《毕业设计（论文）基于视觉注意的脑机接口系统的研制.doc》由会员分享，可在线阅读，更多相关《毕业设计（论文）基于视觉注意的脑机接口系统的研制.doc（31页珍藏版）》请在三一办公上搜索。
1、本科毕业设计（论文）题目： 基于视觉注意的脑-机接口系统的研制 院（系） 信息科学与工程学院 专 业 通信工程 届 别 2008届 学 号 姓 名 指导老师 2012年05月摘要 本课题主要研究基于非依赖视觉注意的脑-机接口（brain-computer interface, BCI）系统的建构，电脑的显示器中会出现两个会闪烁的方形物体，它们以不同的频率闪烁，代表了左右两个不同的方向。使用者只需要盯着中心十字并注意某个方形块，就可以选中对应方向，从而控制电脑显示器上的小车到达指定位置。实验邀请了3位被测试者共进行了三次试验，他的平均控制正确率有75%。这个研究表明了基于视觉注意的BCI系统所拥
2、有的广泛前景。 关键词 ：脑-机接口，视觉注意，脑电图AbstractThis paper presents a brain-computer interface (BCI) based on the visual attention. Two rectangle flashing flickers modulated at different frequencies were displayed on a computer monitor. The two flickers present two directions left and right respectively. Users c
3、ould select the directions by paying attention to these different buttons. Three subjects were involved in this experiment. The evaluation of the performance of this system showed an average success rate of 75%.This research indicates a great prospects of the visual attention based BCI systems. Key
4、words: Brain-computer interface, visual attention, electronencephalography.目 录第1章 绪论11.1课题的研究意义11.2脑-机接口的结构21.3脑-机接口研究现状31.4课题的安排4第2章 脑-机接口系统的背景知识52.1 脑-机接口系统的采集方式52.3信号的预处理72.4信号的特征提取与分类算法82.4.1典型相关分析92.4.2功率谱估计102.5开发平台10第3章 实验设计113.1系统实现113.2受试者113.3数据获取113.4视觉注意范式选择123.5数据处理12第4章 实验结果及分析154.1实验结
5、果154.2结果分析及讨论15第5章 课题总结与展望185.1课题总结185.2课题展望18参考文献20致谢22附录23翻译23第1章 绪论1.1课题的研究意义脑-机接口（Brain-Computer Interface，BCI）,是一种能让人“心想事成”的技术。100多年前科学家Hans Berger第一次记录了脑电波（Electroencephalography，EEG），人类对大脑的开发从此进入了新的时代5。之后的研究表明，不仅大脑中充满电活动，而且这些脑电波并非杂乱无章。这些电活动和人的精神状态，情绪活动，大脑健康程度都有莫大的关系。学者们据此开发了多种应用，比如大脑的医学检测仪器，测
