基于 SSVEP 的脑机接口轮椅控制系统
提出了一个简单的自适应集成分类系统来处理 SSVEP-BCI-AR 应用中的个体间变异性,并评估了在带有头部旋转的应用中我们的集成算法的性能。在多个受试者上进行的测试在 PC 上达到了平均 80% 的准确率,并且在 HoloLens AR 耳机上达到了 77% 的准确率,均超过了前期研究中采用个体分类器和头部运动的结果。此外,我们的视觉刺激时间相对较短,为 5 秒,并表明我们的集成分类方法在 SSVEP-BCI 中表现优于个体分类器。
Aug, 2023
采用先前任务学习得到的先验知识,我们提出了一种串联的前两名 Thompson 抽样算法 (Sequential Top-two Thompson Sampling, STTS),将广义多臂老虎机中的最佳臂序列问题视为一系列任务。这种算法取得了实质性的实验性改进。
May, 2023
脑机接口(BCIs)提供了从大脑到外部设备的直接路径,具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号,提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验,证明了所提出的联合学习过程在学习效率和效果上的优势。
Aug, 2023
通过基于肌肉想象的脑机接口数据集,我们观察到运动相关皮质电位的标定和控制任务之间存在较大差异,并且展示了一个基于标定数据训练的 CSP 机器学习模型,对脑机接口控制的驾驶数据进行了出人意料的准确预测。
Mar, 2024
本文介绍一种基于深度学习的脑机接口技术,通过使用多组数据进行训练,实现了一定的性能,同时通过迁移学习,使得该技术能够用于不同用户,从而解决了目前脑机接口技术中需要耗费大量数据搜集的问题,该技术有望提高脑机接口技术的临床应用性和可行性。
Jan, 2023
提出了一种基于深度神经网络的 MI-EEG 分类方法,采用联合卷积循环神经网络同时学习低维稠密嵌入的强鲁棒高级特征,消除多种伪迹。实验证明,该方法在 MI-EEG 数据集上的分类精度达到了 95.53%,并应用于具体的 BCI 系统中,实现了打字操作。
Sep, 2017
研究使用 Transformer 结构的深度学习模型,命名为 SSVEPformer,应用于 SSVEP 分类任务的首个应用,结果表明该模型能够在跨受试者情况下提高分类准确性和信息传输速率,成为缓解 SSVEP BCI 系统实际应用中校准程序的潜在模型。
Oct, 2022
本文介绍了脑机接口(BCI)的最新研究,并探讨了通过 Facebook Reality Lab 和加州大学旧金山分校的直接将人类语音从人脑解码为数字屏幕输出的方法,以及以 BMI 为基础的控制人脑的远景项目。通过实验 Emotiv Epoc+ Neuroheadset,利用两个监督学习分类器,朴素贝叶斯和线性回归,识别情绪参数,研究表明该设备及其关联应用在神经技术研究中的准确性与能力。非侵入性,可植入和低成本的脑机接口方法不仅是肢体瘫痪患者的替代品,还有助于理解大脑,为我们开启接近记忆和大脑控制的大门。
Jun, 2022