BCI在头脑中的应用智能康复机器人运动控制

bloom Raja .D

Asst.教授,Bharath大学印度钦奈- 600073

文摘

受到社会越来越多的人意识到残疾人的需要,本文旨在提供一个基于智能BCI的解决方案的实现智能康复技术。这个系统有很高的影响尤其是对否则至关重要;中风的影响和残疾的人。一个应用程序,该应用程序能够帮助他们,独立执行,必要的功能,他们认为这里介绍。系统介绍了使用一种新的方式(CSSP算法)的设计从而克服了传统系统的使用CSP算法的局限性。BCI的用户显式地操纵他们的大脑活动,而不是电机的动作。重点是使用EEG信号的非侵入式bci的发展为了使最终的解决方案完全健壮。概述后,适当的信号,必要的调节技术和最有效CSSP方法,进一步提出了确定用户的意图以及参考资料设计脑-机接口。

索引词

BCI-Brain计算机接口,CSSP——结合空间光谱处理,EEG-Electro脑室,相位同步,常见的空间模式(CSP)。

I.INTRODUCTION

近年来,已经有越来越兴趣意味着让电脑使用的控制思想。这些设置为脑-机接口(BCI)在多个领域有应用潜力从游戏和虚拟现实到假肢控制和沟通媒介瘫痪。无创性EEG信号的使用BCI是最实用的信号采集方法之一的大脑,是一个相对较低的成本解决方案相比其他方法记录大脑活动,如脑磁图描记术(MEG)和功能性磁共振成像(fMRI)。此外,脑电图记录提供了一个很好的时间分辨率和不是一个侵入性程序。计算方法来提取特征BCI脑电图的歧视心理任务是集中在这里。以神经元活动为特征的精神任务可以在特定的空间位置。侧事件相关去同步化期间(ERD)表现出运动图像的任务就是这样一个典型的例子。

它是伴随着分布式神经的兴奋和抑制结构或网络。此外,了解用户的状态以及他们正在执行的任务可能会提供关键信息,帮助我们设计上下文敏感的系统适应最佳用户支持。这可能是有用的健康的用户也可能情境中禁用。

怎么可能控制一个机器人精确时刻,必须准确使用信号到达一个比特每秒的速度?我们brain-actuated机器人的关键方面是结合主题的心理能力和机器人的智力。

即主体提供一些高级的精神命令(例如,“在第二次右转”),和机器人自动执行这些命令使用机载传感器的读数。换句话说,脑电图传达主题的意图和机器人执行它。这种方法可以连续控制移动robot-emulating机动wheelchair-along重要的轨迹要求快速和频繁的开关之间的歧视心理任务。

二世。系统概述

人类大脑由数以百万计的神经元,单个神经细胞树突和轴突连接到另一个。每次我们想什么、做什么、感觉或记住的东西,我们的神经元在起作用。工作是由小型电子信号,zip从一个神经元传到另一个神经元以最快的速度每小时250英里。电势的差异所产生的信号是由离子在每个神经元的膜。检测这些信号可以帮助解释他们的意思和使用它们来直接设备。

人脑计算机接口

脑机接口(BCI)是一种新型系统,将人类的思想或意图转化为控制信号。使用这种技术,好像可以提供一种新的非肌肉发达的通信通道,可以用于各种各样的应用程序,如帮助患有严重运动障碍;支持生物反馈训练的人患有癫痫、中风,或注意缺陷多动障碍。

电极测量电压神经元之间的差异。然后信号被放大和过滤。在当前BCI系统,然后由计算机程序解释(P-CSP算法)。在感官输入BCI的情况下,函数会发生逆转。电脑转换成一个信号,比如从一个摄像机,触发神经元所需的电压。信号被发送到适当的植入大脑的区域,如果一切工作正常,神经元火和主体接收对应于相机所看到的视觉形象。

本文最激动人心的领域之一是设备的发展,可以由思想控制。这些设备允许严重残疾人独立函数。但是我们怎么把那些小脑电图电压测量机械臂的运动吗?