6、谎仪等。BCI也是其中之一。这是一项涉及医学，神经学，信号检测，信号处理，模式识别等多学科交叉技术。在20世纪70年代Jacques Vidal的研究拉开了BCI的序幕。在1999年，在纽约州Albany的Rensselarville研究所举办的第一届国际BCI技术会议上，Jonathan R. Wolpaw正式给出了BCI系统的定义：“脑-计算机接口(Brain Computer Interface，BCI)是一种不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统。”13说明了BCI系统类似于一种不同于传统的一种新交流方式。在日常生活中，人机交互无处不在，用的最多的恐怕是采用键盘和鼠标来
7、控制电脑，别的交互方式也层出不穷，比如语音控制，触摸控制，重力感应，动态捕捉等，它们越来越多地融入到了我们的身边，但这些交互方式都或多或少要求使用者来活动肌肉。对于正常人来说这再也简单不过了，这也是正常人与外界沟通的方式，大脑控制各个部分的肌肉来传达思想。而有些肌肉以及神经系统损伤的患者，大脑和肌肉脆弱的联系不复存在，大脑的指令无法传递，心有余而力不足。对于这样无法控制自己身体，不能正常动弹的人来说，上述的交互方式多半显得遥不可及。而他们失去的远远不止体验新奇的乐趣。无法与人自如交流，生活也不能自理等，他们的心理以及生理皆承受着常人无法想象痛苦。如果可以从大脑中直接采集指令，不经过肌肉，只需要
8、动下心念，就可以控制身边的设备，对于这些患者而言无疑是一个福音。而且对于正常人来说，类似于用意念来控制物体的交互方式，作为一种新的操作方式，显得非常特别，且充满了新奇，在娱乐方面和日常应用上具有巨大的潜在商业价值。只需思考就可以操作设备，不用物理上的碰触，也非常的方便，很多特殊的工作情况下，可以作为一种新的控制手段。无论是为人提供生活以及操作上的便利还是新颖的娱乐体验，对于整个社会来说有利的，BCI作为人类对自我探究的一部分，在人类的科学研究事业中是不可缺少的一步。随着电脑计算能力的提升，BCI技术在最近的几十年中发展迅速。其中，基于视觉注意的BCI慢慢得到发展，目前已有相关文献对基于视觉注意
9、的BCI 做了一些相关综述。注意是人类的一种高级认知，在幼儿时期，注意帮助幼儿模仿和学习，对于大脑的发育具有重要帮助。常规的基于视觉脑-机接口依赖使用者对目标的选择，而利用注意，则使用者无需使用目光对目标进行选择，取而代之的是对于目标采用注意的方式即可选择目标，因此该系统是一种非依赖性的BCI。该系统对于特定残疾人具有明显的价值。 1.2脑-机接口的结构BCI系统一般都具有信号采集、信号分析和控制器三个功能模块1。如图1.1所示图1.1 功能模块结构2(1)信号采集受试者头部戴一个电极帽,采集EEG信号,并传送给放大器,信号一般需要放大10000倍左右,经过预处理,包括信号的滤波和A /D转换
10、,最后转化为数字信号存储于计算机中。(2)信号分析利用FFT、小波分析等算法,从经过预处理的EEG信号中提取与受试者意图相关的特定特征量。特征量提取后交给分类器进行分类,分类器的输出即作为控制器的输入。(3)控制器将已分类的信号转换为实际的动作,如在显示器上的光标移动、机械手运动、字母输入、轮椅控制、开电视等。有些BCI系统还设置了反馈环节,不仅能让受试者清楚自己思维产生的控制结果,同时还能够帮助受试者根据这个结果来自主调整脑电信号,以达到预期目标。1.3脑-机接口研究现状在VEP中Sutter在1992年设计了一个具有64个符号的系统，采用随机红/绿色交替的刺激方式，使用者的目光注视时其中任
11、何一个将引发VEP信号。另外Middendorf在2000年也开发了基于VEP的BCI系统，该系统中被控制的物体是几个以不同频率闪烁的按钮。他们还利用SSVEP来控制飞行模拟器，拥有96%的准确性。1999年，哈佛大学的Garrett Stanley试图解码猫的丘脑外侧膝状体内的神经元放电信息来重建视觉图像。他们记录了177个神经元的脉冲列，使用滤波的方法重建了向猫播放的八段视频，从重建的结果中可以看到可辨认的物体和场景。2000年为止，Nicolelis的研究组成功实现了一个能够让夜猴操纵一个游戏杆来获取食物时重现其手臂运动的脑-机接口。这个脑-机接口可以实时工作。它也可以通过因特网远程操控
