基于ssvep脑机接口的脑电图控制爬壁清扫机器人

摘要

基于脑电图的机器人控制和导航的辅助、自适应和康复应用正在经历维度和范围的重大转变。在人工智能的背景下，医疗和非医疗机器人得到了迅速的发展，并逐渐被用于提高人们的生活质量。我们致力于将大脑与移动家庭机器人连接起来，通过将大脑信号转换为计算机命令，构建一个脑-机接口，通过显著提高残疾人和健全人的自主性、机动性和能力，有望大大提高他们的生活质量。一些类型的机器人已经使用BCI系统来控制，以完成实时的简单和/或复杂的任务，具有高性能。本文设计了一种基于脑电图的移动爬壁清扫机器人智能遥操作系统。该机器人采用履带式，而不是传统的轮式，用于清洁窗户或地板。基于脑电信号的机器人爬墙和清洁机器人位置控制系统，从采集的脑电图信号中提取稳态视觉诱发电位(SSVEP)。本文提出的基于ssvep的BCI视觉刺激界面由4个不同频率(6hz、7.5 Hz、8.57 Hz和10hz)的闪烁片组成。7名受试者通过大脑活动观察相应的闪烁，顺利控制了清洁机器人的运动方向。为了解决多类问题，从而达到在短时间内清洗墙体的目的，采用典型相关分析(CCA)分类算法。 Offline and online experiments were held to analyze/classify EEG signals and use them as real-time commands. The proposed system was efficient in the classification and control phases with an obtained accuracy of 89.92% and had an efficient response speed and timing with a bit rate of 22.23 bits/min. These results suggested that the proposed EEG-based clean robot system is promising for smart home control in terms of completing the tasks of cleaning the walls with efficiency, safety, and robustness.

1.介绍

将大脑与机器/机器人连接起来的想法长期以来一直吸引着人类的想象力。脑机接口(BCI)技术旨在建立大脑与任何电子设备(如轮椅、智能家电、脑电图(EEG)是一种非侵入性技术，用于测量由大脑活动产生的头皮电极的电势。目前，脑电技术已被用于建立便携式同步和异步控制的脑机接口应用。基于脑电图的无创bci具有无创、低成本、实用性、可移植性和易用性等优点，是目前最具发展前景的重度运动残障人士空间应用接口。对于一些身体残疾或瘫痪但大脑功能仍然正常的残障患者，虽然他们有正常的大脑意识和思维，但他们无法通过严重受损的肌肉和神经系统与外部环境沟通，无法独立完成日常工作。这给他们造成了严重的身心创伤，他们的生活非常痛苦，这在一定程度上影响了他们的康复过程。如何恢复或增强其对外界的控制和沟通能力，一直是医疗康复领域多年来追求的目标。因此，bci可用于帮助严重脑功能障碍或肌肉损伤患者通过脑电生理反应恢复与外界直接沟通的能力[1.–3.］.作为先进的辅助和康复技术，BCI对老年人也有好处，对身体健全的青少年控制电子游戏进行娱乐也有好处[4.,5.或出于多种目的控制机械臂[6.–9］.然而，传统的脑机接口设备大多昂贵、笨重、繁琐，使脑机接口技术难以在现实生活中推广应用。便携式脑机接口以其携带方便、使用方便、安全可靠等优点成为脑机接口领域的热点之一。

