SSVEP疲劳机制研究及其在脑控轮椅系统中的应用

《SSVEP疲劳机制研究及其在脑控轮椅系统中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国家自然科学基金项目（资助号：NO.61473203，61104148）天津市自然科学基金项目（资助号：NO.16JCYBJC18200）SSVEP疲劳机制研究及其在脑控轮椅系统中的应用StudyonfatiguemechanismofSSVEPanditsapplicationinbrain-controlledwheelchairsystem学科专业：控制科学与工程作者姓名：何惠东指导教师：高忠科教授天津大学电气自动化与信息工程学院二零一七年十一月摘要脑-机接口（brain-computerint

2、erface,BCI）是一项可以在人脑与被控设备间直接搭建信息通路的全新技术，它为人类向外部世界发出指令提供了一种新的手段。目前，脑控轮椅的研究越发受到重视，老年人和运动障碍患者可以不再需要他人的帮助而是通过意念来控制轮椅，从而提高他们的生活自理能力。然而，病人长时间使用轮椅后会产生一定的疲劳从而降低轮椅控制的性能。目前基于脑电信号的疲劳机制研究很少，传统的方法又很难融合多通道的脑电数据来分析这种疲劳机制。本文围绕脑控轮椅系统，选择具有较高信息传输速率并且训练需求相对较低的稳态视觉诱发电位（stead

3、ystatevisualevokedpotential,SSVEP）范式作为实验脑电信号，设计了正常与疲劳状态的脑电信号采集实验，对正常和疲劳状态下的SSVEP信号进行分类，从而研究疲劳行为对分类准确率的影响。结果表明，疲劳行为会使分类准确率大幅度降低，同时发现支持向量机具有很好的分类性能，正常和疲劳状态的平均准确率分别为92.67%和72.91%。为了进一步研究基于SSVEP的疲劳机制，本文采用模态迁移复杂网络方法融合被试者大脑枕部区域附近的四通道脑电信号，分别建立正常和疲劳状态对应的模态迁移网络，

4、计算网络的“小世界特性”指标，发现在疲劳状态下网络的小世界特性明显增强，从某种程度上表明，疲劳行为会增强脑网络的局部连接性，使网络趋于一体化，从而完成疲劳状态下的认知任务。为了实现轮椅的实时控制，本文设计了基于SSVEP脑电范式的脑控轮椅系统和轮椅避障在线实验。考虑脑控轮椅系统的时效性，现有的EEG信号采集设备大多对采集通道数量和设备的便携化进行了限制，这些都降低了系统的时效性，因此自主设计便携式采集设备具有广阔的前景。在采集设备的优化研究中，如何在便携式采集设备与轮椅上位机间建立数据传输成为了关键环

5、节，本文设计了一种基于脑控轮椅系统的便携式EEG信号采集通信模块，选择具有比普通的UART串口更高传输速度的USB作为通信方式。此外相比于无线通信，它具有良好的抗干扰性，可以支持脑控轮椅系统在复杂环境中维持稳定的数据通信。被试通过注视SSVEP激励界面产生脑控信号，并利用便携式EEG信号采集通信模块将信号传输到系统PC机上，通过在线分析得到控制指令完成避障任务。关键词：脑-机接口，稳态视觉诱发电位，脑控轮椅，疲劳行为，复杂网络，小世界特性IABSTRACTBrain-computerinterface

6、(BCI)systemisanewtechnologywhichcandirectlyconstructinformationpathwaysbetweenthehumanbrainandthecontrolleddevice.Itprovidesanewmeansforgivinginstructionstotheexternalenvironment.Atpresent,theresearchofbrain-controlledwheelchairhasattractedmoreandmoreat

7、tention.Theelderlypeopleandthepatientswithmovementdisorderscancontrolwheelchairbymindindependentlyinsteadofothers'help,soastoimprovetheirself-careability.However,theappearanceoffatiguesymptomsduringlongtimeoperationdeterioratesthecontrolperformance.Curr

8、ently,thestudiesofthefatiguemechanismbasedonEEGarestillintheinfancystage,anditremainsasignificantchallengeforthetraditionalmethodstoinvestigatethefatiguemechanismfrommulti-channelEEGdata.Focusingonthebrain-controlledwheelchairsys