生理学协议实现自主导航系统,把轮椅到所需的位置,同时避免碰撞与障碍环境中检测到的激光扫描仪(220年]。Rebsamen等人用缓慢P300-based BCI预定义列表中选择一个目标位置和更快的MI-based BCI停止轮椅,它提供了流动性(BCI用户在一个安全的方式221年]。飞利浦等人开发了一个自适应控制系统共享的brain-actuated模拟轮椅旨在提供一个额外的援助当一个主题在困难的情况下。尽管三种可能的离散精神指导命令向前,左,,三个级别的援助,包括避碰、避障,复苏和方向,就会触发每当用户有困难在推动轮椅向目标(222年]。Vanacker等人介绍了一个共享的控制系统,帮助主体在推动一个智能轮椅具有无创性脑接口。主题的指导意图从脑电图信号和估计通过共享控制系统之前被送到轮椅汽车(223年]。李等人提出了一个混合BCI系统结合P300和SSVEP来提高性能的异步控制和应用范例产生“走/停止”命令实时轮椅控制(224年]。通过这种方式,轮椅人类的腿可能扮演的角色,指导残疾人或老年人去他们想去的地方。
4.2。机械手的控制
机械手主要指各种各样的机器人手臂和机械假肢。大部分的机械手自由度相对较小,能够模仿人类的手臂来完成不同的任务。Palankar等人应用P300 BCI来控制7自由度wheelchair-mounted机械手臂。BCI接口由15刺激对应14运动机器人的手臂和一个停止命令,理解用户的意图直接机器人沿着分步路径所需的位置(225年]。李等人提出了一个BMI系统执行串行机械手的运动在整个工作区。小世界神经网络(SWNN)被用来分类基于运动图像和大脑的五个州共同控制。六维数组使用的控制策略命令来实现机械手的运动控制在三维笛卡尔空间226年]。Ianez等人使用四个认知过程或“任务”和休息状态控制与六自由度机械臂(227年]。Pohlmeyer等人让狨猴猴控制机器人手臂的运动达到任务使用强化学习(RL)体重指数。猴子需要移动机械臂的两个领导目标得到食物奖励(228年]。王等人提出了一个三模MI-based BCI的协议,左/右的手和脚电动机意象。三种模式构建八命令来控制一个自由度的机械臂完成“离开”,“对了,“”,“”,“”,“”。“,”和“。“使用该系统,能够将机械手臂移动到合适的位置从初始位置获取一个对象,把对象放在指定的位置,并将手臂回到初始位置(229年]。因为它使得基于脑电图Elstob和赛科开发出一种低成本BCI假肢使用MI和意识到整个手的打开或关闭MI(通过检测左边或者右边230年]。Muller-Putz Pfurtscheller使用四个红色LED条安装在假肢手引起SSVEP的和控制的假肢完成任务将左/右和打开/关闭手21]。这里,控制机械手主要旨在处理一些把握和携带对象,它的展望人类的武器系统。
4.3。无人机控制
无人机正变得越来越受欢迎的在我们的日常生活中。被广泛应用于交通、空中射击,和娱乐。在未来的应用,陈等人建立了一个SSVEP-based BCI系统使用模糊跟踪和控制算法在空中游泳运动员无人驾驶车辆。游泳运动员无人驾驶车辆的空气得以提升,潜水,向左转,向前走,向右转。系统旨在帮助受试者肌萎缩性脊髓侧索硬化症(ALS)参与沟通或娱乐(231年]。科斯'Myna等人提出了一个双向反馈MI bci,主题是能够控制的无人机在5分钟之内。他们应用系统AR.Drone 2.0四轴飞行器的飞行任务涉及起飞,飞行在一条直线,直到达到一个目标,和无人机着陆232年]。年间等人用MI-based BCI实现连续控制的一个虚拟直升机通过黄金戒指定位和导向的随机在3 d虚拟空间(233年]。此外,花等人意识到四轴飞行器控制使用无创性MI-based BCI在三维空间中。主体可以通过suspended-foam飞行员AR无人机四轴飞行器安全环的帮助下视觉反馈的四轴飞行器的视频在电脑屏幕上234年]。由于它的灵活性和多样性,无人驾驶飞机是一个很好的选择为残疾人与世界交流。
4.4。仿人机器人控制
未来系统的最大挑战之一,是控制一个人型机器人,因为它有非常复杂的机械运动学和动力学特征。因为它使得基于脑电图贝尔等人建立了一个BCI接口,可以使用命令部分自主仿人机器人执行复杂的任务,比如走到特定位置和接所需的对象(235年]。李等人使用32路EEG设备收购主体的脑电波控制的仿人机器人,KT-X电脑机器人,通过识别心理活动主题时思考“右转”,“左转”,或“向前走。“通过这样做,他们主要研究复杂人形机器人行为之间的关系和人类心理活动(236年,237年]。赵等人开发了一个OpenViBE-based Cerebot脑电波控制系统和使用平台来控制一个人形机器人NAO完成四个robot-walking行为:右转,左转,向前走,向后走27]。