BCI技术根据记录脑电活动的电极放置方式不同，主要分为有创BCI和无创BCI两种脑活动测量方法[10–14］.其中，侵袭性BCI可能导致免疫反应，这会对用户造成严重伤害，并且由于需要专用手术的技术的侵袭性，残疾人难以被残疾人接受，并且其与设备的成本非常昂贵而不是许多政府涵盖。虽然非侵入性脑电脑界面比侵入性BCI更低，但与所有其他技术相比，它仍然相对便宜，并且每个人都可以容易地接受它。使用我们的大脑信号特征和最受欢迎的机器或计算机有几种范例是电机图像[15,16，波浪[17,18]，稳态视觉诱发潜力（SSVEP）[19–21用于建立实用的脑机接口系统。到目前为止，SSVEP方法因信噪比高、鲁棒性强而得到广泛应用[22］.SSVEP诱导是指当人脑受到固定频率闪烁块的刺激时，人脑视觉皮层会产生与刺激频率相关的不间断反应。SSVEP大脑反应是一种非常有用的自然无意识现象，已经被研究者多次验证。最早的SSVEP-BCI系统，由Regan在1979年设计，允许实验对象通过简单地看着电脑屏幕来选择电脑屏幕上闪烁的按钮[23]基本上实现了所需的设计目标。然后，Mullerputz和Guneysu和Akin将SSVEP-BCI系统应用于神经肢体和人形机器人的物理控制，并实现了良好的控制结果[24］.在本文中，我们选择SSVEP，是因为它不需要被试进行任何训练阶段，与P300或使用单一试验脑电图(EEG)信号的运动想象相比，具有非常高的准确性。SSVEP常用的信号处理和分类方法有快速傅里叶变换(FFT)、小波变换、典型相关分析(CCA)、线性判别分析(LDA)和支持向量机(SVM)。在本文中，利用CCA来开发我们的信号处理算法。与其他SSVEP信号分类算法比较[10–14,25]， CCA分类算法快速、高效、简单、易于使用。

在以往的一些研究中，SSVEP范式被成功地用于写作任务[26］.在报纸上[27，我们可以看到，作者提出了一个混合脑机接口系统，结合P300和SSVEP模式。该组合系统提高了基于脑电图的轮椅控制的准确性。此外，SSVEP也被用于心理拼写系统[28,29］.在报纸上[30.]，作者使用三种闪光速度来控制小型机器人车。Lee等人仅使用OZ作为参考电极来收集和处理EEG信号。在报纸上[31， Lu和Bi提出了一种基于脑电信号的脑控车辆纵向控制系统。然而，它是否能在行业中使用仍是未知数。

本文设计了一种新型的用于清洁墙面的智能爬行机器人，并将其作为智能家电的一种。与轮式机器人相比[32]，履带机器人具有寿命长、承载能力高的优点。本实验使用的智能墙面爬行机器人增加了负压吸附装置，有效地解决了清扫机器人在一定倾角的墙面上滑动的问题。基于SSVEP的BCI通常可以提供较高的信息传输速率，系统的验证过程相对简单，不需要对受试者进行培训。然而，由于部分受试者的SSVEP非常微弱，容易受到其他噪声信号的干扰，如何在短时间窗内准确识别SSVEP仍然是基于SSVEP的BCI研究中面临的一个难题。这也是我们今后要继续研究的课题。本研究采用SSVEP范式控制履带机器人清扫墙面灰尘。我们采用高精度SSVEP范式配合我们的清洁机器人完成设计的实验。据我们所知，这是第一个利用脑机接口对爬行清洁机器人进行控制，帮助残疾人提高生活质量的报道。

本文的内容安排如下:在材料与方法部分，介绍了智能爬行机器人的实验范式、脑信号分析方法和运动模型。同时完成了离线实验和在线实验，并进行了数据分析。在结果部分，分别对离线和在线实验进行了总结和讨论，得出了实验的准确性和ITR。我们的实验验证了我们的观点，并达到了预期的结果。在讨论部分，我们主要讨论了该制度的局限性，并提出了未来的改变。最后，对本部分的工作进行了总结和展望5.．

2.材料和方法

2．1.参与者与实验范式

请邀请七名健康志愿者（4名男性和327岁）加入使用其大脑活动进行一些机器人控制任务的实验。这些受试者都没有关于脑电脑接口的经验。清除书面知情同意书是从所有参与者获得的，他们在详细信息的情况下了解了实验的目的和可能的后果。实验方案按照赫尔辛基宣言进行。

实验是在安静舒适的环境下进行的，以减少噪声对我们的脑电图记录的影响。受试者坐在距离包含刺激界面的屏幕60厘米的椅子上。为了保证实验的准确性，要求被试在实验过程中避免咬牙切齿。由于SSVEP范式容易引起疲劳，受试者可以在一个疗程后休息。实验流程如图所示1.．实验过程主要分为三个部分。首先，受试者正确佩戴EEG采集设备，调整受试者的位置;其次，利用信号处理计算机对采集到的数据进行处理和分类。最后将处理后的指令发送给下位机，即智能爬行机器人。

