基于BCI的脑电信号系统控制无人机运动
脑机接口能够通过脑电图(EEG)信号与设备进行通信。有实验提出了一种使用EEG波的新算法，通过眨眼和注意力水平信号来控制无人机的运动。通过使用支持向量机算法对眨眼进行分类和通过人工神经将其转换为4位代码网络。线性回归方法用于将注意力分类为低级别或高级别一个动态阈值，产生一个1位代码。算法中的运动控制结构为两个控制层。第一层提供控制眨眼信号，第二层同时包含眨眼信号并感知注意力水平。提取脑电信号并使用单通道NeuroSkyMindWave2设备进行处理。所提出的算法已经通过对五个不同年龄的个体的实验测试得到验证。结果表明它的高性能与现有算法相比，精度为91.85%用于9个控制命令。具有以下能力多达16个命令及其高精度，该算法可以适用于许多应用。
介 绍
现在对脑机的需求很大可以在以下情况下使用的脑机接口(BCI)控制已不在是一个选项了。已经开发了基于BCI系统的概念，为残障人士提供替代控制方法，游戏和特殊用途的应用。脑机接口是人类思维之间的一种接口技术(HM)和处理器通过感应脑电图(EEG)信号并使用它来执行不同的任务。BCI系统有两种类型的心智感应技术，一种是侵入式的，另一种是非侵入性。侵入性和/或部分侵入式传感技术需要手术干预，将电极植入头皮下与人脑交流。尽管这种侵入式传感技术提供了很高的传感精度和良好的信噪比，一些疤痕组织可以手术后形成，导致脑信号采集无力和严重的医疗状态。非侵入式传感技术通过安装外部耳机中的电极放置在头皮上以捕获大脑信号。它是一种可靠且高效的普通用户和重度/部分瘫痪患者找回交流方式的方法和控制外部设备和。有几种型号的BCI耳机具有广泛的潜力，可用作支持技术和新的控制方法。这些设备捕获的活动从头皮中提取人脑并用机器学习方法对其进行解码。NeuroSky公司开发了一种特殊的算法来引起注意和来自EEG信号的冥想信号。注意和冥想信号分别代表专注和放松/平静的水平，并有一个信号范围为0到100个整数值，并受个人的精神和身体状态。
有实验基于脑机接口控制一群无人机视觉诱发电位(SSVEP)。一个实验环境旨在提取和收集脑电图使用机器学习对信号进行分类各种飞行场景：悬停，分裂，分散，和聚合。采用微控制器来分配并识别控制信号。注意力和冥想信号电平用于控制改变机器人车的运动和方向，而眨眼则用于打开/关闭家用电器。本研究的目的是开发一种基于注意力水平和眨眼信号的算法，使用由收集的脑电波控制无人机单通道NeuroSkyMindWave2设备。这算法包括两个可能的控制程序，仅基于眨眼的一层控制，以及基于注意力水平的两层控制眨眼。此外，注意力级别分类的动态阈值用于提高准确性的算法。
总体框架
典型的BCI系统由四个组件组成它们是：信号采集、特征提取、特征转换命令和设备输出。大脑信号在过程中被检测和处理信号采集步骤。这些信号是从使用传感器覆盖用户的头皮多电极阵列。对获取的信号进行处理以适合特征提取。高通，低通和陷波滤波器是最常用的滤波器采集/处理步骤和消除噪声的工作，伪影并提取所需的频带。还，过滤器可以与其他组件组合，例如作为放大器，以提高信噪比和幅度信号。在特征提取中，应用了几种方法来提取特征和分类大脑信号。线性分类器、非线性分类器、最近邻分类器、神经网络或其组合用作分类方法。近来使用最广泛的分类方法特征提取是神经网络。后对信号进行分类，下一步是特征翻译算法。在特征翻译算法中，将分类后的信号转换为二进制代码基于通过实验测试确定的阈值。这些二进制代码适用于根据用户的意图执行命令。
脑电图是一种观察技术，用于阅读和记录大脑信号。大脑信号是根据电活动分为三类类型：自发活动、诱发电位(EP)以及由单个神经元产生的生物电事件。脑电图是最流行的非侵入性方法自发波采集，并且通过提供简单、低成本、快速响应和能够在许多应用程序中实现。脑电图耳机捕捉不同频率的脑电波根据电极图使用各种通道的波段。通常，EEG信号受以下因素影响：噪音和其他环境影响，导致信号失真和SNR降低收购。EEG脑信号被划分根据频带分为五个波关于精神状态，分别是：Delta，Alpha，Theta，Beta和Gamma.