12、机械手臂。不过由于猴子本身不接受来自机械手臂的感觉反馈，这类脑-机接口是开环的。Nicolelis小组后来的工作使用了恒河猴。图1.2 叶猴试验示意图Birbaumer和Neumann等人在2003年利用SCP设计了一个思维翻译器（Thought Translation Device，TTD），实现一些简单的操作功能。奥地利的Graz技术大学对运动想象做了长期的研究，比如让使用者用意念就可以控制机器手，正确率为80%100%。1988年的Farwell和Don chin利用该电位设计了一种基于P300有36个选项的打字系统。该系统的在保持80%准确率的情况下，每分钟可以打出7.8个字符。1.4
13、课题的安排本文主要描述了一个基于视觉注意的BCI系统从设计到实现,并且介绍了视觉注意的实验安排，以及对试验中的数据做出分析和讨论。第一章介绍了课题的现实意义及相关背景知识的介绍。第二章介绍了本系统所采用的知识背景。第三章主要介绍了系统的设计到实现以及实验的安排。第四章主要对在线实验及其结果进行分析，并对其中的发现的问题做出讨论。第五章是对课题研究的总结、心得。第2章 脑-机接口系统的背景知识2.1 脑-机接口系统的采集方式大脑中有100160亿个神经细胞和100万亿个突出等物质构成，神经元之间通过脉冲来传递信号，常见的测量方法是EEG，EEG是通过在大脑的皮肤外边固定上电极来测量脑中的电信号，
14、所检测到的不是单个神经元的电活动，只有当脑中的整体电场到达一定强度后，才能被头皮表面的电极记录到。14这样采集到的脑电信号不仅微弱，而且充满噪音，但是这种方式简单而且价格低廉，实用性强，而且各种优秀的滤波以及处理算法相继问世，使得这种脑信号采集方式在实验室中被广泛应用。除此之外还有大脑皮层电位（Electrocorticogram，ECoG），这种采集脑电信号的方式中，需要将电极植入大脑，直接从皮层中采集信号10。这样的话，脑电信号因为不需要通过头皮的传导，所以无论是信号强度还是信噪比方面都有着不少优势，不过将电极植入大脑，需要外科手术，所以对操作者提出了很高的专业要求，相对前一个方法来说代价
15、高昂。对于人来说，在头皮中植入电极显得难以接受，所以通常使用在动物身上，不过让动物参与到BCI的试验中，会带来很多不便。脑磁图(Magnetoencephalogram，MEG)，能够记录大脑活动的磁场变化，和EEG信号差不多，但是没有EEG便捷。功能磁共振(Functional Magnetic Resonance Imaging，FMRI) 用来测量大脑内部的代谢变换，但是设备过于庞大，花费巨大，同样不适合用于BCI系统。测量脑电的方式还有很多，而EEG是当今实验室中BCI系统通常采用作为输入信号的方式。EEG在头皮表面安放的电极并非杂乱无章，或者随心所欲，有通用的国际准则，以下是10-2
16、0系统3，这些电极通常被固定在专门又来检测EEG的电极帽上，使用时，只需带上电极帽就可，不必挨个安放电极。我们使用的系统中共有64个电极，但不必都使用，在做以SSVEP为标记信号的视觉注意BCI系统实验时，只用到了其中的5个电极，这些电极主要集中在大脑后枕区，后枕骨附近，同时这里也是公认的视觉区域，SSVEP标记所产生的EEG信号主要由这里产生。在头部靠前位置放置接地信号，在头顶有参考电极。图2.1 本系统的EEG布局2.2 EEG模式与视觉注意EEG中可以用来作为控制信号的模式有很多，通常用以下几种模式来构建BCI系统。2(1) P300 (诱发电位)P300是一种事件相关电位( ERP)，
17、在时间相关刺激300400 ms后出现的正电位，主要位于中央皮层区域，其峰值大约出现在时间发生后300 ms，相关事件发生的概率越小，所引起的P300越显著。基于P300的BCI的优点是P300属于内部相应，使用者无需通过训练就可产生P300。 (2)视觉诱发电位(诱发电位)视觉诱发电位是指从视觉通路的不同水平区域记录的不同生物电反应，其诱发刺激可以是荧光、闪光刺激。视觉诱发电位又可以分成短时视觉诱发电位和稳态视觉诱发电位两种。(3)时间相关同步或时间相关去同步电位(自发脑电)单边的肢体运动或想象运动，大脑同侧产生事件相关同步电位( ERS)，大脑对侧产生时间相关去同步电位( ERD)。ERS
