网站建设工程师证书,dede 网站根目录,软件商城免费下载安装包,企业网络组网设计方案Brain-Controlled Robotic Arm Based on Adaptive FBCCA 基于自适应FBCCA的脑机接口控制机械臂论文下载#xff1a;算法程序下载#xff1a;摘要1 项目介绍2 方法2.1CCA算法2.2FBCCA 算法2.3自适应FBCCA算法 3数据获取4结果4.1脑地形图4.2频谱图4.3准确率 5结论 基于自适应FB… Brain-Controlled Robotic Arm Based on Adaptive FBCCA 基于自适应FBCCA的脑机接口控制机械臂论文下载算法程序下载摘要1 项目介绍2 方法2.1CCA算法2.2FBCCA 算法2.3自适应FBCCA算法 3数据获取4结果4.1脑地形图4.2频谱图4.3准确率 5结论 基于自适应FBCCA的脑机接口控制机械臂
论文下载
DOI:10.1007/978-981-16-1288-6_7
算法程序下载
地址
摘要 SSVEP-BCI系统通常使用固定的计算时间和静态窗口停止方法来解码EEG信号这降低了系统的效率。针对这一问题本文采用了一种自适应FBCCA算法该算法利用贝叶斯估计动态寻找结果预测的最佳数据长度适应不同试验和不同个体之间的差异有效提高了系统运行的有效性。同时通过这种方法本文构建了一个基于自适应FBCCA的脑控机械臂抓取生命辅助系统。在本文中我们选择了20名受试者共进行了400个实验。大量实验验证了该系统的可用性平均识别成功率为95.5%这也证明了该系统可以应用于实际场景。帮助残疾人用大脑控制机械臂抓取所需物品以辅助日常生活提高生活质量。未来SSVEP的自适应FBCCA解码算法可以与运动成像脑机接口解码算法相结合构建相应的系统帮助脑卒中引起的上肢或下肢运动障碍患者康复重塑大脑和控制肢体连接。
1 项目介绍 本文设计的基于自适应FBCCA的脑控机械臂抓取生命辅助系统将自适应FBCCA动态时间窗截止方法应用于实际场景使系统具有良好的人机交互功能和脑电图解码识别准确率。根据设计的实验范例经过20人参与实验后平均脑控制抓取准确率为95.5%。系统图像识别速度快识别状态和结果可以实时反馈这样系统可以帮助残疾人运动障碍如中风抓住他们需要的对象不需要帮助并帮助他们满足一定的生活需求提高生活质量。
2 方法 到目前为止几乎所有SSVEP-BCI系统都使用静态停止解码方法具有固定的计算时间窗口。然而由于个体差异每个人的脑机接口能力不同甚至同一受试者的脑机接口能力也不同时代也不同因为大脑的状态随时都在变化。因此,一个采用自适应FBCCA译码算法选择不同大小的计算时间根据窗口各主体的差异实现了动态停止解码方法可有效解决以上问题提高操作效率SSVEP-BCI系统有效性。
2.1CCA算法 典型相关分析CCA算法是一种多元统计分析方法利用综合变量对之间的相关性来反映两组指标之间的总体相关性。原则是为了把握两组指标之间的整体相关性从两组变量两个变量组中两个变量的线性组合利用这两个综合变量之间的相关性来反映两组指标之间的整体相关性。当CCA提取SSVEP响应频率时将两组多变量分别定义为X和Y其中X为脑电图的多通道信号。 在式(1)中通道的下标表示不同通道的数量Y为与刺激频率相关的参考信号。在公式(2)中N为刺激频率的谐波数X中的通道数也为N。 CCA为两组多维变量X和Y找到一对向量Wx和Wy并通过Wx和Wy使相关变量x X T WX和y Y T WY之间的相关性最大化如式(3)所示 公式(3)推导出了X和Y之间的相关系数ρ的最大值。当选择不同的频率时计算出的ρ也有所不同。与最大ρ对应的频率被认为是SSVEP的响应频率。