在本节中,我们关注的是未来的发展系统同步异步系统。主要针对仿人机器人的控制对象。表4和5列举一些砖的应用控制与同步和异步BCI人形机器人,分别。
表4表明,NAO BRI系统中最常用的类人机器人。有广泛应用用于BCI的人形机器人,包括SSVEP的P300、心肌梗死,甚至他们的混合动力车。他们中的大多数是同步系统。尽管异步BCI系统已经探索了很多理论,社会环境的实际应用技术仍不成熟。这是因为空闲状态的检测是困难的和复杂的,和额外的空闲状态分类的准确性。因此,分类的准确性在异步BRI系统往往不能满足经营者的要求。
此外,展望系统仍处于实验室研究的水平,还有一些目前可用的应用程序。尽管如此,一些基于BCI BRI系统已经意识到在线智能外围设备的控制和反馈。新的应用系统不断出现。BRI系统已经应用在医学和非医学领域。患者在医疗领域,一个正常的运转而残疾的身体系统可以使用砖和他人交流和控制一些智能外设,如智能轮椅、机械假肢,虚拟打字机,或仿人机器人。而在非医学领域,展望系统可以应用于国家监督操作员,游戏,娱乐,和智能家居。
实现实际应用在日常生活中,房屋的安全系统将是最重要的因素。考虑操作者的安全,提出了“大脑开关”的概念。即大脑开关避免生成任务命令nontask状态,所以大脑开关实际BRI系统中起着重要的作用。例如,当操作轮椅或假肢,触发错误可能会把运营商的危险。异步BCI系统提供了一个解决方案,作为大脑开关。异步BCI系统检测到大脑活动的空闲状态,防止控制命令的输出而闲置。好像大部分是基于同步协议的运营商必须遵循一个固定的重复性计划从一个心理任务切换到下一个。在这些同步BCI系统,EEG公认的现象提示寿命,与典型的审判持续4到10 s或更长。相比之下,异步BCI依赖于异步协议的运营商是自愿的,自学决定何时停止执行BCI任务和什么时候开始下一个。这使得系统非常灵活的操作和自然和收益率快速响应时间238年]。
5。未来的视角
在过去几年,因为它使得基于脑电图的研究小组已经成功BCI范例,包括SSVEP、ERP、MI,他们的混合动力车。BRI团体已经表明,一些房屋系统有潜在的未来的实际应用,如帮助老人或残疾人在日常任务。然而,仍有许多技术问题需要解决的BCI和砖,尤其是在人形机器人交互。在下面,我们总结一些困难和挑战在未来的研究。
5.1。小说脑电图唤起模式
现有的脑电图唤起模式迅速发展对原理、编码和解码。分类精度没有达到成熟度控制智能设备在实验室设置。例如,视觉唤起模式SSVEP和ERP需要视觉刺激设备,而MI模式训练时间长的缺点,有限的命令,和相对较低的分类精度。因此,小说脑电图唤起模式开始了一个新的时代BCI至关重要的发展。免费小说脑电图唤起模式主要集中在视觉刺激,应用更高效的算法来产生更多的解码命令,并唤起更高的分类精度。
5.2。自适应脑电图解码方法
BCI的性能变化从一个人到另一个,很容易受到经营者的精神状态的影响。BCI系统获得良好的性能,操作人员必须培训一段时间,尤其是对MI。因此,脑电图解码方法的通用性仍然没有解决。考虑到人类之间的相似点和不同点,适应性脑电图解码方法需要设计分类模型有更好的性能对自主性和自我校正。刘等人的分类结果进行了比较,自适应地改变重复数与一个阈值(239年];金等人发现相同的目标刺激在有限重复两次,通过自动调整重复数(240年]。理论上,一个自适应分类方法在网上BRI系统起着重要的作用。
5.3。便携式脑电图装置
在BCI系统中,大脑信号的采集是主要的功能是关键,保证系统的稳定性和准确性。随着传感器和放大器的发展,噪声与大脑信号可以很大程度上克制。即使一个脑电图装置具有高精度和高可靠性,如Cerebus,沉重和不可移植。即使感情EPOC是比Cerebus更便携,有限的渠道,这使得它不适合多通道分析。视觉唤起范例,如SSVEP或P300,唤起设备至关重要,但液晶屏或使设备不适合实际应用。需要更多的便携式脑电图采集设备和可穿戴视觉唤起设备,如谷歌眼镜,可以解决这个问题。
5.4。机器人的动力学和运动学和控制架构
在人类和机器人之间的相互作用方面,机器人的动力学和运动学应该极大地影响砖的性能系统,无论是轮椅、操纵者,无人机或人形机器人。一方面,动态决定运动的人物,如速度、加速度,和稳定性。此外,机器人的动力学之间的匹配问题可以解决机器人的运动和BCI的信息传输速率(ITR)。动力学的研究是用来计算每个动作的时间成本的一个机器人,可以选择相应的ITR提供指导。因此,整个房屋系统的执行效率将大大提高。另一方面,机器人的运动学中扮演一个重要的角色在路径规划、路径优化、建模和全球路径。