一个更艰巨的任务是解释运动的大脑信号的人不能身体移动自己的手臂。

有了这样的任务,主题必须被训练使用设备。脑电图或植入物,主体会想象结束他或她的右手。经过多次试验,软件可以学习信号与预期运动的思想和解释它的意思是机械手臂或轮椅的运动。一般来说,从地形的大脑节律调节模式常见的空间模式(CSP)算法提取科目,歧视参数。最近发达CSSP算法用于BCI系统,非常简单的频率过滤(有一个延迟tap)一起为每个通道进行了优化空间滤波器比传统的方法。

合适的大脑信号:

入侵BCI直接或内部皮层植入电极的方法。一个方法记录电气后续潜力皮层脑电图的分析(ECoG)。

另一种方法的地方一个复合的电极阵列在皮层记录神经元的神经发射人口不多。两种信号类型有一个优越的signalto-noise比率,需要小用户培训,适用于更换或恢复失去运动功能受损患者的部分神经系统

无创性bci,另一方面,可以使用各种大脑信号作为输入,如测量(EEG), magnetoencephalograms (MEG) bloodoxygen等级相关(粗体显示)信号,(de)氧合血红蛋白浓度。除了上面提到的集团,梅格,fMIR的其他来源可以提供这个应用程序所需的大脑信号

三世。硬件设计

该系统由以下功能信号采集、预处理、特征提取、分类、接口和控制信号的生成,生物反馈。

信号分类块执行信号的比较得到的各种信号对应于不同的心理任务,主题特定的训练中获得的数据,并生成所需的控制信号。最后的任务是实现。其他组件和功能在以下部分中阐述了。

IV.SIGNAL采集和预处理

基于脑电图的BCI系统:

脑电图,基本上是在大脑皮层突触后潜在的总和,是应用最广泛的大脑信号操作BCI系统。基于脑电图的BCI系统使用这种类型的大脑潜力的源信号特征提取和思想的歧视。两种类型的变化可以从正在进行的EEG信号中提取。一个是时间——和锁相(唤起)外部或内部节奏的事件,而另一个也是寿命而不是锁相(诱导)。前类属与事件相关电位(erp,稳态视觉诱发电位(ssvep),和缓慢的皮质负面的变化;类,后者属于事件相关去同步化(erd)和与事件相关同步(人)。

缓慢的皮层电位。这些都是参与这项脑电图;它由缓慢变化的电压,这被认为起源于表皮的锥体神经元树突的大脑皮层。这些电压变化发生在0.5 - -10.0秒的时间尺度和被称为“慢皮层电位”(scp)。- scp -运动和其他功能包括皮质激活,而积极的scp通常与降低大脑皮层的激活有关。

与事件相关的Potential-P300:

这是一个罕见的或特别重要的刺激。点缀着频繁的或常规的刺激时,通常唤起反应人的脑电图特征。因为它是积极的和经常发生的延迟300毫秒左右,这个被称为“P300与事件相关的脑电图描记器组件。“这信号使BCI来识别一系列的选择由用户选定。只有选择所期望的用户唤起P300。

感觉运动的节奏。

不从事加工时感觉输入或运动输出,清醒的感觉或运动皮层人们常常产生8 - 12赫兹脑电图活动。这种空转的活动,称为μ节奏时集中在感觉运动皮层或视觉阿尔法节律集中在视觉皮层,被认为是由丘脑皮层的电路。μ节奏通常伴随着18-26赫兹β节律,其中一些有不同的地形和/或时间比μ,脑电图,从而构成一个独立的特性。这些节奏提供良好的一个原因因为它使得基于脑电图信号好像是他们与大脑的正常运动输出通道。

身体动作通常伴随着减少μ和β节律,那个是更大的在头皮contra-lateral搬手。这种下降与事件相关的de-synchronization或ERD的标签。相反,节奏,增加或“与事件相关同步”(ERS)后发生运动和放松。特别是有关用于BCI ERD和人不需要公开的运动,但也发生在运动图像和准备. .