2.2。实验材料

如图所示1.，本实验的硬件系统主要包括五个部分:脑电图信号采集系统(Brain Products, Germany)、显示视觉刺激界面的计算机、信号处理计算机、无线传输信号的蓝牙模块、清扫墙面灰尘的智能爬行机器人。

我们在本研究中避免使用了较便宜的消费者级EEG信号采集装置的情绪EPOC设备，因为其测量信号质量不足以使用SSVEP模态获得高分类精度。相反，脑产品可以有效地收集SSVEP诱导的脑电图，记录实时特征信号，并具有良好的效果。EEG设备（脑产品）具有轻质，使用灵活性和优异且稳定的信号的优点。因此，该EEG设备用于在我们的实验中收集大脑信号。我们实验中使用的EEG信号采集装置如图所示2.．

实验选用的EEG信号采集装置由64个电极组成。32个黑色圆圈代表有效电极，白色圆圈代表无效电极。所有32个通道电极，包括30个EEG信号采集通道、1个参考通道和1个地面通道，用于记录脑电信号。每个通道的位置用黑色圆圈表示。采样率为500hz。在实验过程中，各通道阻抗始终小于10 k ω，以保证EEG信号的质量。因为SSVEP的信号是由大脑的视觉皮层,EEG信号的O1、O2, P7,视觉皮层附近和P8渠道收集在实验中,它不会影响收购SSVEP的信号,而且还大大降低了处理脑电图的数据量。

利用MATLAB心理学工具箱设计了实验范式的刺激界面，该界面包含四个以6个频率闪烁的模块 赫兹，7.5 赫兹，8.57 赫兹和10赫兹 分别在屏幕的顶部、底部、左侧和右侧显示四个块，屏幕的刷新率设置为60 Hz。实验中使用的智能组件的驱动芯片是L298P双H桥直流电机驱动芯片，该芯片集成了大部分功能，使该芯片更适合机器人的开发。我们设计了一种新型的履带机器人，并对该机器人的吸附能力进行了升级。传统的吸盘具有小型l吸附容量大且不稳定，因此我们使用的吸附装置使用真空泵产生负压，以避免传统吸盘的缺点。市场上大多数光伏机器人都是滚筒刷。滚筒刷不仅容易吸收灰尘，而且占据了相对较大的面积机器人。因此，我们使用的爬行式清洁机器人使用了一个三条腿的刷头。经过一系列实验，最适合清洁墙壁的是使用速度为200的电机 rpm控制我们的三条腿刷头，机器人依靠吸盘吸附在墙壁上，墙壁可以稳定、选择性地清洁，从而减少清洁整个墙壁的麻烦。

2.2.1。离线实验

整个实验分为离线和在线子实验。进行离线实验，确认实验设置，调整每个受试者的参数。离线实验步骤如下:启动我们的刺激界面，该界面以感叹号开始，提醒被试开始实验。之后，屏幕上方、下方、左侧和右侧的四个不同频率块开始闪烁。在离线实验中，受试者听安排，看四个不同的频率块。受试者被分配观看四个闪烁块中的每一个5次，每次持续时间在20到25秒之间。每个受试者收集20个数据集。

2.2.2。在线实验

受试者的实验过程如图所示3.．首先，启动清洁机器人，打开清洁装置。在进行在线实验前，必须确保受试者处于舒适的位置，并正确佩戴EEG信号采集帽。其次，确保清洁机器人与我们的上位机正常连接。另外，设定清扫机器人的速度。在那之后，我们开始了在线实验。在在线实验中，被试确认清洁机器人的位置和墙上脏的地方。然后，受试者做出决定，这将指导清洁机器人移动，并看着屏幕上做出反应的闪光块。同时记录被试的脑电图数据;然后在主机上进行分析。 The algorithm could recognize which block the subject looked at and transform the control command of the clean robot. Then, the command, which was recognized, was sent to the clean robot by the Bluetooth module. According to the command, the clean robot will move and make the walls cleaner.

