|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于HHT运动想象脑电模式识别研究显示文摘脑机接口是一种变革性的人机交互,其中基于运动想象(Motor imagery,MI)脑电的脑机接口是一类非常重要的脑机交互.本文旨在探索有效的运动想象脑电特征模式提取方法.采用在时域、频域同时具有很高分辨率的希尔伯特–黄变换(Hilbert-Huang transform,HHT),进而提取自回归(Auto regressive,AR)模型参数并计算运动想象脑电平均瞬时能量,从而构造特征向量,最后利用能较好地适应运动想象脑电单次试验分类的支持向量机(Support vector machine,SVM)进行分类.结果表明在Trial的5.5~7.5 s期间,HHT特征提取方法平均分类正确率为81.08%,具有良好的适应性;最高分类正确率为87.86%,优于传统的小波变换特征提取方法和未经HHT的特征提取方法;在Trial的8~9 s期间,HHT特征提取方法显著优于后两种特征提取方法.本研究证实了HHT对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力,也再次验证了运动想象事件相关去同步(Event-related desynchronization,ERD)现象,同时也表明运动想象脑电的脑–机交互系统性能与被试想象心理活动的质量密切相关.本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础. | 孙会文 伏云发 熊馨 杨俊 刘传伟 余正涛 | 2015 | 自动化学报2015，41，9： | 42 |
| 2 | 运动相关思维诱发脑电信息解码与应用综述显示文摘运动是人类日常思维与活动最基本、最重要的必需功能之一,各式动作通过神经系统调节肌肉收缩或舒张得以实现。研究运动相关思维诱发大脑神经生理活动信息不仅可深入揭示脑认知与行为的内在神经原理和调控机制,还能为研究开发新型脑-机接口(BCI)系统、更有效辅助运动障碍患者功能康复提供关键科学依据与创新设计思路,具有显见的学术意义和应用价值。主要综述了运动想象(MI)与运动执行(ME)思维所诱发不同脑电(EEG)神经生理特征的异同;重点回顾了基于运动相关思维EEG信息解码BCI在运动意图检测、特定局部肢体运动分类及参数解码与应用的最新研究进展;分析了阻碍其发展的技术难点并探讨了可能化解思路及展望了其未来前景;以期促进相关BCI技术的深入研究与开发应用。 | 张力新 张珊珊 王坤 王仲朋 明东 | 2019 | 仪器仪表学报2019，40，1： | 11 |
| 3 | 基于运动相关皮层电位握力运动模式识别研究显示文摘面向基于脑–机接口(Brain-computer interface,BCI)的脑–机交互控制(Brain-machine interaction control,BMIC)—直接脑控机器人,提出一种新的左、右手握力运动参数范式,在该范式下探索左、右手握力运动相关皮层电位/运动相关电位(Movement-related potentials,MRPs)的时域特征表示并识别握力运动模式.在涉及左、右手4个不同任务的实验中采集了11个健康被试的脑电信号,任务期间要求被试以2种握力变化模式之一完成自愿握力运动,每种任务随机重复30次.不同握力任务之间具有显著差异的运动相关电位特征用于识别握力运动模式.分别用基于核的Fisher线性判别分析和支持向量机识别4个不同的握力运动任务.研究结果进一步证实运动相关电位可以表征握力运动规划、运动执行和运动监控的脑神经机制过程.基于核的Fisher线性判别分析和支持向量机分别获得24±4%和21±5%的平均错误分类率.最小误分类率是12%,所有被试平均最小误分类率为20.9±5%.与传统的仅仅识别参与运动的肢体类型以及识别单侧肢体运动参数的研究相比,本研究可望为脑–机交互控制/脑控机器人接口提供更多的力控制意图指令,奠定了后续的对比研究基础. | 伏云发 徐保磊 李永程 李洪谊 王越超 余正涛 | 2014 | 自动化学报2014，40，6： | 11 |
| 4 | 脑机接口中运动想象的执行与能力的评估和提高方法显示文摘运动想象(MI)是驱动脑机接口(BCI)的一种重要范式,但MI心理活动不易控制或习得,MI-BCI的性能严重依赖被试MI的表现。因此MI心理活动的正确执行以及能力的评估和提高对MI-BCI系统性能的提升及应用具有重要的甚至关键性的作用。然而,在MI-BCI的研发中,已有研究主要聚焦于解码MI的算法,对MI心理活动的这三个方面没有足够的重视。本文针对MI-BCI的这些问题进行详细论述,指出被试易把动觉运动想象执行为视觉运动想象;未来需要研发客观的、定量可视化的MI能力评估方法,并且需要研发有效的、训练时间短的MI能力提高方法,也需要在一定程度上解决个体之间和内部MI的差异性、共性和MI-BCI盲问题。 | 田贵鑫 陈俊杰 丁鹏 龚安民 王帆 罗建功 董煜阳 赵磊 党彩萍(综述) 伏云发(审校) | 2021 | 生物医学工程学杂志2021，38，3： | 9 |
| 5 | 基于SSVEP直接脑控机器人方向和速度研究显示文摘直接用思维意图来控制机器人而没有大脑外周神经和肌肉的参与是人类的一个梦想,目前这一研究已成为国际前沿热点和突破点.传统的脑控机器人(Brain-controlled robot,BCR)主要控制其方向,而本文旨在探讨能够同时脑控机器人方向和速度的有效方法.采用可分类目标数多、单次识别率高且训练时间短的稳态视觉诱发电位(Steady state visual evoked potentials,SSVEP)脑机交互(Brain-computer/machine interaction,BCI/BMI)方法,为脑控机器人运动规划了向左、向右、前进和后退4个方向,设计了低速、中速和高速3级运动速度并组合了9个脑控指令;进而比较并优化了SSVEP刺激目标布局间距以及刺激目标闪烁时间,采用典型相关分析(Canonical correlation analysis,CCA)进行识别.结果表明恰当设置SSVEP刺激目标数及其布局间距和刺激目标闪烁时间,可以有效提高被试/用户直接脑控机器人的性能;优化的SSVEP刺激范式三结合适应SSVEP解码的典型相关分析,8名被试脑控机器人到达终点平均用时为2分40秒,最少用时1分29秒;同时,在脑控机器人运动过程中触碰障碍平均次数为0.88,最少碰触次数为0.本研究显示基于SSVEP的脑机交互可以作为直接脑控机器人灵活运动的一种可选方法,能够实现对机器人多个运动方向和多级速度的控制;也证实了适当增加刺激目标间距可以有效提高SSVEP-BCI脑控指令识别的正确率,说明了该脑控方法的性能与刺激被试的范式有关;再次验证了CCA算法在基于SSVEP的脑机交互中具有优良的效果.最后,为克服单一SSVEP范式存在的局限,本研究也尝试把该范式与运动想象相结合的混合范式用于脑控机器人方向和速度,并进行了初步的研究,表明可以进一步改善控制速度和提高被试舒适度.本文可望为基于SSVEP或与运动想象混合的脑机交互应用于分级或精细控制机器人方向和速度提供思路,并为直接脑控机器人技术推向实际应用打下一定的基础. | 伏云发 郭衍龙 李松 熊馨 李勃 余正涛 | 2016 | 自动化学报2016，42，11： | 9 |
