论文部分内容阅读
脑-机接口(brain-computer interface,BCI)为以大脑为主体的中枢神经系统(central nervous system,CNS)提供了一种新的人工输出手段。以BCI为基础发展而来的脑-机器人交互(brain-robot interaction,BRI)系统在康复医疗、智能家居和游戏娱乐等领域均具有广泛的应用,优化设计便携式多通道脑电信号采集设备有利于扩展BRI系统的应用场景。在BRI系统实际应用中,使用者的精神状态会影响系统的性能,因此提高疲劳状态下的意念控制系统的识别准确率具有重要意义。针对上述问题,本文基于ARM微处理器优化设计了便携式脑电信号采集设备Brain40,其性能参数与商品级40通道NuAmps放大器相近,可以实现以500Hz同时对40通道的生物电信号进行采集。为了评估Brain40在实际应用中的性能,本文通过Brain40和NuAmps放大器获取脑电信号。首先进行了离线稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)实验,发现Brain40所采集的脑电信号的分类准确率为84.48%,较NuAmps放大器的分类准确率仅低0.09%。其次获取疲劳驾驶实验中脑电信号,采用多层有限穿越可视图理论对两个设备所采集的脑电信号进行分析,发现驾驶过程中正常与疲劳状态的辨别准确率均高于90%。结果表明Brain40能够可靠地应用于基于SSVEP的意念控制系统和疲劳驾驶实验脑电信号检测。本文对获取的正常和疲劳状态下的SSVEP脑电信号进行分类,发现疲劳状态下SSVEP识别准确率大幅度降低。为了提高疲劳状态下SSVEP识别准确率,本文提出了一种基于多元经验模态分解(multivariate empirical mode decomposition,MEMD)的SSVEP分析方法,能够有效提高疲劳状态下的SSVEP识别准确率。此外,为了进一步研究SSVEP实验中的疲劳行为,本文使用多元多尺度样本熵(multivariate multiscale sample entropy,MMSE)对正常和疲劳状态下的多元脑电信号进行分析。结果发现在SSVEP实验中,疲劳状态下的MMSE值低于正常状态,反映了疲劳状态下SSVEP信号的规律性增加,表征了当疲劳行为发生时,人脑的神经组件更趋于同步性,进而完成SSVEP识别工作。