视觉追踪脑机接口
针对运动失能的残疾人,本文提出了一种基于 SSVEP 的脑机接口技术并应用于电动轮椅控制,使用 Butterworth 和 FFT 算法处理 EEG 信号并采用谐波分类法,实验结果表明该系统易于操作且可实现最少 1 秒的延迟,具有未来推广应用的巨大潜力。
Jul, 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
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
本文介绍了一种基于仿生学模型的视觉跟踪方法,该方法模拟大脑视皮层的视觉认知机制,采用浅层神经元和高级学习机制,加速了实时学习和检测,实验证明该方法具有较高的效率、精度和鲁棒性。
Apr, 2019
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
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
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
本文提出了级联和并行卷积循环神经网络,以有效学习 EEG 数据流的组合时空表示。通过转换 EEG 数据流,将其转换成 2D 网格结构以及使用 LSTM 循环神经网络来提取 EEG 数据流的微妙时序依赖性。在大规模 MI-EEG 数据集上进行了广泛的实验,证明了该方法在准确性方面具有高达 98.3%的优越性,相对于基线方法和大多数最新的深度学习 EEG 识别模型,有着 18%的准确率提升。
Aug, 2017