导读:本文包含了脑机接口系统论文开题报告文献综述及选题提纲参考文献，主要关键词:闭环脑机接口,解码器,长短期记忆网络,无模型控制
脑机接口系统论文文献综述
潘红光,张奇,米文毓,马彪[1]（2019）在《基于长短期记忆网络的解码器设计及闭环脑机接口系统构建》一文中研究指出随着脑机接口技术的发展,该技术在残疾人肢体功能恢复等方面应用越来越广泛。首先,在简介经典单关节信息传输模型基础上,设计并训练基于长短期记忆网络的解码器,代替原有脊椎电路通路将大脑信号传递给假肢;其次,为了在感觉反馈通路缺失时,仍能准确地恢复肢体运动功能,结合基于无模型控制策略设计的辅助控制器,构建闭环脑机接口系统,实现恢复关节活动障碍者缺失的感觉反馈通路从而实现跟踪期望轨迹的目的。由仿真可知,基于长短期记忆网络设计的解码器的离线解码效果良好。构建的闭环脑机接口系统对期望轨迹的跟踪以及缺失信息通路的恢复的结果验证了无模型控制辅助控制器良好的控制性能以及构建的闭环脑机接口系统的有效性。(本文来源于《西安科技大学学报》期刊2019年06期）
[2]（2019）在《脑机接口系统，能否梦想成真？》一文中研究指出人脑植入芯片的研发源自Neuralink公司,它致力于神经技术研究,开发的产品相关传说中的BMI脑机接口,通俗地说,就是把人脑和芯片连接起来。这家公司属于现代版钢铁侠马斯克的企业,按照他本人的说法,短期内公司要解决的是一些人类疾病或医疗相关的问题,而终极(本文来源于《电脑报》期刊2019-11-04）
翟文文,杨玉娜,鲁守银,高诺[3]（2019）在《上肢康复训练机器人的脑机接口系统研究》一文中研究指出脑机接口(brain-computer interface,BCI)可以把大脑皮层的电活动信号转化为机器语言直接控制外界设备。本研究提出一种基于稳态视觉诱发电位(steady state visual evoked potential,SSVEP)与Alpha波混合的脑机接口上肢康复训练机器人系统。本系统通过检测使用者枕部脑电信号Alpha波的阻断现象来切换空闲与工作状态,采用典型相关分析算法区分不同频率的SSVEP信号。利用该脑机接口系统,用户可以自主控制上肢康复训练机器人进行上肢康复训练,包括训练动作与训练时间。在线实验结果验证了本研究提出的异步脑机接口上肢康复训练机器人的可行性与有效性,该系统分析速度快且分析准确率高,为异步脑机接口的实现与应用提供了良好的理论与实践基础。(本文来源于《生物医学工程研究》期刊2019年03期）
刘朝旭,王明浩,郭哲俊,王晓林,刘景全[4]（2019）在《面向植入式脑机接口系统的微型化设计》一文中研究指出研制了一种微型化、高质量、低成本的,面向植入式神经信号采集的便携式脑机接口系统。系统主要包括前端的神经信号采集模块、信号转换模块、控制器模块、数据传输模块和电源管理模块。此外,使用上位机实现了实时数据流接收和可视化的图形界面。实验结果表明:设计的16通道的脑机接口的单通道采样频率可高达20 kHz,采样精度为16位,系统输入噪声低至7μV,与主流采集设备的性能接近。系统满足植入式脑机接口对于多通道、高采样率、高精度、低噪声神经信号采集的要求。(本文来源于《传感器与微系统》期刊2019年09期）
刘园园,昕葳[5]（2019）在《Neuralink脑机接口系统或将在2020年进行人体实验》一文中研究指出7月17日，马斯克创立的Neuralink公司发布了一款脑机接口系统。近日，Neuralink在旧金山举行新闻发布会，宣布脑机接口系统已经在猴子身上进行实验，让猴子能用大脑来控制电脑。马斯克还表示，希望能够通过这种技术为更多疾病患者“续命”。简单(本文来源于《中国航空报》期刊2019-09-05）
刘园园[6]（2019）在《马斯克发布脑机接口系统》一文中研究指出“科学狂人”埃隆·马斯克总能冷不丁地搞个大新闻。北京时间7月17日，马斯克创立的Neuralink公司发布了一款脑机接口系统。这款充满黑科技味道的设备，立马引发人们对科幻场景的脱缰想象：黑客帝国要来了？硬件平台确实可圈可点简(本文来源于《科技日报》期刊2019-07-19）