为了更容易地评价实验成绩，我们设置了几组在线实验。首先，把清洁机器人放在墙上，脏的地方离清洁机器人原来的地方不远。因此，被试可以通过优化的路径控制清洁机器人在30步内到达脏的地方，如图所示4.．

该图显示了在线实验中受试者的路径。在每一阶段，受试者被限制执行30步。如果被试不能控制清洁机器人到达目的地，则本实验结束，并对任务和系统性能进行评估。

2.3。信号采集和处理

信号采集和处理流程如图所示5.．在我们的实验中，我们使用了BrainVision Recorder软件来记录受试者的脑电图信号。在使用BrainVision Recorder软件时，我们确保受试者电极阻抗低于10 k欧姆。主要分析覆盖大脑视觉区域的P7、P8、O1、O2通道。

采用小波变换作为带通滤波器，去除信号中的直流分量。对于SSVEP范式，典型相关分析是利用对综合变量之间的相关性来反映两组指标之间整体相关性的一种多元统计分析方法;该方法对多通道脑电信号具有良好的识别效果。与其他SSVEP信号分类算法相比，CCA分类算法具有快速、高效、简单、易于使用等优点。在报纸上[33]，将CCA分类算法与功率谱密度分析(PSDA)进行比较。测试结果表明，CCA分类算法的分类精度高于PSDA分类算法。在报纸上[34，将CCA分类算法与最小能量组合(MEC)进行比较，发现CCA分类算法的抗干扰能力更强。这些结果充分证明了CCA分类算法的可靠性。因此，将CCA应用于基于SSVEP的脑机接口系统。经过预处理后，使用CCA对脑信号进行分析。

一组脑电图信号记为x(T）和第二组信号Y(T）由具有相同数量的刺激频率的信号组成。我们将一系列周期性信号分解为一系列傅里叶功能。对于特定频率F，有下面的方程 在哪里N为采样点的个数。F_s是采样频率，和N_H为谐波的个数。

CCA的特征提取方法如图所示6.．假设有两组样本信号 , ,和的线性组合 ．典型相关分析法计算相关系数 之间x和Y在这个条件下系数W_x和W_Y最多。等式如下所示：

计算了脑信号与四类信号的相关系数。因此，将控制命令设置为相关系数最大的类。

本研究通过计算信息传输速率(ITR)来评价脑机系统的传输性能。ITR(比特/分钟)的计算公式如下: 在哪里T表示采样时间，Acc表示正确率N表示分类的数量。

２.４.智能爬行机器人运动模型分析

我们使用的智能爬行机器人通过蓝牙模块与上位机进行通信。使用蓝牙串口助手可根据需要设定清洁机器人的速度。其中，清扫机器人的运行速度影响其转弯角度。转向运动模型如下:（一世）我们设置了一个时间参数T；当T= 0，则机器人处于原始位置，假设清扫机器人的位置与坐标系重合 ,机器人的坐标是 ,如图中蓝色位置所示7.．(2)在那之后，机器人执行一个旋转动作。时间在哪里T时，机器人到达坐标为的新位置 ,如图红色位置所示7.．

机器人的整个车削过程都以原点为中心。对于机器人的旋转运动，对于任何时间T，我们有以下资料： 在哪里为爬行机器人左轮的速度，是爬行机器人右轮的速度，和表示爬行机器人的旋转角度。我们假设 ；此时，爬行机器人以原点为中心进行旋转运动，旋转角度为: 在哪里D为爬行机器人两个履带轮之间的距离。

3.结果

３．１．离线实验与结果分析

对于离线使用，实验数据在头文件中保存“.vHDR”，使用EEGLAB工具箱来处理数据。为了在我们的在线实验中实现良好的效果，我们需要处理不同主题的离线实验数据并调整参数。CCA阈值将受试者的状态划分为空闲状态和任务状态。通过在任务状态中与CCA相关系数与CCA相关系数的怠速状态中的对象的CCA相关系数进行比较，我们可以确定每个主题的阈值。我们根据对象的离线数据的分析调整了主题阈值，这些脱机数据如表所示1.．

３．２．在线实验与结果分析

为了使我们的实验数据更加准确，当受试者在30步内完成清洗任务时，任务完成时停止时间，但受试者继续执行任务，直到30步结束。当受试者在30步内未完成任务时，以完成30步的时间计算时间。每个实验对象必须完成六组任务。