2.2FBCCA 算法 FBCCA在CCA的基础上增加了一个滤波器组从而利用传统CCA算法中没有得到充分利用的脑电图信号的谐波分量来提高算法的精度。FBCCA方法主要包括三个部分(1)脑电图信号的滤波组分析(2)SSVEP子频带的CCA分析分量和正弦和余弦参考信号(3)目标识别。 首先滤波器组分析通过多个不同的带通滤波器将信号分解为多个子带信号。我们使用零相位切比雪夫I型IIR滤波器从原始脑电图信号x中提取每个子带分量XSBnn 1,2…N。为了满足零相位的要求我们使用MATLAB中的文件过滤函数进行滤波。在对滤波器集进行分析后计算出每个子带分量和每个刺激频率对应的正弦参考信号Yfkk 1,2…12的典型相关系数。对于第k个刺激频率fk相关向量ρk由N个相关系数组成 在公式(4)中ρxy表示x与y之间的相关系数。将每个子带分量对应的相关系数的平方乘以相应的权重系数相加相加为目标识别特征图1。 在公式(5)中n表示子频带索引。由于SSVEP谐波分量的信噪比随响应频率的增加而减小因此各子带分量的权重系数定义如下 在公式(6)中a和b是常数。实际上我们使用网格搜索方法基于离线数据找到a和b使系统的分类性能最优。最后用每个刺激频率即ρ1…ρ12对应的ρk来确定SSVEP的频率以最大相关系数ρk对应的参考信号的频率为SSVEP的频率。
2.3自适应FBCCA算法 传统的SSVEP解码算法采用的静态停止方法对所有试验都使用固定的数据长度但由于试验之间的差异性每次试验的最优数据长度都是不同的。因此为了提高SSVEP-BCI系统的工作效率采用自适应FBCCA方法对脑电图信号进行解码通过贝叶斯估计动态地寻找用于预测的最优数据长度。 从上述FBCCA算法可以看出该算法的分类结果是与累积相关系数的最大值所对应的刺激频率。因此可以假设所有刺激对应的相关系数值与分类结果的正确性之间存在相关性。分类结果的置信度与最大相关系数与第二大相关系数之间的差值有关而正确预测对应的差值往往大于误差预测。同时数据长度和分类准确率是相关的因为数据长度越长得到正确预测结果的概率就越高根据正确预测和错误预测将所有训练试验的相关系数分为正确预测组和错误预测组并分别构建相关系数的似然概率密度函数。这里的相关系数是标准化后最大的累积相关系数。 在公式(8)中ρk是所有类别中累积相关系数最大的一类。假设正确的预测被写成h1错误的预测被写成h0。似然概率密度函数pdm|H1、t和pdm|H0、t由高斯核密度估计生成即生成分组dm的直方图然后使用高斯核密度估计进行扩展和平滑其中t表示用于分类的数据长度。 在在线过程中对每个新的数据段首先计算标准化的累积相关系数得到预测的目标特征根据贝叶斯推理估计被正确预测的后验概率 在公式(9)中PH1|t和PH0|t是在不同数据长度下进行正确预测和错误预测的先验概率。根据离线实验中不同数据长度下的分类精度进行了估计。一旦后验概率达到阈值Pthre将输出预测结果其中阈值由网格搜索离线确定。如果当前的试验不满足阈值条件则当数据段的长度达到预设的最大值时将被迫输出预测的结果。