18、、ERD是与运动相关的，主要位于感觉运动皮层。(4)皮层慢电位(自发脑电)皮层慢电位也称慢波电位( Slow Cortical Poten2tials，SCPs)，是皮层电位的变化，是脑电信号中从300 ms持续到几秒钟的大的负电位或正电位，能反应皮层和层的兴奋性，个人可以通过生物反馈训练产生这种电位。 (5)自发脑电信号(自发脑电)在不同的知觉意识下，人们脑电中的不同节律呈现出各异的活动状态。这些节律是受不同动作或思想的影响。按照所在频段的不同分类，一般采用希腊字母(、)来表示不同的自发EEG信号节律。比如节律在813 Hz频段，而节律则在1322 Hz频段。12采用以上几种脑电信号作为BC
19、I输入信号，具有各自的特点和局限。P300和视觉诱发电位都属于诱发电位，不需要进行训练，其信号检测和处理方法较简单且正确率高。不足之处是需要额外的刺激装置提供刺激，并且依赖于人的某种知觉(如视觉)。其它几类信号的优点是可以不依赖外部刺激就可以产生，但需要大量的特殊训练。本系统所采用的视觉注意模式是属于非依赖性的。2.3信号的预处理由EEG采集得到的信号并非大脑的原始信号，而是迭加了一系列噪声的信号。如图2.2所示，假设使用者执行特定的任务范式，大脑信号便携带了含有特定脑电节律的信息。这些携带有效信息的信号首先是淹没在大脑活动背景信息当中，接下来一些诸如眼动、肌肉运动、咀嚼等的生理性噪声添加到了
20、信号中，最后又有环境噪声的干扰。这个过程使得从原本就微弱的脑电信号中提取有效信息的任务变的更加复杂。因此，在对脑电节律信号进行分析之前，对信号进行预处理以去除无用的信息是非常有必要的。常用的预处理方法有独立分量分析、非线性滤波、直接相减、自适应干扰消除等。6 总的来说，有根据生物学原理直接提取特征值最为集中的频率，使用高通，低通等各种基于频率响应的滤波器，保留主要频率滤除不需要的干扰。或者直接在大脑的相关区域经行检测，对于SSVEP来说，将电极集中在大脑的后枕骨附近，可以取得相对较好的信号。还有通过数学的统计方法，比如固定权重的空间滤波器。还有具有学习功能基于系统分析的算法，独立成分分析（IC
21、A），主成分分析等，当然各个方法之间并不排斥，可以组合使用。独立成分分析是Comon在1994年提出的，是当今BCI系统中较为热门的算法。ICA的作用为在很多纷乱混合的信号中，将不同来源信号一个个分离出来。这样做就需要有一个前提，那就是信号源是独立的，不同于主成分分析PCA会找到不相关的成分，ICA具有高的准确性。图2.2 信号采集过程及典型噪声信号示意4实际上，对于大脑背景活动，由于研究还并不深入，无论哪种预处理方法，都很难将其有效的去除。图2.3显示了去除不同噪声信号的难易程度以及使用的一些方法。图2.3 噪声信号去除难易度说明112.4信号的特征提取与分类算法可以驱动BCI的有用信号往往
22、纬度很高，对它们在不都是有用信号的前提下进行降维的过程称为特征提取8。常用的特征提取的方法有很多，比如，AR（autoregression）参数估计，快速傅立叶变换等。特征被提取后，需要对特征进行辨识，把需要用来控制的信号识别出来，这种算法称为分类算法，常用的分类算法有决策树，贝叶斯分类器，线性分类器（Linear Discriminant Analysis, LDA），支持向量机（Support Vectormachine, SVM）等。9以上两个步骤虽然在很多的BCI系统中都存在，但不是必须的步骤，可以根据不同的系统灵活而变。在本次BCI系统中运用到的算法是典型相关分析（canonical
23、 correlation analysis, CCA），并在离线数据讨论中运用到功率谱估计算法，以下将对此做介绍。2.4.1典型相关分析典型相关分析CCA也是一个常用的提取空间域特征的有效方法。CCA是研究两组多维变量之间线性关系的一种统计方法，它将简单相关分析拓展到了两组变量的范畴。其最终目标是寻找两个线性组合，使得两组多维变量通过此线性组合后，其相关系数最大。这个相关系数描述了两组数据集合的关系。CCA的一个重要特点是，其对应变量的仿射变换是不变的，这也是CCA与简单相关最大的区别。CCA在实际问题的研究中得到了广泛的应用，在EEG数据分析中同样也是适用的。对于EEG 数据使用CCA 方法