实验结束后，我们采用了一些统计分析方法来评估被试完成任务的情况。四个人能够以很高的准确性和精确度完成所有的任务。统计结果见表1.．实验数据显示，受试者的平均准确率为89.92(标准差±3.81%)，ITR达到22.23±1.19 bits/min。被试的实验情况见表2.．为了进一步验证我们实验结果的可靠性，使数据具有统计学上的显著性，我们进行了方差计算，方差计算结果如表所示3.．精度表3.是每个人在六次实验中正确命令总数与命令总数之比的平均值。

我们注意到，与现有的BCIS在任务，准确性和ITR方面相比，我们的在线实验似乎具有良好的输出结果。我们列出了直观统计和比较的图表，如图所示8.．这些结果表明，我们的实验验证了我们的观点，达到了预期的结果。

4.讨论

本文提出了一种基于SSVEP脑机接口的脑电图控制爬壁清扫机器人，并采用CCA算法进行信号分析。在本工程研究中，实验结果表明我们所提出的脑机接口系统是很有前途的，可以成功地控制所设计的智能清洁机器人完成墙壁的清洁任务。离线实验为下一次实验提供了阈值。此外，不同实验者的测试范围可以通过相同的离线实验确定。通过在线实验对阈值进行调整，提高了实验的分类准确率。通过对数据的分析和计算，我们得到以下结果:在线实验的平均准确率为89.92%，ITR达到22.23 bit /min。这表明我们的实验验证了我们的研究假设，达到了预期的目标。然而，所提出的BCI体系仍存在一些问题和局限性。

本文的主要创新是设计一种新型的清洁机器人,可以增强老年人用户和帮助残疾病人的能力来控制家用电器,在通常的环境来增强他们的个人自主权能够执行日常活动。在日常生活中练习以脑电图为基础的控制可能也是提高大脑能力的一个很好的选择。然而，眼球运动也是替代大脑活动的另一种选择。

眼电图(Electrooculography, EOG)是一种测量存在于人眼前部和后部之间的角膜视网膜站立电位的技术。该技术已被广泛应用于人机界面的开发，且易于与大脑活动相结合。然而，眼球运动/眨眼的信号相对不弱。因此，由于与脑电图信号的同步性，很难消除这种电干扰。如果我们直接使用眼球运动来控制清洁机器人，我们需要添加眼球注视/跟踪设备，这需要很好的校准。在眼球运动的习得过程中，人眼的结构会导致疲劳。此外，用户也无法长时间注视同一目标点。这种长时间的凝视会导致眼球运动、假眼球跳跃和无意识眨眼[35］.这些错误的、无意识的脑电图信号会给特征提取和分类带来困难，导致识别率低[36,37］.

本文主要利用SSVEP来克服仅使用眼动仪的缺点，将EEG和EOG（eye movement）相结合作为构建混合BCIs的创新研究是我们未来考虑的方向。

Hotelling在1936年提出了典型的经典算法后，受到了各个研究领域的高度关注。日本有研究人员采用典型相关分析(CCA)方法从实际SSVEP信号训练浓度中提取两层参考信号。将得到的参考信号与CCA相结合，得到了一种有效的频率识别空间滤波器，大大提高了SSVEP的识别精度和信息传输速率[34］.通过调制波形产生12类SSVEP信号，采用CCA算法进行分析，平均准确率为92.31% [38］.可见，CCA在脑电图信号处理中的应用已经相当普遍，特别是对SSVEP信号的频率识别具有较高的准确性。本文采用了传统的经典分析算法。采用CCA算法对SSVEP进行分析，提取并计算脑信号与四种脑信号之间的相关系数，计算在线实验的传输速率和准确率。虽然本文采用的CCA算法在SSVEP中具有很大的优势，但与SVM方法相比[25]但仍然需要改进。因为人脑具有复杂的神经机制，所以在大脑中的电信号的传输中可能不是一个简单的线性变换。除了我们通常考虑的时间和频率特性外，脑电图还包含其他重要数据特征，例如实验之间的可变性以及受试者之间的特异性[12,39］.因此，改进特征提取与分类算法将是我们未来研究的重点，以提高系统的鲁棒性和准确性，减少误差。

