CNN实现的运动想象脑电分类及人-机器人交互

作     者：程时伟 周桃春 唐智川 范菁 孙凌云 朱安杰 CHENG Shi-Wei;ZHOU Tao-Chun;TANG Zhi-Chuan;FAN Jing;SUN Ling-Yun;ZHU An-Jie

作者机构：浙江工业大学计算机科学与技术学院浙江杭州310023 浙江工业大学设计艺术学院浙江杭州310023 计算机辅助设计与图形学国家重点实验室(浙江大学)浙江杭州310058 

出 版 物：《软件学报》 (Journal of Software)

年 卷 期：2019年第30卷第10期

页      面：3005-3016页

核心收录：

学科分类：080202[工学-机械电子工程] 08[工学] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 

基　　金：国家重点研发计划(2016YFB1001403) 国家自然科学基金(61772468,61702454,61672451) 

主　　题：运动想象 脑机接口 人机交互 深度学习 卷积神经网络 

摘      要：基于脑电的脑机交互能帮助肢体运动障碍患者进行日常生活和康复训练,但是,由于脑电信号存在信噪比较低、个体差异性大等问题,导致脑电特征的提取与分类还需要进一步提高准确性和效率.因此,在减少脑电采集通道数目、增加分类数目的前提下,基于卷积神经网络对运动想象中的脑电信号进行分类.首先,基于已有方法进行探索实验,建立由 3层卷积层、3层池化层和 2层全连接层构成的卷积神经网络;然后针对想象左手、右手、脚的运动和静息态设计与开展了实验,获取了相关脑电数据;之后,利用脑电数据训练出基于卷积神经网络的分类模型,测试结果表明,该模型平均分类识别率达到了 82.81%,且高于已有的相关分类算法;最后,将已建立的分类模型应用于运动想象信号的在线分类,设计与开发了脑机交互应用原型系统,驱动人-机器人之间的实时交互,帮助用户利用运动想象控制仿人机器人的抬手、前进等运动状态.进一步的测试结果表明,机器人对用户控制命令的平均识别率达到了 80.31%,从而验证了所提方法可以对运动想象脑电数据进行较为精确的实时分类,可以促进脑机接口技术在人-机器人交互中的应用.