| 6 | 基于单形进化算法优化支持向量机的运动想象脑电分类研究显示文摘由于支持向量机(support vector machine,SVM)优化算法存在易陷入局部最优解、控制参数较多的问题,提出一种基于单形进化(surface⁃simplex swarm evolution,SSSE)算法优化的SVM并对运动想象(motor imagery,MI)脑电信号的分类进行了研究。提取MI脑电信号模糊熵和AR(auto regressive)模型参数作为输入特征,然后将SSSE应用在SVM的参数寻优中,实现对MI脑电信号的分类。测试实验中,对2003国际BCI竞赛Data setⅢ和2008国际BCI竞赛Data sets 2b进行左右手分类,结果表明,所提方法的平均分类正确率和Kappa值分别为82.47%和0.88,单形进化算法减少了控制参数且有效避免粒子陷入局部最优,验证了该方法在MI脑电信号分类的有效性。 | 王清杰 全海燕 | 2021 | 电子测量与仪器学报2021，35，9： | 5 |
| 7 | 运动相关皮质电位在运动康复领域的应用显示文摘大脑在想象或执行身体运动时产生的运动相关皮质电位(MRCPs)因富含大量运动信息、有较严格的锁时和锁相特征而有利于揭示人体运动神经机制、指导运动康复训练以及疗效评价,故受到运动康复领域研究人员的关注.尤其近年随着基于脑电(EEG)的脑-机接口(BCI)技术在康复领域应用的快速发展,利用MRCPs提取大脑运动信息特征逐渐成为运动康复型BCI的研究热点.本文介绍了MRCPs信号的3个时段分量特点及与之对应的皮质激活区,并从运动意图检测、运动参数识别、运动神经机制探索和康复训练效果评价4个方面综述了将MRCPs信号检测和特征解码用于运动康复领域的研究现状,总结归纳了存在问题并分析了未来MRCPs在康复医学中应用的可行性.笔者认为融合MRCPs与其他运动特征信息用于指导运动康复训练实践应是未来运动康复领域发展的主要趋势. | 明东 顾斌 蒋晟龙 刘爽 王坤 孟佳圆 杜金刚 王春方 杨佳佳 | 2015 | 纳米技术与精密工程2015，13，6： | 5 |
| 8 | Discrimination of Motor Imagery Patterns by Electroencephalogram Phase Synchronization Combined With Frequency Band Energy显示文摘Central nerve signal evoked by thoughts can be directly used to control a robot or prosthetic devices without the involvement of the peripheral nerve and muscles.This is a new strategy of human-computer interaction.A method of electroencephalogram(EEG) phase synchronization combined with band energy was proposed to construct a feature vector for pattern recognition of brain-computer interaction based on EEG induced by motor imagery in this paper,rhythm and beta rhythm were first extracted from EEG by band pass filter and then the frequency band energy was calculated by the sliding time window;the instantaneous phase values were obtained using Hilbert transform and then the phase synchronization feature was calculated by the phase locking value(PLV) and the best time interval for extracting the phase synchronization feature was searched by the distribution of the PLV value in the time domain.Finally,discrimination of motor imagery patterns was performed by the support vector machine(SVM).The results showed that the phase synchronization feature more effective in4s-7s and the correct classification rate was 91.4%.Compared with the results achieved by a single EEG feature related to motor imagery,the correct classification rate was improved by 3.5 and4.3 percentage points by combining phase synchronization with band energy.These indicate that the proposed method is effective and it is expected that the study provides a way to improve the performance of the online real-time brain-computer interaction control system based on EEG related to motor imagery. | Chuanwei Liu Yunfa Fu Jun Yang Xin Xiong Huiwen Sun Zhengtao Yu | 2017 | IEEE/CAA Journal of Automatica Sinica2017，4，3： | 3 |
您所在的机构暂未开通此部分的功能，请联系管理员