基于脑机接口的智能控制系统研究

本课题的选题是在深入考察了脑机接口技术的现状和发展趋势的基础上提出的，其基本思路是将脑机接口技术的研究和智能控制理论方法的研究紧密结合，以期创建一类新颖的基于脑机接口的智能控制系统。本课题以理论方法和实验实践相结合的方式开展研究。理论方法的研究包括不同脑电模态融合的脑机接口技术研究、基于脑机接口的控制系统的智能化方法和策略研究；实验实践的工作包括建立基于脑机接口的智能控制系统的实时演示系统。课题研究侧重于探索脑机接口与智能控制相结合的新方法，解决关键性技术问题，并通过实时演示系统验证方法的有效性和系统的稳定性。本课题的研究思路及其方法论都是具有科学依据的，对于解决脑机接口的关键技术问题和促进控制科学的发展和应用，都具有重要的理论意义和应用价值。

本项目按计划先后从脑机接口范式的优化融合，诱发脑电模式分析算法优化和智能系统构建等几个方面开展了研究。在范式优化上，探索了P300脑-机接口系统的最优闪烁时间间隔，以及不同时间间隔对系统的影响；同时，结合认知神经科学，研究了引入人脸刺激的诱发方法，有效改善了脑机接口信息传输率，增强了系统实用性。在融合范式研究上，成功将P300电位与运动电位相融合，提高了ERP脑-机接口系统的稳定性，从而改善了系统的整体性能。研究了P300和SSVEP的融合诱发范式，证实了其可行性。在智能系统构建方面，开发了相应的在线智能控制系统，把脑-机接口系统与智能系统相结合，我们利用这种智能系统成功应用于轮椅控制和智能机器人的控制，对于部分使用者，其在线控制准确率可以达到100%。在脑电模式分析算法优化方面，对多种传统一维分析算法进行了有针对性的多维扩展，提出了多维空间-时间判别分析算法和多维典型相关分析算法，有效实现了多维数据信息优化和特征降维，显著改善了脑机接口系统的整体性能。另一方面，根据所分析的脑电模式特性对相应的算法施加特定的正则化约束，有效缓解了特征提取和分类过程中的过拟合现象。提出了一种基于LASSO回归的稀疏表征识别算法，有效地增强了SSVEP脑机接口的目标分类鲁棒性，缩短了识别所需的时间。针对ERP脑机接口提出了一种稀疏判别分析算法，巧妙地实现了分类特征的自动选取和降维，并引入集成学习优化算法参数，进一步改善小样本下分类模型的分类精度，有效降低了系统的离线准备时间，增强了系统的实用性。