[01391720]增强型混合异步脑机接口模拟驾驶及驾驶疲劳脑功能网络研究

本项目开展了混合脑机接口模拟驾驶及驾驶疲劳脑功能网络研究,取了一系列相关研究成果,具体为： 第一：混合脑机接口模拟驾驶： 提出了一种基于左手、右手、双手的多类运动想象神经解码模型,通过多类运动想象空间解码,从脑电信号中成功解码出多类控制指令,并应用于多自由度虚拟车控制,成果发表在《Medical ＆ Biological Engineering ＆ Computing》。针对事件相关电位,利用BCI competition III Data set II数据集,组成数据集和测试集。采用去噪自编码初始化神经网络,实验结果表明：降噪自编码初始化性能优越,迭代2500次训练出来的神经网络模型受试者A和受试者B取得的分类准确率平均为97.2%,结果优于比赛第一名96.5%,为事件相关电位脑电信号提供了一种深度学习分析方法,成果发表在《控制理论与应用》。进一步利用对抗生成网络实现了P300样本的扩展,解决了事件相关电位的小样本和样本不平衡问题。进一步提出了一种多尺度卷积神经网络,将采用公开数据训练得到一个事件相关电位脑电信号识别通用模型,实现了跨受试者P300识别;进一步利用特定受试者训练样本,通过迁移学习调整通用模型,得到面向受试者的P300识别的特定模型。上述算法在2019世界机器人大会-BCI脑控机器人大赛中,获 P300（顶叶脑机组）冠军（一等奖）。 第二：驾驶疲劳脑功能网络 设计了基于功率谱估计和样本熵估计两种方法的驾驶疲劳评估指标,获得了上述疲劳指标与反应时间的相关关系,为在线驾驶疲劳预警提供了一种可靠的方法;进一步融合样本熵、近似熵、频谱熵特征提取的清醒与疲劳状态分类,准确率高达90%以上,成为有效的方法,成果发表在《IEEE Access》;比较了三个回归模型和三个时间窗,证明其对疲劳估计性能的影响,提出了动态时间规划作为评价疲劳性能的新方法,成果发表在《IEEE Transactions on Cognitive and Developmental Systems》。进一步研究了动态网络参数,讨论了平均聚类系数（C）和特征路径长度（L）与驾驶疲劳状态的关系,成果发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》,入选热点论文（Featured Article）,创新性提出将时间引入脑功能网络研究,实现了基于动态脑功能网络的情绪识别分析成果发表在《IEEE Access》;分析了驾驶人行为特征与脑电清醒与疲劳的相关性,实现了多子频带下脑功能重要连接及网络属性特征作为分类指标,清醒状态和疲劳状态的分类精度为96.76%,研究表明,大脑在由清醒状态转变向疲劳状态时,它的脑功能网络结构为了应对大脑功能的下降,拓扑结构产生了重组。表现为大脑功能连接普遍减弱的情况向,疲劳相关的区域连接有所增强,而其它区域的连接则减弱,成果发表在《IEEE Transactions on Cognitive and Developmental Systems》。 第三,脑电采集系统设计 设计了16通道采集脑电信号的装置,可以并行扩展为32通道。该采集装置是以TI的ADS1299模拟前端芯片为核心,可完成带宽为 DC 0.01Hz～500Hz的信号采集,ST的STM32F103CBT6单片机为控制单元构成。模拟前端采集通过电极传导的脑电信号,ADC转换后经过STM32处理,并且通过串口,借着无线通信模块上传数据到PC上位机,从而实现对脑电信号的采集与实时显示。此外,本系统也具备采集肌肉电信号的硬件条件,系统整体上具有结构精简、实时性良好的特点,获得多项知识产权,具备市场应用前景。 项目获得的知识产权与广东海信宽带科技有限公司、武汉智普天创科技有限公司等进行产学研合作,取得良好经济效益。产品涉及脑电信号采集系统、分析软件、面向用户的脑机接口定制系统等。