左边的图显示ERD曲线在一个投影CSP渠道主体的光谱图2所示。在应用计算的时间过滤CSSSP方法得到右边的ERD曲线。下面的每一个情节的r值作为衡量辨别力是可视化。他们表明,右边的ERD曲线可以更好的歧视

下面给左边的图显示了一个学习频率滤波器的频率响应谱的主题图2所示。

在右边的图,由此产生的光谱后可视化应用频率滤波器。通过这种技术分类误差可以减少从17.3%降至1.4%。

b。电动机传递脑电图模式识别:

由于MI诱导大脑的振荡特征现象,反映在感觉运动脑电图活动,采用谱分析方法在信号量化。EEG有节奏的内容在μ(8 - 12 Hz),害怕一个¯½¯害怕一个½(Hz)年龄在18岁至25岁之间的范围是在这方面检查,因为它揭示了单侧性的信号功率模式在C3和C4 MI的位置特征,表现主题(左与右MI)。特别是,当感觉运动的大脑区域被激活时的想象手运动之间的相互作用对侧的衰减的μ节奏和身体的同侧的中央一个¯增强他们害怕一个½¯½振荡在MI的不同阶段通常可以观察到。这些过程发生由于所谓的神经生理机制eventrelated de-synchronization (ERD)和与事件相关同步(人)。

人的脑电图表现和频带和ERD因学科而异。每个脑电图的eventrelated段试验(最后4 s对应500个样本)分为矩形窗口的设置取决于两个参数:窗口长度和重叠。接下来,frequency-related信息提取每个窗口参数功率谱密度(PSD)方法,该方法采用Yule-Walker算法自回归(AR)模型。脑电图特征计算在每一个时间窗口内的总能量的乐队感兴趣的(调整μ和β)。

这作为一个元素C3 / C4的特征向量x x (1)。

在那里,我是窗户指数(i = 1 . . Nwin)和Nwin windows安装的数量为4 s信号间隔在每个试验。

c。组织培训和反馈

雇佣一个BCI成功,用户必须首先经过几个训练获得控制他们的大脑潜力(波)和最大化不同的大脑状态的分类精度。一般来说,培训开始于一个或两个预定义的心理任务定期重复cue-based模式。在预定义的时间窗口提示后,我们记录大脑信号,用于离线分析。通过这种方式,计算机学会识别

用户的大脑mental-task-related模式。这种学习过程是高度——特定的主题,所以每个用户都必须进行单独训练。学习阶段产生一个分类器,我们可以使用在线分类大脑模式和为用户提供合适的反馈。视觉反馈有一个特别高的影响脑振荡,可以促进或恶化的动态学习过程。

V。软件实现

最成功的算法在BCI是常见的空间模式(CSP)的方法。空间过滤器,使用这种方法计算是基于协方差矩阵的联合对角化两类数据。然而,在标准CSP实现振幅和相位特征的影响没有区别。为了研究相位同步链接任务歧视的范围,因此有必要使用显式依赖相位同步信息的方法。该算法也可以用于两个电动机的分类图像。

空间滤波器的设计

公共空间格局(CSP)算法是非常有用的在计算空间过滤器检测ERD效果和ERD-based bci,和非常良好的多类问题。给定两个分布在一个高维空间,发现方向(即CSP(监督)算法。,spatial filters) that maximize variance for one class and at the same time minimize variance for the other class. After having band pass filtered the EEG signals to the rhythms of interest, high variance reflects a strong rhythm and low variance a weak (or attenuated) rhythm. Let us take the example of discriminating left hand versus right hand imagery. The spatial filter that focuses on the area of the left hand is characterized by a strong motor rhythm during imagination of right hand movements (left hand is in idle state), and by an attenuated motor rhythm during left hand imagination. This criterion is exactly what the CSP algorithm optimizes: maximizing variance for the class of right hand trials and at the same time minimizing variance for left hand trials. Furthermore the CSP algorithm calculates the dual filter that will focus on the area of the right hand in sensor space. The CSP algorithm thus yields a matrix W, that projects a multichannel signal x(t) such that,