NeuroSky设备使用单通道柔性干燥电极传感器提取和收集脑电信号从头皮的前额左侧位置（Fp1）。由于头发最少且靠近眼睛的位置，它提供脑电图和眨眼信号如图1所示。
图1：NeuroSky
由于EEG信号幅度较弱（10-100mV），和提取阶段的噪声敏感性，需要一个预处理电路来提高信噪比和EEG信号的质量。框图预处理电路如图2所示。
方 法
脑电信号由NeuroSky处理MindWaves2设备在传输到PC之前。集成开发环境(IDE)处理用于设计图形用户界面(GUI)用于投射和监督来自NeuroSky的信号。GUI也用于在Excel数据库中记录注意力和眨眼信号。收集的眨眼数据用于基于机器学习定义阈值支持向量机（SVM）分类算法。得到的阈值用于训练人工神经网络(ANN)将4个连续眨眼输入中的每个眨眼排序为逻辑“1”或根据参与者眨眼的强度逻辑“0”，输出4位二进制码。自从注意信号水平与被测人的注意力有关，在观察期内，线性回归方法（LRM）用于产生动态阈值的信号分类。4位眨眼代码和注意力水平是用于控制无人机的运动（起飞、降落、左、右、上、下、前、后和停止）。所采用方法的框图如图所示图3。
眨眼信号用于根据眨眼强度强度生成控制命令。为了准确确定眨眼阈值，需要五个不同年龄的人为每个人生成六个连续的读数。要求个体产生三个轻微的眨眼和三个强烈的以随机顺序闪烁。收集到的数据使用SVM算法进行分析和分类，得出72次眨眼强度的最佳阈值。阈值将眨眼分为两个眨眼类别（强或弱）如图4所示。
图 4：SVM 分类
随机收集四次连续眨眼来自参与者。这些连续的眨眼被用作神经网络训练的输入数据从上一步获得的阈值，并且每个眨眼被分类为逻辑“1”或逻辑“0”。ANN为每四个连续的眨眼输入输出一个4位二进制代码。采用的ANN网络框图如图5所示。
图 5：采用的 ANN 框图。
实验结果
通过在测试实验中包括年龄在20-30岁之间的个人来进行系统的评估。个人被安置在一个舒适的地方位置和安静的环境中没有负面因素。该测试要求参与者完成三个每个动作的尝试次数和平均时间计算执行的运动。
参与者表现出不同的平均时间注意力和眨眼速度如表所示。表1显示了平均经过执行每个动作所需的时间。请注意，基于Tab的眨眼和注意力级别代码生成的平均时间。所有动作的性能精度的实验结果显示在表中。表2给出了为每个运动和每个获得的平均精度测试实验的参与者。
该测试总共进行15次运动（每人3次）。起飞、着陆、上、右、左和前进动作显示15个成功控制中的14个尝试以93.33%的准确率。向下和向后运动显示了15次成功控制尝试中的13次，准确率为86.67%。每个参与者的总平均控制准确度在96.28%和85.18%，所有动作的总平均成绩约为91.85%。所开发的算法与以前的工作在术语方面的比较发出的命令、控制层、错误率和精度，如表3中所示使用静态阈值和更少的位眨眼。他们开发的算法是派生出来的基于以注意力、冥想、EEG信号和/或眨眼信号为代表的一两个控制层。
结果表明，所提出的算法与91.85%准确率，性能远高于其他。此外，控制无人机运动的命令数量也显着增加。
结 论
提出了一种利用脑机接口系统收集和传输的脑电波的新算法。所提出的算法被开发来控制运动无人机通过眨眼和注意力水平信号。这算法配置有两个控制层。这第一层使用由SVM分类的眨眼信号并由ANN生成为4位代码。第二层用1位代码对注意力级别进行分类使用LRM指定动态阈值。该算法通过使用单一的测试实验进行验证通道NeuroSkyMindWave2设备。提议的算法显示出高性能，准确率为91.85%。此外，该算法提供了以下能力执行16条命令使其适用于各种应用，如轮椅、机械臂、智能家之类的。
参考：BCIduino脑机接口社区。仅用于学术交流，不用于商业行为，若有侵权及疑问，请后台留言，管理员即时删侵！
更多阅读
加入社群
欢迎加入脑机接口社区交流群，
探讨脑机接口领域话题，实时跟踪脑机接口前沿。
加微信群：
添加微信:RoseBCI【备注：姓名+行业/专业】。
加QQ群：913607986
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
2.加入社区成为兼职创作者，请联系微信：RoseBCI
点个在看祝你开心一整天!