吴林彦[7]（2019）在《一种脑—机接口与下肢功能性电刺激联合系统的研究》一文中研究指出脑卒中是致使老年人瘫痪的最主要诱因之一,目前随着脑卒中发病率的增加,各国都面临着瘫痪人数增多的问题,而通过功能性电刺激设备进行康复训练可以有效缓解患者的瘫痪程度。目前研究表明功能性电刺激对瘫痪患者的康复有着积极作用,已被广泛应用于康复训练中。但是基于功能性电刺激设备的康复训练是一种被动康复训练方式,瘫痪病人的患肢只能在电刺激下被动的进行康复训练,研究表明这种方式不能很好地挖掘患者的恢复能力,在康复效果上还有待改善。新兴的脑-机接口系统可以通过脑电信号控制具体的康复设备,这种方式是可以由受试者主动控制的。因此目前提出了基于脑-机接口的功能性电刺激系统以进行主动式康复训练,为瘫痪病人的康复提供了新的方法。本文设计了一种脑-机接口与下肢功能性电刺激的联合系统,通过该系统可以实现患者对下肢的主动康复训练。本文分别从脑电信号的处理算法设计、脑-机接口与下肢功能性电刺激联合系统软硬件设计两部分对联合系统进行了实现,并通过设计实验对系统进行了验证。首先,本系统中的脑电信号处理分为运动想象脑电信号处理和稳态视觉诱发电位脑电信号处理两部分。对于运动想象脑电信号处理本文提出了一种基于多重经验模态分解方式提取脑电特征,基于共空间模式优化特征维数,基于序列浮动前项选择选取合适特征的方法处理运动想象脑电信号的算法。同时本文选用典型相关分析方法分析稳态视觉诱发电位脑电信号。其次,联合系统硬件设计完成了对功能性电刺激设备的选型,并采用红外编码的方式实现电刺激设备与电脑的通讯。联合系统软件设计方面完成了对联合系统界面的设计,受试者在使用系统时可以通过注视界面完成后续的康复动作。最后,通过设计两类实验对脑-机接口与功能性电刺激的联合系统进行了验证。离线实验部分采用网上的共享数据库,同时也自行设计了离线实验的范式,并对本文提出的脑电信号处理算法进行了验证。在线实验部分设计了实验流程,并对脑-机接口与下肢功能性电刺激联合系统的有效性进行了验证。通过以上两个部分的设计,本文设计搭建了一个脑-机接口与下肢功能性电刺激的联合系统。通过该系统可以使受试者通过注视频闪随意控制电刺激设备的开关,并可以使得受试者根据系统界面显示的方向想象同侧运动以控制电刺激设备对踝关节功能进行康复训练。同时该系统还可以根据受试者的性别和年龄自动为其匹配最适合的电刺激参数。实验数据表明,本文提出的脑电信号处理算法在离线处理运动想象脑电信号数据时的分类正确率可以达到85.36%,相较于其他脑电处理算法分类正确率较高。同时经实验验证,本文设计的脑-机接口与下肢功能性电刺激联合系统对受试者的下肢功能可以起到恢复作用。(本文来源于《山东建筑大学》期刊2019-06-01）
翟文文[8]（2019）在《上肢康复训练机器人的脑机接口系统研究》一文中研究指出脑-机接口(Brain-computer interface,BCI)可以把大脑皮层的电活动信号转变为计算机或其他机器语言直接控制外界设备,不依赖于外围神经系统和肌肉组织。严重运动残疾的病人(脑卒中、脊髓损伤等)可以通过BCI与外界事物进行交流,让这些运动困难而脑功能正常的患者可以独立控制外界设备,提高生活质量。传统的BCI通常是只用单一的控制信号,难以满足实际操作要求。研究表明,混合BCI相比传统BCI性能要好,如识别正确率、信息传输速率等均有提高。如今,结合多种不同类型脑电的混合BCI已经成了脑机发展的主要方向之一。虽然近些年脑机接口获得了丰硕的成果,但是基于脑机接口的康复机器人应用还存在识别时间长,用户很难自主的控制康复训练的节奏并且多类识别率不高等一系列问题。因此本文提出了一套基于稳态视觉诱发电位(Steady State Visual Evoked Potential,SSVEP)与Alpha波混合BCI的上肢康复训练机器人系统,做了以下叁个方面工作:1)将Alpha波与SSVEP信号相结合,实现系统的异步控制。SSVEP与Alpha都属于节律明显、信噪比较高的信号,两种不同类型的信号特征相结合实现控制上肢康复训练机器人的可行性。本系统利用Alpha波的阻断现象来转换空闲/工作状态;通过对SSVEP信号进行分析得到上肢康复训练机器人的控制命令,并且设计了多线程并发的上位机软件,保证了系统的实时性,提高了混合BCI的性能。2)SSVEP以及Alpha波信号的分析处理问题,它是系统成功控制上肢康复机器人的最重要的环节。本文先用独立成分分析(ICA)对脑电信号(Electroencephalography,EEG)预处理,然后对EEG进行特征提取与分类。