W的行表示一组空间过滤器,和一组相关联的空间模式可以从矩阵的列向量

矩阵W和有时也被称为混合de-mixing矩阵,分别或前后模型。因为一个给定信号的方差相当于频带能量,CSP是特别有效的方法识别心理状态以事件相关去同步化/同步ERD / ERS)的影响。考虑两个矩阵维度N_T(ξ1,ξ2),代表数据从两个不同的类,其中N是通道的数量,T是样品和我的数量代表了审判。让C1和C2表示数据的协方差矩阵为每个类试验的平均值。复合空间协方差矩阵然后获得Cc = C1 + C2和Cc可以被分解为Cc = UcAcUTc Uc是矩阵的特征向量和Ac是对角矩阵的特征值。美白的转换

是这样决定的,

考虑到

S1和S2共享一个公共矩阵的特征向量B,这样

和

因此,从A1和A2两个相应的特征值之和总是一个,和S1的最大特征向量与特征值最小的特征值为S2,反之亦然。定义投影矩阵W = BTP审判ξ映射到

,W为一组过滤器,这样的方差Z的第一行我是最大的一个条件,同时最小的(Z的最后一行我亦然)。相似但较弱的属性特征的方差的Z的顶部和底部行吗

b。使用CSP方法的特征提取和分类

特征提取和分类的目的,通常选择少量的过滤器,对应于第一个m和最后一个m行投影矩阵W .对于一个给定的试验,用投影矩阵W的保留行Xi,组成的一个矩阵Z我2 m预计信号。组成的一个特征向量f我的方差值投影信号归一化的总方差保留预测每个试验获得,这样

,zp Z矩阵的甲状旁腺素行是我和p变化从1到2米。日志转换呈现f我的元素的分布正常。从一组训练试验获得的特征向量可以用来估计分类器的参数,如:线性判别分析(LDA)分类器。训练分类器将用于确定类的看不见的试验。计算的方法CSP在脑电图记录精神任务分类,导致了有前景的结果和大量的变异和扩展处理的限制标准算法可以找到。

然而,EEG信号的动力学阶段,也可能导致歧视的任务,没有明确的考虑。因此我们调查这个空间过滤技术的适用性相相互作用在大脑中可能提供额外知识的心理活动和效用可能在BCI系统分类的心理任务。

c。锁相值

PLV是最受欢迎的方法量化同步的水平。近年来,这种方法也被用于BCI系统中任务的歧视。PLV给测量两个信号之间的相位同步的水平。为了获得PLV,首先需要获得信号的相位。两个最受欢迎的方法获取阶段的标量信号由解析信号的方法和小波的方法。这两种方法都知道给非常相似的结果应用于神经系统数据时,分析方法的一个优点是,它可以计算为宽带信号。在我们的例子中我们选择解析信号的方法,分析信号是由,

在那里,s (t)是正在考虑的标量信号,sh (t)是信号的希尔伯特变换,和z (t)是分析信号。瞬时振幅(t)和瞬时相位可以从分析信号计算如下,

两个信号的瞬时相位区别sx (t)和sy (t)可以计算

通过计算PLV,测量两个信号之间的相位锁定的N获得样本,这样的时间间隔,

两个时间序列的相位差异是随机分布的,PLV方法的值为0,而对于信号的相位差是恒定的;测量方法的值1。当一个动态值同步的水平必须建立在单一的试验,PLV措施可以应用在一个移动的窗口给实验PLV (S-PLV),

δ表示前后样品的数量考虑当前时间即时PLV的计算。小值的_提供更好的时间分辨率和更快的计算速度的成本统计决议,因为相比长期发作;短的锁相更容易出现偶然。

d。P-CSP算法:

CSP收益率的方法一组空间过滤器和空间模式不明确表明是否两个类之间的差异是由于振幅的变化,变化在互动阶段,或两者的结合。为了调查哪些阶段交互最重要的歧视心理任务,这种方法利用CSP的框架来确定空间过滤器歧视心理任务基于相位同步信息是必要的。算法考虑这个应用程序是一个有用的工具对于精神的分类任务,并给出了空间模式,强调这些阶段交互相关的歧视心理任务。我们结合的方法结合了S-PLV测量和CSP框架,给的一个实现CSP完全基于相位信息的方法。首先,每一对EEG信号的相位差是计算每个通道,从这些S-PLV一对。然后编码相位信息的载波信号调幅的计算S-PLV和相位调制信号的相位差测量在每个窗口。因此,对于每个通道,信号捕获阶段同步信息,,

