基于SSVEP脑机接口的残疾人出行辅助系统

《基于SSVEP脑机接口的残疾人出行辅助系统》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于SSVEP脑机接口的残疾人出行辅助系统摘要如何辅助残疾人进行空间的移动一直是困扰人类的命题，尽管当前市场上已经出现了一些能够辅助残疾人进行移动的设备，例如拐杖、轮椅，但这些辅助设备使用者的肢体健康状况有一定要求(例如绝大多数设备都不适用于渐冻症患者)。文章介绍了一种新的辅助系统，使用者在使用时只需要移动眼球、转移目光，就可以对电动轮椅发出明确的移动/停止信号。其基本原理是通过注视稳定频率的视觉刺激来诱导大脑皮层产生响应(SSVEP),使用傅里叶变换对用户脑电信号进行频谱分析，进而将相关分量输入到神经网络中进行判断、分类，最后将判断的

2、指令输出给电动轮椅进行辅助移动。关键词SSVEP；傅里叶变换；神经网络；辅助移动中图分类号TP3文献标识码A文章编号1674-6708(2018)224-0143-02据中国残疾人联合会发布的数据显示，目前我国残疾人总数超过8?500万，其中肢体残疾人数近2?500万。对于肢体残疾的人来说，身体的残疾不仅给日常生活带来了不便，也阻碍了他们进行正常的社会活动。而现有的辅助残疾人进行运动的装置仍然对使用者的身体健全状况有着较高的使用要求，例如拐杖和普通轮椅都需要使用者有较强的臂力，就算是较先进的辅助运动设备，其与人的交互方式都是通过声音、按

3、钮等传统方式进行的，而这对于很多老年人、残障人士或完全丧失自主控制肌肉的能力的病患来说，操纵难度大、使用难度高。所以需要一种更加方便、使用门槛更低的辅助设备。脑机接口为该问题提供了一个优秀的解决方案，脑机接口不需要用户的额外运动就可以直接将人的脑电信号提取出来，输入给电脑，加以分析，帮助用户发出指令。该方案的基本原理是：用户面前会有7个不同频率的刺激（例如牛顿环）分别代表7种运动/控制指令（前后左右，停止，确认/返回），产生运动指令后，该系统将人的脑电信号提取并加以识别，判断被试所需要的运动状态（前后左右运动或是停止），并由机动轮椅实现

4、运动。1脑电信号与SSVEP1.1脑电信号与脑机接口脑电是一种使用电生理指标记录大脑活动的方法[1],是大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。根据采集过程中是否需要将采集电机插入头部皮层，可以将脑机接口分为侵入式与非侵入式。在采集过程中，由于侵入式脑机接口具有一定的危险性，容易引发免疫排斥反应，所以采用非侵入式的脑机接口，方便于佩戴人体上，但是颅骨对信号的消减作用较强，并影响信号的稳定性，信号信噪比较低，需要进行后期处理。因此在实际

5、应用中，经常配合导电膏使用非侵入式脑机接口来获取用户脑电数据。1.2视觉稳态诱发电位(SSVEP)尽管脑电有着巨大的应用前景，但其噪声多、信号弱、应用条件相对苛刻的特点也对其推广造成了一定的阻碍。实际上,在实际应用中我们主要使用两种脑电信号(及其对应的实验范式)进行研究与应用：P300、SSVEPoP300：P300信号是指当被试者视觉受到外界特殊刺激后脑电信号会出现一个正向波峰，该波峰大约出现在相关事件发生后的300msoP300?电位是脑机接口中经常使用的信号，是事件相关电位的一种。P300电位的产生主要依赖于人对某种刺激的反应，而

6、不依赖身体状况，通常由包含靶刺激的小概率事件和非靶刺激的大概率事件的刺激序列诱发。但值得注意的是，在使用P300信号的脑机接口实验范式中，被试者往往需要长时间专注，因此非常容易疲惫，这对于脑机接口的推广是有一定负面作用的。SSVEP：稳态视觉诱发电位是指当给用户一个固定频率的视觉刺激时，我们能够在该用户的大脑皮层观察到一个与刺激频率的基频或倍频相关的连续响应［2］。这个响应是被称为稳态视觉诱发电位。相对于使用以P300为首的事件相关电位的脑机接口系统而言，使用稳态视觉诱发电位的系统和实验设计更加简便，而且需要的训练次数也比较少。那么如何

7、对SSVEP信号加以识别呢？正如前文所言，脑电信号弱、干扰多、复杂程度高，为了在纷繁复杂的信号中将有用的、珍贵的信息提取出来，就必信号进行大量的数据处理。如果单纯地将脑电信号输入到相对基础的神经网络（比如多层感知器）中，势必需要非常复杂的网络（比如层数特别深，或者神经节点特别多）才能实现比较理想的分类，甚至无法完成目标函数的收敛。这对于该系统的泛用性和可靠性都是非常不利的。因此，理想的情况是我们对脑电信号进行相对简单的特征提取，将提取出来的特征进行识别。为此，我们引入傅里叶变换。2傅里叶变换傅里叶变换是一种在频域上对信号进行处理和分析的

8、方法,就其本质而言，傅里叶变换将一般信号分解为若干（可能是无数）个正弦信号的叠加（对于周期信号，可直接分解为傅里叶级数，对于非周期信号，可将其视作周期为无限大的周期信号进行分解），即将我们的视角转到频域上，