[01156658]基于动态网络与机器学习的非侵入式脑控关键技术研究

本项目深入研究如何利用EEG信号来有效地构建具有特征性的多层复杂脑网络,并将其用于对大脑活动的模式识别,从而能够揭示人脑活动的规律,并实现人脑控制机器及外围设备。项目合同规定主要研究内容及目标如下：（1）有效识别大脑意识：本研究以识别大脑意识为首要目标。（2）实现EEG实时在线处理：本研究拟采用数据采样及分段压缩模型来对EEG数据进行快速处理。 （3）构建动态脑网络进行稳定识别： 提高EEG识别的稳定性并发现大脑活动规律是本研究的主要目标及内容之一。 本研究在上述三个方面开展深入研究,并取得了一定成果。完成内容总结如下： （1）有效识别大脑意识: 本项目开展了对基于动态网络与机器学习的非侵入式脑控技术在安全驾驶应用上的研究。基于非侵入式脑控技术的安全驾驶应用通过自调节动态时间依赖性方法来分析驾驶员的EEG数据。本项目在研究过程中提出的模型,即SEGAPA,结合了检测驾驶员状态的时间窗口移动方法和集群概率分布。初步实验结果表明我们提出的模型具有较高的的效率。 （2）实现EEG实时在线处理：在这个过程中,我们将数据采用NDA/PDA（类正态/类泊松）方法进行EEG数据预处理,这个方法能满足动态实时的数据处理的要求。同时,本研究中提出了一个混合模型即基于Piecewise Linear Approximation（PLA）的EEG数据压缩方法来加快EEG实时在线处理。 （3）构建动态脑网络进行稳定识别：本研究进一步提出了区域划分性的EEG区域协助模型,利用多智能体（multi-agents）的自主性、智能性、交互性来实现动态智能体模型在的非侵入EEG识别的应用,具体实现方案如图1所示。同时,本研究进一步开展了基于动态网络与机器学习的非侵入式脑控关键技术的研究,即通过最新的机器学习方法（图卷积、频繁模式FP增长树、图像识别VGG16等方法）对EEG进行识别。