在上面的表达式中,代表平均相位差计算整个S-PLV (t)移动时间窗和fc载波信号的频率。的信号,然后使用结果集作为输入对CSP的方法。这个灯是为了获得一组进行信号与CSP适合进一步处理算法。通过CSP方法,一组过滤器,区分两类脑电图数据仅相位同步信息的基础上。我们将把这个过程称为分阶段CSP (P-CSP)的方法。

e。比较各种BCI系统

CSP算法已被证明是非常成功的在确定空间滤波器提取歧视脑节奏。但是性能会当脑节奏歧视性重叠的频率范围影响。此外,我们注意到,相交互中突出显示的空间模式从方法P-CSP不能显式地使用标准的CSP获得实现。事实上的标准CSP实现只分配各个不同空间位置权重。这可以创建一个模棱两可的生理的解释产生的空间模式,因为可能表现为增加信号功率在一个特定的位置可能实际上相位的变化相互作用的结果。另一方面,PCSP方法侧重于渠道之间的相位同步和不受信号振幅的变化。P-CSP算法还考虑了角两个信号之间的相位锁定,而不仅仅是一个绝对值水平阶段同步一样PLV的评估标准。考虑作为一个例子两个信号,表现出高水平的锁相两类数据,但是数据的两个类的特点是不同的两个信号之间的相位偏移。在这种情况下,PLV将产生相同的值的标准方法对两类自该方法只考虑两个信号之间的相位同步的绝对水平。另一方面,生成提出相位同步信号和应用CSP在这些方法可以产生两组数据的信号。

另一种方法来测量大脑活动和实现BCI是磁共振影像(MRI)。MRI是一个巨大的、复杂的设备。它产生的高分辨率图像的大脑活动,但它不能作为永久性或半永久性的BCI的一部分。研究人员用它来获得某些大脑功能或基准地图在大脑电极应放置来衡量一个特定的函数。

VI.FUTURE方向

多年来,一个成年人的大脑被认为是一个静态的器官。当我们是一个不断成长,学习,我们的大脑形状本身和适应新的经历,但最终落定成一种不变的状态,左右了流行的理论。研究人员现在证明,大脑实际上即使步入老年。这个概念被称为皮层可塑性,意味着“大脑能够以惊人的方式适应新环境”。学习新事物或参与新的活动形式新神经元之间的联系,减少发病agerelated神经问题。如果一个成年人遭受脑损伤,大脑的其他部分能够接管残损部分的功能。在植入物的情况下,这意味着大脑可以容纳这个看似外国入侵和开发新的连接将大脑植入作为自然的一部分。brain-actuated机器人使用BCI,快速决策是至关重要的。从这个意义上讲,brain-actuated设备的实时控制,特别是机器人和neuro-prostheses,是最具挑战性的BCI的应用程序。我们仍然需要提高BCI的健壮性使它更加实用和可靠的技术。

VI.CONCLUSION

摘要脑机接口(BCI),这是一个跨学科的领域,将生物医学知识对大脑生理心理任务使用有效的计算技术歧视,。使用这样一个有价值的技术实现智能、思维控制,机器人康复也介绍了。对于这个应用程序使用CSSP算法发现意义重大,因为它克服了限制发布的CSP, BCI最成功的算法之一。在上面的需求增加的事件提出了智能系统,它给我巨大的快乐和满足通过本文共享一个这样的应用程序。期待我最后一年的项目将会揭示实际困难,通过其实现更多的信息。

引用

2008年IEEE国际会议系统,人与控制论(SMC 2008)

特文特大学脑-机接口的智能SystemsAnton Nijholt Desney Tan,微软研究院

设计一个健壮的二型模糊逻辑Classifierfor非平稳系统与应用程序在脑-计算机接口Pawel赫尔曼,Girijesh普拉萨德和托马斯·马丁McGinnity智能系统研究中心,学校的计算和智能系统,

一种算法对人脑计算机接口由欧文Falzon和肯尼斯•相位同步的空间模式。卡米尔马耳他