3数据获取 基于上述贝叶斯估计提出的自适应FBCCA算法动态寻找最优预测数据长度构建了基于自适应FBCCA的脑控制机械臂抓取辅助生该系统的实验数据由可穿戴传感美国公司的DSI 24干电极脑电图耳机采集。该脑电图采集装置是一种24引线电极帽使用方便、快速、舒适不需要导电膏体。脑电图传感器布置在国际10/20系统Fp1、Fp2、F7、F3、F4、F4、Fz、F8、T3、C3、C4、C4、Cz、T4、T5、P3、P4、P4、T6、O1、O2位置脑电图帽采样频率为300 Hz数据通过蓝牙传输。 实验数据处理采用了24个引线中的7个通道即P3、P4、Cz、T5、T6、O1和o2。命系统。该算法应用于实际应用帮助中风等运动障碍患者的日常生活。 该系统使用深度相机定位物体使用机械臂捕捉物体。使用的深度相机是英特尔的RealSense D435它具有高分辨率和快速的传输速度。使用的机械器是Kinova的JACO三指轻型机械器它由一个6自由度机械器和一个3自由度手指握把组成。它具有重量轻、控制简单、安全性高、人机交互友好等特点。该机械臂结构紧凑每个关节都可以独立控制冗余安全控制使用奇异回避算法使该机械臂适合于该大脑控制系统以满足残疾人的基本生活需求。 收集数据的实验范式界面包含12个块12个块代表12条指令苹果1香蕉1绿茶橘子可乐苹果2香蕉2矿泉水橘子7个up取消和确认。12个块对应12个闪烁频率分别为9、9.25、9.5、9.75、10.25、10.5、10.75、11、11.25、11.5、11.75和12Hz图2 本实验的数据收集过程如图3所示包括4个块分别对应于苹果、香蕉、绿茶、橙子。每个组包括5次试验和1次20秒的试验。 1)选择视觉刺激对象2秒共10个目标对象休息1秒。 2) 2秒的视觉刺激来确认或取消捕获跳过到步骤(1)来取消捕获。 3)在15秒内用机械臂抓取物品 本实验邀请20名上海大学学生男性12名女性8名年龄20-30岁参加本实验。每个受试者共进行了20次试验共收集了400个试验实验数据。在参与实验之前被试者被告知实验是否伤害了人体并签署了参与实验的知情同意书。实验结束后每个人都得到了一定数额的报酬。脑控机械臂实验如图4所示。
4结果
4.1脑地形图 受试者观察Apple 2块中闪烁刺激产生的脑电图信号绘制出脑电图地形图如图5(b).所示可以看出受试者的大脑产生了一个稳态的视觉诱发电位这反映了枕叶枕叶区的能量明显增加这也证实了SSVEP主要与大脑的枕叶区相关的结论。图5(a)显示了被试成功观看Apple 2块后的目标锁定显示。
4.2频谱图 将采集到的受试者的原始时域脑电图信号绘制成频率域图。原始脑电图信号如图6(a)所示纵坐标为脑电图通道横坐标为时间表示各通道脑电图信号的幅值随时间的变化。绘制的频域图如图6(b)所示纵坐标为振幅单位为分贝。可以看出当受试者在实验模式中注视确认的抓握块时对应的谱图峰值为12 Hz与确认的抓握块的刺激闪烁频率相对应。这也验证了受试者盯着不同街区所产生的脑电图信号可以被自适应FBCCA识别。
4.3准确率 本实验有20名受试者每个受试者有4个区块一个区块包含5个试验即一个受试者有20个物体捕获。该系统的机械臂的抓取成功率为100%因此脑控制的机械臂的抓取成功率取决于脑电图解码的正确率。20名受试者的脑电图解码正确率如图7所示。经过计算得到了20人。受试者的脑控制抓取物体的平均准确率为95.5%。 与固定窗口FBCCA相比识别准确率提高了约4%识别速度提高了约30%。
5结论 本文采用基于贝叶斯自适应FBCCA算法贝叶斯估计动态找到最优数据长度来预测结果适应不同试验和不同个体的差异并解决传统SSVEP-BCI系统通常使用固定的计算时间静态停止窗口导致系统效率降低的问题。通过该方法构建了一个基于自适应FBCCA的脑控制机械臂抓取生命辅助系统。系统的机械臂抓取准确率为100%脑电图解码准确率为95.5%和脑控制机械臂抓取平均准确率达到95.5%可用于协助残疾残疾人如中风执行一些简单的任务以提高生活质量。 未来SSVEP的自适应FBCCA解码算法可以与运动成像脑机接口解码算法相结合构建相应的BCI系统帮助中风疾病引起的上肢或下肢运动障碍患者恢复和重塑大脑与身体控制的连接。