5.结论

本文提出了一种新的基于脑电图的清洁机器人控制实验范式，扩展了脑机接口的应用范围。相比于运动成像仪、P300等其他范式，SSVEP更适合实时应用，因为基于SSVEP的范式不是针对受试者的BCI，需要定期对个体数据进行校准和系统培训，跨受试者的准确率更高。对于不同的科目，相应的条件也是不同的。在实验中，我们根据不同的被试选择合适的脑电图采集帽。此外，疲劳问题在一些受试者中明显观察到。因此，我们消除了造成实验数据不准确的原因。虽然不同的实验对象的条件不同，但是我们也通过实验验证了我们的系统。

无创脑-机接口技术在人脑和智能机器人之间架起了一座桥梁，具有重要的研究意义。在不久的将来，日常生活中的脑-机接口应用将涉及到更多的新领域。随着科学技术的发展，脑-机接口技术将不仅仅带来跳跃e给残疾人，但也将更多地融入普通人的生活，给我们的生活带来更多的便利和使用。通过这次实验，我们希望在未来，我们可以招募更多的受试者来验证所提出的系统，并在不同的条件下制作复杂的系统，例如控制一群清洁机器人仅由一个操作员大脑进行测试。

数据可用性

由于天津理工大学的政策，本研究期间生成和分析的数据集不对外公开，但可由第一作者在合理要求下提供。

的利益冲突

作者声明，本论文的发表不存在利益冲突。

致谢

本研究的一部分由阿拉伯联合酋长国大学资助（启动拨款G00003270“31T130”）。

参考文献

1. D.M.Taylor、S.I.H.Tillery和A.B.Schwartz，“3D神经假体设备的直接皮层控制，”科学，第296卷，第2期。5574，页1829-1832,2002。视图:出版商的网站|谷歌学术
2. H. Wang和A. Bezerianos，“由持续和简短的运动想象bci控制的脑控轮椅，”电子信件，第53卷，第53期17, pp. 1178-1180, 2017。视图:出版商的网站|谷歌学术
3. B. Rebsamen, C. Cuntai Guan, H. Zhang等，“大脑控制轮椅在熟悉环境中导航”，神经系统和康复工程上的IEEE交易第18卷第2期6, pp. 590-598, 2010。视图:出版商的网站|谷歌学术
4. a . N. Belkacem, S. Saetia, K. Zintus-art等，“使用眼球运动和两个颞部脑电图传感器实时控制视频游戏”，计算智能与神经科学，卷。2015年，第653639号，10页，2015年。视图:出版商的网站|谷歌学术
5. K. Sumi, K. Yabuki, T. J. Tiam-Lee等人，“使用基于P300脑电图的脑-机接口的合作游戏”，辅助和康复工程, 2019年。视图:出版商的网站|谷歌学术
6. A. N. Belkacem, S. Nishio, T. Suzuki, H. Ishiguro, M. Hirata，“多维脑机接口同时双侧手部运动的神经磁解码”，神经系统和康复工程上的IEEE交易第26卷第2期6, pp. 1301-1310, 2018。视图:出版商的网站|谷歌学术
7. Gao q, L. Dou, a . N. Belkacem, C. Chen，“基于无创脑电图的混合BCI系统书写任务的机械手臂控制”，生物医学研究的国际， vol. 2017, Article ID 8316485, 8 page, 2017。视图:出版商的网站|谷歌学术
8. 何伟，赵颖，唐华，孙灿，付伟，“可穿戴机器人的无线BCI和BMI系统”，IEEE系统、人与控制论交易：系统第46卷，第46期7, pp. 936-946, 2016。视图:出版商的网站|谷歌学术
9. V.GILJA，P.Nuyujukian，C.A.Chereek等，“通过控制算法设计，”一种高性能神经假体，“自然神经科学，第15卷，第12期，第1752-1757页，2012年。视图:出版商的网站|谷歌学术
10. I. Seanez-Gonzalez, C. Pierella, a . Farshchiansadegh等人，“非侵入性身体-机器界面中的静态与动态解码算法”，神经系统和康复工程上的IEEE交易，第25卷，第2期7，第893-905页，2017。视图:出版商的网站|谷歌学术
