论文部分内容阅读
脑机接口(Brain Computer Interface,BCI)是一个涉及认知神经科学、控制理论、人工智能等多个学科的跨学科研究课题。在不依赖人体的外周神经和肌肉的情况下,直接通过脑电信号来传递被试者的思维信息,在助老、助残以及军事应用等领域都具有重大的科研价值。其中,对于脑电信息的准确解码是实现可靠BCI系统的关键。为构建便携、实用的脑电信息解码系统用于机器人的直接脑控,本文使用嵌入式开发平台,针对有限资源计算平台上的脑电信息解码系统存在的分类精度较低的问题,从提高注意力检测和控制意图识别的精度两个方面开展以下内容的研究。首先,为监测被试者在系统使用过程中的注意力水平,对优化复杂网络算法(optimized complex network method,OCNM)进行改进,提出了一种适用于嵌入式计算平台的范式简化和参数优选方法,并在基于stm32f407单片机嵌入式平台上进行了实现。6名被试者的在线实验结果表明,改进后的算法相比原有算法在分类准确率上略有下降(80.67%下降到77.78%),但分类单次数据的速率有显著提升(10.76秒降低到<1秒)。其次,为提高稳态视觉诱发电位(steady state visual evoked potential,SSVEP)的解码精度,选用现有算法中运算量较小的功率谱密度分析算法(Power Spectral Density Analysis,PSDA)和典型相关分析算法(Canonical Correlation Analysis,CCA),提出一种新的决策融合方法。对6名被试者的离线测试结果表明,PSDA和CCA算法分别取得了73.11%和81.14%的平均准确率,而通过对两种算法分类决策的融合,本文提出的新方法取得了83.68%的平均准确率,从而提高了BCI系统的整体性能。最后,搭建了基于SSVEP信号的全向机器人脑控系统。在机器人平台上搭载固定频率闪烁的LED灯,被试通过注视不同频率闪烁的灯诱发产生SSVEP信号,从而输出相应的机器人运动控制指令。考虑到机器人距离对SSVEP信号强度的影响,本文研究了4种距离下的SSVEP信号特征和分类精度。在线实验的结果表明分类性能会随距离的增大而降低,当距离增大到3米时分类准确率下降到了51.67%,这些结果为后续研究中设定全向机器人脑控系统的使用范围提供了依据。