重点介绍了对SSVEP信号进行频率识别的方法分别是:典型相关分析(CCA),多变量同步指数(MSI)与总体任务相关成分分析(总体TRCA)。从数据长度与通道数量两个性能指标出发设计离线实验,比较叁种算法的性能特点,从中找出最适合的算法应用到本系统中,提高系统的稳定性。3)异步脑机接口上肢康复训练机器人的在线实验验证。本文最后设计在线实验证明,本系统在分析用户的脑电信号方面有较高的准确性(准确率>93%),并且用时较短。被试者可以按照自己的节奏控制基于混合脑机接口的上肢康复训练机器人系统,根据自己的节奏控制训练动作与训练时间,为异步脑机接口的发展与应用提供了良好的理论与实践基础。(本文来源于《山东建筑大学》期刊2019-06-01）
赵泽宇[9]（2019）在《基于卷积神经网络的运动想象脑机接口系统算法研究》一文中研究指出脑机接口(Brain Computer Interface,BCI)是一种全新的大脑与计算机连通的系统,具有改变人机交互方式的潜在价值。脑机接口近年来的发展趋势呈现指数增长:2002年,人们能够通过BCI系统发送每分钟2比特的数据到计算机;四年后上升到40比特,也就是每分钟能传送5个字母,在2019年Nature发表的一篇文章中表示人们通过BCI系统已实现每分钟传送25个字母到计算机。在2002年美国国家科学基金会和美国商务部发表的报告《强化人类的技术汇总》中提到:类似脑机接口技术“可以作为讲话的补充,当需要最大限度提高意识交流效率的时候甚至取代谈话”。当脑机接口系统让计算机比声带更快的沟通思想,人与人之间的交流速度超过人脑思维本身的时候,就必须用人工智能对于人脑进行交流辅助。中国在“十叁五”提出将“脑科学和类脑研究”列入国家重大科技创新和工程项目,中科院于2019年初成立了由20个院所的80多个实验室组成的脑科学和智能技术卓越创新中心。当前采集头皮脑电图(Electroencephalogram,EEG)信号的无创BCI系统得到广泛的应用,EEG信号只需将电极与头皮接触而无需把电极植入大脑,这种方式在对人安全、成本相对较低的情况下具有一定的信息传输速率,且比较接近理想中简单、便携的BCI。而采集EEG信号的无创BCI系统较为常用的通信方式就是运动想象。经由运动想象任务,激发大脑运动皮层脑电节律变动获取的脑电信号,作为基于运动想象的BCI系统研究的理论依据。但由于脑电信号的信噪比低、特征维度高,使得脑机接口的分类准确率很难提高,因此有效的脑电信号特征提取和分类方法成为研究热点。本文主要基于卷积神经网络(Convolutional Neural Network,CNN)对运动想象的BCI系统算法进行了系统的探究,主要围绕EEG信号的信号处理算法(包括预处理、特征提取和分类识别)等内容进行研究,创新性地提出了用PyTorch搭建11层CNN框架并和其他信号处理方法相结合的系统算法,利用第四届脑机接口国际竞赛数据库中的1组数据集来证明本文提出这一系统算法的可行性,最后实验分类结果达到95%,证明了该算法的创新可行性。本文的研究对象是左右手运动想象产生的EEG信号,具体信号处理框架如下:在预处理部分用LMS自适应滤波算法滤波、用主成分分析(Principal components analysis,PCA)和快速独立成分分析(Fast Independent Component Analysis,FastICA)两者降维并比较择优,特征提取部分用PyTorch搭建11层卷积神经网络模型(CNN)提取脑电信号的主要特征,分类识别部分用梯度Boosting算法(GB)(95%)和贝叶斯线性判别分析(Bayesian Linear Discriminant Analysis,BLDA)(90%)再次进行分类并比较择优。同时,用BCI竞赛数据库Ⅳ中的数据集1来训练11层CNN模型以优化CNN的结构和参数,并与另外叁种传统分类方法作比较证明CNN对脑电信号分类的优势;然后,用PCA+CNN+GB联合分类与CNN(86%)、CNN+PCA(90%)、CNN+GB(91%)叁种方法作比较证明在CNN基础上同时加上预处理(PCA)和分类识别(GB)联合分类效果最好;最后,将自己采集的脑电信号应用于PCA+CNN+GB联合分类的算法中,证明该方法的实际可行性。实验结果表明,先用LMS自适应滤波和PCA对信号作预处理,再用Pytorch搭建CNN和GB算法相结合的脑电信号识别方法,能够得到最好的分类结果。而且PyTorch框架结构简单、运算速度较快,很适合训练CNN模型,证实了本文的创新性以及所用算法对脑电信号识别的有用性。(本文来源于《山东师范大学》期刊2019-05-30）