11. K. Watanabe, H. Tanaka, K. Takahashi, Y. Niimura, K. Watanabe, Y. Kurihara，“基于nir的语言学习BCI系统”，IEEE传感器杂志，卷。16，不。8，pp。2726-2734,2016。视图:出版商的网站|谷歌学术
12. “运动执行与运动表象间手指运动的g -因果性脑连通性差异”，保健工程杂志，第2019卷，文章编号5068283,12页，2019。视图:出版商的网站|谷歌学术
13. A. N. Belkacem, H. Ishiguro, S. Nishio, M. Hirata，和T. Suzuki，“使用单试验支持向量机分类的实时mega -based脑-双染色体控制”，在2018年第3届高级机器人和机电一体化国际会议（ICARM）的诉讼程序，第679-684页，新加坡，2018年7月。视图:出版商的网站|谷歌学术
14. A. N. Belkacem, S. Nishio, T. Suzuki, H. Ishiguro, M. Hirata，“基于四个双侧手运动的BCI神经磁双侧体控制”2018年IEEE系统、城域网和控制论国际会议记录（SMC），第524-527页，宫崎骏，日本，2018年10月。视图:出版商的网站|谷歌学术
15. 何磊，胡德华，万明，“基于通用贝叶斯网络的脑电多类运动意象脑机接口分类”，IEEE系统、人与控制论交易：系统第46卷，第46期6，第843-854页，2016。视图:出版商的网站|谷歌学术
16. V.Mishhuhina和X.Jiang，“基于脑电的运动想象脑机接口中常见空间模式的特征加权和正则化，”IEEE信号处理信，第25卷，第2期6，第783-787页，2018。视图:出版商的网站|谷歌学术
17. B. O. Mainsah, K. D. Morton, L. M. Collins, E. W. Sellers，和C. S. Throckmorton，“在P300拼写者中，远离与错误相关的电位以实现拼写纠正，”神经系统和康复工程上的IEEE交易，第23卷，第2期。5, pp. 737-743, 2015。视图:出版商的网站|谷歌学术
18. V. Martinez-Cagigal, J. Gomez-Pilar, D. Alvarez，和R. Hornero，“一种基于异步p300的脑-机接口网页浏览器，为严重残疾的人，”神经系统和康复工程上的IEEE交易，第25卷，第2期8，pp.1332-1342,2017。视图:出版商的网站|谷歌学术
19. “基于vep的脑-机接口设计”，“基于vep的脑-机接口设计”，神经系统和康复工程上的IEEE交易，卷。14，不。2，pp。234-240,2006。视图:出版商的网站|谷歌学术
20. p.l.。李,C.-L。叶,j . Y.-S。程,彭译葶。杨,G.-Y。Lan，“一种基于ssvep的高占空比视觉闪烁的BCI，”生物医学工程汇刊，第58卷，第2期12, pp. 3350-3359, 2011。视图:出版商的网站|谷歌学术
21. R. Z. T. Camilleri, O. Falzon和K. P. Camiller，“训练还是不训练?基于ssvep的bci特征提取方法训练综述神经工程学报，第15卷，第5期。5, p. 1741, 2018。视图:出版商的网站|谷歌学术
22. K.-K。害羞的,来说Y.-J。赵,p.l.。李,人类。梁和工程学系。彭，“基于自适应ssvep的BCI系统的频率和脉冲占空比刺激调谐设计”，神经系统和康复工程上的IEEE交易第21卷第2期5, pp. 697-703, 2013。视图:出版商的网站|谷歌学术
23. D. Regan，“来自人脑引起的电气反应”科学美国人，第241卷，第2期。第6页，134-146页，1979。视图:出版商的网站|谷歌学术
24. a . Guneysu和H. L. Akin，“一种基于SSVEP的BCI通过使用便携式脑电图设备控制人形机器人”2013第35届IEEE工程医学与生物学会国际年会论文集， pp. 6905-6908, IEEE，大阪，日本，2013年7月。视图:出版商的网站|谷歌学术