24、，两组数据集合分别来自EEG信号和刺激信号。记试验采集的n个导联EEG数据为x=( x1 x2 x3 xn )T，刺激信号为 (2-1)则CCA 可以定义为如下问题：分别寻找向量Wx 与Wy，使得x、y 在向量Wx 和Wy 上的投影、之间的相关值最大，即： （2-2）最大。式(2-2)中的就是本文所需要的相关系数，E 表示求期望运算。在系统中依靠Matlab的内置CCA算法程序来实现CCA的计算，便捷而且准确。2.4.2功率谱估计当将EEG 信号视为线性平稳信号时， 可以使用功率谱估计方法对信号进行分析。其中最常用的是周期图法（periodogram）7。周期图可以使用快速傅里叶变换（fast
25、 Fourier transform，FFT）计算，对信号x(n)的N 点观察数据，周期图的计算公式如下： （2-3）使用FFT 的功率谱估计被称作经典谱估计方法。4SSVEP常规特征提取方法是利用FFT估计功率谱即可，然而FFT是一维信号处理方法，在使用之前要优选导联，选出特征明显的枕区导联。而CCA则属于多维空域处理方法，免去了导联优选的步骤，此外，也有文献证实，CCA要比FFT估计功率谱的方法更加敏感，因此在线实验中采用CCA算法来进行数据处理。而FFT估计功率谱算法则在数据离线分析中采用。2.5开发平台本系统的开发与使用均是在WindowsXP系统下进行，脑电信号搜集及转换的工具为心理
26、实验工具箱psychotoolbox，而搭建控制系统所使用软件为Matlab。Matlab作为一款颇有盛名的软件，不仅仅是一款强大的数学工具，同时其强大的编程能力使得Matlab在工程，科研领域中得到了广泛使用，为人们所熟悉，在此就不对Matlab过多介绍。psychotoolbox有着强大的灵活性和高度的适应性，能与matlab很好的进行融合及协作。第3章 实验设计3.1系统实现系统中的整体组成大致如图3.1所示。本系统中涉及到一台计算机，电脑中装有Windows XP操作系统。计算机的作用是分别为执行数据处理、控制实验的流程和控制人机界面。EEG的采集依靠实验室现有的设备，一个快速电极帽适
27、当地放置在被测试者的头部。从电极帽上的3个电极采集到的数据被送入一个专业的数据采集器。数据采集的频率为1kHz。在这台设备中将对信号进行放大和数模转换，随后通过数据接口把转换好的数据送入负责处理数据的微机。数据处理以及实验控制的核心程序基于Matlab编写，数据处理的结果以及不同阶段的控制信号通过TCP/IP有线局域网络传输给本机小车控制系统以控制人机交互界面。当数据处理的结果反应到人机界面时候，对被测试者而言也起到了生物反馈的作用。图3.1 本BCI系统的结构3.2受试者3名受试参加了试验。受试者年龄在2225 岁之间，证实为右利手，视力正常或已矫正为正常。3.3数据获取试验数据均采用清华大
28、学神经工程实验室研制的Mipower系列放大器系统记录，采样频率为1kHz。记录时采用3个导联，导联位置按照国际惯例1020 系统。参考电极位于头顶位置。3.4视觉注意范式选择视觉注意的范式有多种，但注意范式一般分为空间式和非空间式两类。7本系统采用经典空间注意范式。刺激屏幕使用Matlab工具箱Psychophysics toolbox实现。显示器的分辨率为1024768，刷新率为60 帧/秒。刺激块位于圆点左右等距处，大小为100pixels100 pixels。每个刺激块由特定频率调制。具体的刺激目标构成方式可见图3.2 (a)。实验采用的频率为10Hz，12Hz和15Hz。这主要是考虑
29、到大部分受试在这些频率都能产生较好的SSVEP响应，并且在60帧/秒的刷新率下，这些频率较易实现。图3.2 （a）视觉注意范式示意图 （b）视野交叉示意实验中，受试被要求将视觉焦点放于图3.2 (a)中的蓝色圆点处。这主要是为了让刺激频率更好的投影在大脑对侧枕区区域，并且更为有利于视觉注意模式的实现，如图3.2 (b)所示。在实验中，目标持续闪烁2s，之后有0.5s的休息，实验共计时间为5min。3.5数据处理本系统中，主要运用典型相关分析（CCA）来进行数据的处理，方法已在2.4节中进行了介绍。由于实验中采用10、12及15HZ三组频率进行试验，为了有效的辨别受试者的目标，我们将三组频率通过