刘鹏[10]（2019）在《便携式运动想像脑机接口系统设计》一文中研究指出运动想像脑机接口(Motor Imagery-based Brain Computer Interface,MI-BCI)技术在运动控制、神经康复和特种工业环境下的智能作业等领域有着巨大的应用价值。MI-BCI技术由于其涉及到的神经机制与运动密切相关,因此在提升患者的运动控制能力、脑区信息处理效率以及脑瘫痪康复训练中能发挥重要作用。国内外许多研究团队均研发出了能够实时输出控制命令的在线MI-BCI系统,但是由于受脑电(Electroencephalogram,EEG)采集技术限制,便携性差,操作繁琐等因素的影响,大部分MI-BCI系统仍停留在实验室阶段。近年来,基于FPGA和ARM的便携式平台处理器性能有了很大的提升,其算法处理和运算速度都有革命性的突破,可以应对大部分BCI系统中的运算任务,为了促进MI-BCI技术的实用性发展,本文研发了一种便携式MI-BCI系统,系统采用FPGA和ARM相结合的多核异构处理器作为核心控制器,运行ARM Linux移动平台操作系统,实现了2类MI任务的实时控制和分类结果反馈,该系统操作简便,体积小,可以与外骨骼机器人和电控轮椅等康复训练辅助设备配合使用,能够提升患者的生活质量并进行康复训练。本系统主要工作包括便携式系统搭建、MI算法移植以及MI-BCI系统应用程序开发叁大部分。其中便携式系统搭建包括了基于FPGA的ADC控制器、IIR滤波器和FIFO存储器的实现以及数据读取设备驱动程序设计;MI算法移植部分主要完成了基于~2的特异性频带确定算法、共空间模式(Common Spatial Patterns,CSP)空间滤波器算法和线性判别式分析(Linear Discriminant Analysis,LDA)算法的C++移植。MI-BCI系统应用程序包含了EEG信号显示程序和MI-BCI交互程序两部分,实现了EEG信号采集与显示、任务提示与反馈、训练任务参数估计和测试任务实时分类反馈等功能。最后,为了测试该系统能否正常工作,对系统的FPGA数据采集、EEG信号显示、IIR滤波、MI算法以及系统整体功能进行了测试,通过15名受试者进行MI-BCI实验测试得到本系统的平均准确率为80.6%,测试结果表明,本系统能够达到现有的基于PC平台的系统同等水平的准确率,满足现有的应用需求。(本文来源于《电子科技大学》期刊2019-04-20）
脑机接口系统论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
人脑植入芯片的研发源自Neuralink公司,它致力于神经技术研究,开发的产品相关传说中的BMI脑机接口,通俗地说,就是把人脑和芯片连接起来。这家公司属于现代版钢铁侠马斯克的企业,按照他本人的说法,短期内公司要解决的是一些人类疾病或医疗相关的问题,而终极
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
脑机接口系统论文参考文献
[1].潘红光,张奇,米文毓,马彪.基于长短期记忆网络的解码器设计及闭环脑机接口系统构建[J].西安科技大学学报.2019
[2]..脑机接口系统，能否梦想成真？[N].电脑报.2019
[3].翟文文,杨玉娜,鲁守银,高诺.上肢康复训练机器人的脑机接口系统研究[J].生物医学工程研究.2019
[4].刘朝旭,王明浩,郭哲俊,王晓林,刘景全.面向植入式脑机接口系统的微型化设计[J].传感器与微系统.2019
[5].刘园园,昕葳.Neuralink脑机接口系统或将在2020年进行人体实验[N].中国航空报.2019
[6].刘园园.马斯克发布脑机接口系统[N].科技日报.2019
[7].吴林彦.一种脑—机接口与下肢功能性电刺激联合系统的研究[D].山东建筑大学.2019
[8].翟文文.上肢康复训练机器人的脑机接口系统研究[D].山东建筑大学.2019
[9].赵泽宇.基于卷积神经网络的运动想象脑机接口系统算法研究[D].山东师范大学.2019
[10].刘鹏.便携式运动想像脑机接口系统设计[D].电子科技大学.2019