25. C. Chen，X. Li，A. N.Belkacem等，“混合内核函数SVM基点云分类”国际精密工程与制造杂志，卷。20，没有。5，pp。737-747,2019。视图:出版商的网站|谷歌学术
26. H. Nezamfar, S. S. M. Salehi, M. Moghadamfalahi，和D. Erdogmus，“FlashType™:使用脑电图信号的上下文感知c-VEP-based BCI分型接口，”IEEE信号处理选题期刊，第10卷，第5期。5、pp. 932-941, 2016。视图:出版商的网站|谷歌学术
27. 李彦宏、潘俊杰、王菲和余志强，“结合P300和SSVEP的混合BCI系统及其在轮椅控制中的应用，”生物医学工程汇刊，第60卷，第2期11, pp. 3156-3166, 2013。视图:出版商的网站|谷歌学术
28. 尹，周，江，杨，胡，“动态优化SSVEP脑-机接口（BCI）拼写器，”生物医学工程汇刊第62期6, pp. 1447-1456, 2015。视图:出版商的网站|谷歌学术
29. A. Abdullah, J. S. Norton，和T. Bretl，“一种基于ssvep的脑-机接口，用于文本拼写和自适应查询，最大化信息增益率，”神经系统和康复工程上的IEEE交易，第23卷，第2期。5, pp. 857-866, 2015。视图:出版商的网站|谷歌学术
30. p.l.。李,H.-C。Chang T.-Y。邓鸿基、谢国华、邓鸿基。“一种使用基于集成经验模式分解方法的脑电波驱动的小型机器人汽车，”ieee系统、人与控制论汇刊- A部分:系统与人，第42卷，第2期5, pp. 1053-1064, 2012。视图:出版商的网站|谷歌学术
31. Y. Lu和L.BI，“脑电图的EEG信号的纵向控制系统”神经系统和康复工程上的IEEE交易，第27卷，第2期，第323-33219页。视图:出版商的网站|谷歌学术
32. Lin Z.， Zhang C.， Wu W.， and X. Gao，“基于典型相关分析的基于ssvp的bci频率识别”，生物医学工程汇刊，第53卷，第53期12, pp. 2610-2614, 2006。视图:出版商的网站|谷歌学术
33. 王斌等，“用于SSVEP探测的最小能量组合和典型相关分析的比较”，发表于2011第五届国际IEEE/EMBS神经工程会议论文集，第469-472页，墨西哥坎昆，2011年4月。视图:出版商的网站|谷歌学术
34. 中西敏，王颖，y.t。Wang, Y. Mitsukura和t.p。Jung，“通过结合背景脑电图增强SSVEPs的非监督典型相关分析频率检测”2014年IEEE工程医学与生物学会第36届国际年会论文集， pp. 3037-3040, IEEE，芝加哥，伊利诺伊州，美国，2014年8月。视图:出版商的网站|谷歌学术
35. P. P. Banik, M. K. Azam, C. Mondal，和M. A. Rahman，“基于单通道眼电学的肢体残疾人人机界面”电子工程与信息通信技术国际会议论文集，德哈卡，孟加拉国，2015年5月。视图:出版商的网站|谷歌学术
36. P. Lukas, N. Iveta，和C. Martin，“通过检测眼睛运动，实验室测量使生活更容易，”IFAC PapersOnLine，第48卷，第4期，第268-271页，2015年。视图:出版商的网站|谷歌学术
37. N.Sarkar，B.O'Hanlon，A.Rohani等人，“用于眼跳速度估计和中心凹再现的共振眼跟踪微系统”，年IEEE国际微机电系统会议论文集2017年1月，美国内华达州拉斯维加斯。视图:出版商的网站|谷歌学术
38. 田中，“基于稳态视觉诱发电位的脑-计算机接口的基于波形的多刺激编码”2018年IEEE声学、语音和信号处理国际会议记录（ICASSP），第821-825页，IEEE，卡尔加里，加拿大，2018年4月。视图:出版商的网站|谷歌学术
39. 董恩，李春梅等，“基于脑机接口的多类运动图像分类方法研究”，医学与生物工程与计算，第55卷，第55期第10页，1809-1818页，2017。视图:出版商的网站|谷歌学术

版权

版权所有©2020邵雷等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。