30、CCA进行处理分析，取其相关系数最大的频率值作为实际目标，如图3.3所示。图3.3 目标识别流程图3.6小车控制本实验中，受试者将通过BCI系统来控制在显示屏上出现的小车，使小车能够依次到达预先设置的六个地点，控制界面如图3.4所示。实验规定，小车自动具有一定的均匀速度向前，走2s停0.5s，并保持整个过程不变。当受试者注意左边闪烁块时，系统判定为左，小车左转，每次左转15度；当受试者注意右边闪烁块时，系统判定为右，小车右转，每次右转15度。小车控制流程图如图3.5所示。小车启动后，判定受试者注意的闪烁块而确定频率，小车根据判定频率按规定转向。图3.4 小车控制界面图3.5 小车控制流程图第4
31、章 实验结果及分析4.1实验结果1名受试者的小车行驶轨迹图如图4.1所示，小车从a点（起点）依次行驶到j点（终点）。3名受试者在实验中，均能对小车起到一定的控制作用，并都能在5min内到达1号地点范围。3名受试者到达1号地点范围时间分别为30s，86s，125s。图4.1 小车轨迹图4.2结果分析及讨论将小车轨迹绘制在坐标系中，如图4.2所示。由图4.1可以看出，受试者在小车开始运行后，不断控制小车向1号地点驶去，在经过b点快要到达1号地点时，小车突然偏离了行驶路线而向c点驶去。之后受试者努力控制小车转向1号点，因此小车围绕1号点行驶。经过一段调整，小车经过g点再次向1号点靠近，此次小车仍未能
32、到达1点，在中途图4.2 坐标系中的小车轨迹转向h点，并最终停于j点。通过3名受试者的轨迹图可以看出，受试者对小车的控制不够准确和高效。系统规定小车以固定速度向前行驶，当小车靠近目的地点时，受试者对小车不够准确的控制导致小车无法到达目标地点，这受到受试者对所用频率的敏感程度和各类噪声的影响。由于实验采用SSVEP标记来获取信号的方式，而周期性特征是SSVEP的一个最大特点6，具体表现为：其频谱包含有与刺激频率成整数倍关系的频率成分，其中以基频和二倍频成分最为显著，如图4.3所示。图4.3显示了一个由12Hz刺激诱发的SSVEP幅度谱。可见在12Hz和其二倍频的位置有两个明显的峰出现。在此例中，
33、甚至三倍频也出现了较明显的峰。同时，每个人都有个体的差异，在未经训练的情况下，对某些频率不是十分敏感。另一方面，系统采用的脑电信号提取设备的去噪功能比较弱，加之脑电噪声及肌电噪声的影响，使得导联采集到的信号较弱。这些因素都影响了受试者对小车控制的准确性和高效性。从图4.1中提取aj10个点绘制位置时间关系图，如图4.4所示。从图中可以看到，单个受试者整个实验过程持续大概5min左右，在实验开始时的头几十秒内，若未能顺利按规则到达目标，随着时间的推移，受试者将会逐渐产生疲劳，注意力将逐步下降，从而降低对小车的控制效果。同时，结合图4.1和图4.4可以看出，一旦小车偏离目标点，受试者将花费大量时间
34、去调整小车，使其重新向目标点靠近。而导致这一问题的则是小车策略不够理想，使得小车调整花费过多时间，从而丧失受试者试验的最佳时间段。小车控制策略是用两个不同频率控制左右两个方向，由于小车总是不停地向前行驶，方向控制稍有失误，将导致错失目标，并使得受试者在小车行驶情况下较难调整小车方向。图4.3 12Hz刺激诱发的SSVEP幅度谱4图4.4 小车样点位置时间关系图第5章 课题总结与展望5.1课题总结在BCI系统为人们提供了一种新的操作手段，这种手段可以仅仅动下心念就可以完成对外围设备的控制，的确显得十分的独特。对于肌肉活动有障碍的人群而言BCI系统可能是个福音，可以让他们摆脱对别人的依赖，融入社会