仿人机器人有一个特别复杂的控制架构,由传感器融合、建模、路径规划和运动控制。解决这些问题将极大地促使未来的发展三个方面。首先,仿人机器人通常配备不同类型的传感器,如声波、相机、保险杠、和GPS。利用机器人的智能将协助运营商更有效地完成任务和减轻操作者的心理压力。第二,仿人机器人有一个复杂的机械运动学和动力学问题,但它可以友好的与用户交互。因此,仿人机器人在未来的应用系统越来越受欢迎。仿人机器人的机械运动学和动力学建模可以使机器人直立行走和协助路径规划和运动控制。第三,前仿人机器人BRI系统主要控制在低水平,不把操作者的意图与更高水平的机器人的智能决策。当大脑信号是如何插入BCI考虑未来发展很重要。例如,路径规划可以实现由一个摄像头,GPS,永远不会或很少需要大脑信号的参与。 Brain signals only play a role in supervising the process and gives guidance in the case of an emergency. Thus, a human does not need to care about the detailed path a humanoid robot develops but just needs to set a destination. When an emergency occurs, a humanoid robot will be prevented from creating a path and the operator must maneuver via brain signals. Last, there will be conflicts between the user and the robot, so it becomes quite significant to find an appropriate solution to these conflicts. Developing a strategy to find the optimal balance between automation and operator control will be the vital issue in solving the problem.
5.5。评价指标体系
一个系统通常需要评价指标来判断其性能。一个良好的评价指标体系应该适用于不同类型的系统。BCI系统,常用的评价指标分类准确性和ITR。然而,索引只判断一个实验的主题。当进行相同的BCI实验相同的主题,索引必须重新计算。因此,索引不适应甚至相同的主题。平均值可能会解决这个问题,但他们将覆盖同一主题的差异在不同的精神状态。BCI的评价指标体系不仅需要分类准确性和ITR,而且索引能够代表同一主题的差异。此外,该评价指标体系应该全面评估整个BCI系统的性能不同的科目。
5.6。个体差异
大脑的性格和振幅信号因人而异,从而导致敏感性的个体差异和性能的系统。通常,一个人是熟悉实验过程或实验经验将具有较高的准确率。一些人有可能有一个可怕的因为它使得基于脑电图表现BRI系统即使经过长时间的培训。特别是,MI训练过程总是需要很长时间才能掌握的技能。因此,如何减少人之间的个体差异仍有待解决。此外,现有的房屋系统主要使用正常功能的人志愿者,虽然有一些申请特殊的人,如老年人和神经疾病患者。许多实验都需要探索正常功能的人之间的个体差异和残疾人或老年人,为未来的应用系统服务。
5.7。与其他检测手段结合脑电图
因为它使得基于脑电图尽管大脑信号检测,也有许多其他现代设备能够检测一个人的大脑活动。一些研究人员试图探索大脑活动与功能性近红外光谱结合脑电图(fNIRS)和功能性磁共振成像(fMRI)。例如,Leamy等人结合fNIRS和改善运动皮层脑电图活动迁移型分类在想象的任务(241年]。Putze等人开发了一个混合BCI使用脑电图和fNIRS歧视和检测视觉和听觉刺激的融合处理,发现两个显著增加精度(242年]。Mulert等人集成功能磁共振成像和脑电图在听觉古怪的理解大脑活动模式,结果表明他们的结合导致一种改进的理解大脑活动的时空动态(243年]。新兴的脑电图的结合与其他大脑信号检测方法,这种方法将特别有用在BCI系统设备和砖的设计。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
本研究工作是由中国国家自然科学基金批准号下61473207。