脑机接口(BMI)是一项新的、具有挑战性的工程和神经科学技术,旨在通过绘制、辅助、增强或修复人类认知或感觉运动过程,提供从大脑到外部世界的通道。
最近出现了许多计算智能方法,如深度学习和迁移学习。深度学习方法在图像和视频分析、自然语言处理和语音识别方面取得了很大的成功。
尽管用于研究脑机接口的计算智能方法越来越流行,但许多基本问题仍然没有解决,例如从各种模式对基于EEG的BMI数据进行深度学习,从一种模式到另一种模式的数据映射,以完成跨源BMI数据分析,以及识别和利用来自各种来源的元素之间的关系。
由乔治亚理工大学人类中心界面和工程研究中心领导的最新研究开发了一个BMI系统,该系统使用神经网络分析可操作机械臂或轮椅的EEG数据,允许人们通过一个比以前的系统更舒适的检测系统,仅仅通过视觉化运动来控制视频游戏。
该技术包括一个软无线头皮电子设备,该设备通过脑电图(EEG)读取并将人脑中的神经脉冲转换为动作。该团队开发了软头皮电子设备(SSE),一种可穿戴的无线脑电图(EEG)设备,用于读取人类脑波。
软头皮电子产品(SSE)由三个便携式无线主要组件组成:
一种轻巧、灵活的电路。
激光加工的可拉伸柔性互连。
安装在多毛头皮上的许多柔性微针电极。
与传统EEG设备不同,传统EEG设备使用刚性电极通过凝胶或膏体连接到皮肤上,SSE使用多个微针电极置于柔性头带中,使其易于设置和长期使用。该设备的电子设备(包括蓝牙控制器的无线链路)构建在柔性基板上。该设备记录由运动想象(MI)产生的EEG信号,其中用户想象移动他们的手或脚;数据由卷积神经网络(CNN)处理,并用于操作虚拟现实(VR)视频游戏。
与传统电极相比,SSE传感器采用微针穿透头皮的干燥和死皮细胞,并采用灵活的结构以适应佩戴者的头部,减少相对运动并获得更高的信噪比。微针分为六组,每组约6mmx6mm的正方形,与传统电极相比,具有更高的空间分辨率。
尽管如此,苏格兰和南方能源公司仍存在很大的局限性。研究人员必须不断提高设备质量以获得更好的发现,因为他们监测皮肤、颅骨和组织上的脉冲。同时,他们必须继续改进数据分析以提高准确性。
研究人员训练了一个CNN模型,当用户想象执行一个动作以利用SSE小工具作为控制器时,对传感器收集的信号进行分类。该模型在测试数据上的准确率达到93%,优于早期研究中报告的类似系统。
参与评论
登录后参与讨论 0/1000