35、中，这点无论对于个人还是整个社会而言都是极为有利的。对于正常人来说，这个新奇的交互方式，无疑潜藏着巨大的娱乐以及应用前景。在特种工况下可以为使用者带来一个新的操作体验。无疑BCI系统具有巨大的商业价值。视觉注意BCI系统作为一种脑电的主动方式，具有明显的优点就是无需外部设备来诱发脑电，而显著的缺点无疑是需要大量的训练才可以操作，这样的设计使得该系统的应用存在着诸多的局限性，而且不灵活。在本文中，主要的工作为设计并实现了一个基于非依赖视觉注意的BCI系统，运用到了本地网络端口链接，Matlab的数学处理以及心理实验工具箱psychotoolbox的专业性能。主要工作成果如下：1) 设计并且实现了
36、基于视觉注意的人机交互界面，界面的布局以及频率选择上都做了研究。界面可以较为精准的控制闪烁频率，可以根据Matlab中的程序进行控制，并且以SSVEP为标记的信号效果也较为理想。2) 制作了源于Matlab的控制以及数据程序，该程序可以接受EEG数据，并处理分析出较为准确的结果，并且可以依照程序的流程，运用局域网络来控制人机界面。3) 运用Matlab强大的数据处理能力，采用了CCA以及叠加的FFT算法对数据进行了数据处理，实现了对小车的在线控制。5.2课题展望这次的实验研究期间，本文对于相关的实验的做了分析和研究，但还是发现有很多地方需要改进。1) 应增加离线分析，以对受试者个体个性能更好的
37、进行把控，从而获得更好的在线实验效果。2) 在频率的选择上，因为时间的关系仅仅采用了3组频率。而没有对其他可以利用的频率做出筛选和考量，最后对实验结果的分析中也感到频率的问题上没有做出很好的选择，这点对于实验的结果存在这影响。3) 对于视觉注意范式上可以做出创新，除了比较简单的长方体闪烁块配中心注意点以外可以采用其它的方式，例如采用一些非空间类范式，生动活泼，不容易使人感到困乏，并且可以获取质量更好的信号。4) 在程序的编写上需要更进一步，改程序在系统的优先级上存在这很大的疏漏，并且对频率的控制没有想象的精准，在功能性和可用性上还要做出很大的提高。5) 单独的视觉注意控制的BCI系统似乎存在局
38、限性，可以尝试将不同的BCI方式相结合使用已达到优势互补的作用。参考文献1 沈敏. 脑-机接口综述 J.重庆邮电大学学报（自然科学版）, 2007, 增刊, 147-150.2 闫铮,宾光宇,高小榕.基于左右视野双频率刺激的SSVEP脑_机接口 J.清华大学学报(自然科学版), 2009, 49(12):2013-1016.3 卫兵, 吴小培, 吕钊. 基于诱发脑电的人机交互系统的设计与实现 J.工业控制计算机, 2009, 22(2): 25-37.4 闫铮. 基于脑电节律的脑网络研究及应用 J.清华大学医学院, 2011, 125 Materka A, Byczuk M, Poryzala
39、 P. A virtual keypad based on alternate half-field stimulated visual evoked potentials. Information Technology Convergence, 2007. ISITC 2007, 296-300, 2007.6 黄漫玲, 吴平东, 殷罡, 刘莹.基于稳态视觉诱发电位的脑-机接口实验研究 J.北京理工大学学报，2008,28(11):957-961.7 Josef Faller, Gernot Muller-Putz, Dieter Schmalstieg, GertPfurtscheller
40、. An Application Framework for Controlling an Avatar in a Desktop-Based Virtual Environment via a Software SSVEP Brain-Computer InterfaceJ.Massachusetts Institute of Technology, 2010, 19(1):25-34.8 Ren T. Guanyu Bin, Xiaorong Gao. Idle State Detection in SSVEP-Based Brain-Computer InterfaceJ. The 2n
41、d International Conference on Bioinformatics and Biomedical Engineering, 2008: 012-2015.9 Xiaorong Gao, Dingfeng Xu, Ming Cheng, Shangkai Gao. A BCI-Based Vnvironmental Controller for the Montion-DisabledJ. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2003: 137-140.10Ruiping W
42、ang, Xiaorong Gao, Shangkai Gao. Frequency Selection for SSVEP-based Binocular Rivalry J. 2nd International IEEE EMBS Conference on Neural Engineering, 2005: 600.11Yan Z, Gao X R, Bin G Y, Hong B, Gao S K. A half-field stimulation pattern for SSVEP-based brain-computer interface. IEEE Engineering in
43、 Medicine and Biology Society, 2009, (2006):6461-6464.12 S. T. Morgan, J. C. Hansen, and S. A. Hillyard, “Selective attention tostimulus location modulates the steady state visual evoked potential,”Proc. Nat. Acad. Sci. USA, vol. 93, pp. 47704774, 1996.13 刘辉, 杜玉晓, 彭杰, 李伟研.脑-机接口技术的发展。Electronic Sci.
44、Tech. /May. 15, 201014 杨瑞霞. 脑-机接口技术研究. J.山东轻工业学院学报.2009, 05: 1004 - 4280 (2009) 02 - 0046 - 04致谢本论文主要关于BCI系统的研究，BCI系统是在我的导师闫铮老师的指导下有了第一次接触。当时的情景还记忆犹新。在论文的写作过程中，无论是课题的选择和制定，还是研究方向的确定，技术路线的斟酌包括论文的结构和内容安排布局上闫铮老师都给予了极大的帮助和宝贵的建议。在这几个月的学习生活中从他身上学习到了很多东西，让我受益匪浅。在此感谢闫铮老师对我的帮助，对他在我身上花费的时间，精力和耐心表达真诚的谢意。最后要感谢和
45、我一起做毕业论文同学，无论在学术上或者生活中都给与了我无私的帮助和默默关心，以及极大的支持和鼓励，让我顺利完成了论文的写作工作。特别是钟同学，经常和我讨论学习，在此对他们的付出表达感激之情。感谢父母的支持与关怀。附录翻译Developing algorithms for translating neuronal activity into command signals for artificial actuatorsCurrently, neuroscientists are far from obtaining a clear understanding of how motor and cognitive information is processed by the populations of neurons that form large brain circuits. Rate encoding, temporal encoding and population encoding principles have been suggested, and various experimental paradigms, including BMIs, have been developed to test the vali
