本研究結合Go/No Go和無運動伴隨性關聯負變(CNV)實驗范式考察了CNV能否表達"期望"的心理含義。通過對不同的預備信號誘發的CNV特征進行直接比較發現了很有價值的結果:誘發CNV的關鍵在于預備信號和命令信號兩個刺激在出現順序上的連結性,命令信號是否與任務有關會影響誘發波幅的大小,這種特性反映了受試者對第二個刺激的期待心理。據此我們認為在本實驗條件下,CNV成分可作為表征"期望"含義的電生理指標。
特征提取是基于P300的腦機接口(BCI)系統中非常關鍵的步驟。獨立分量分析(ICA)算法是效果較好的P300特征提取方法,但目前常用的ICA迭代方法收斂性能均不理想。提出一種基于量子粒子群優化(QPSO)和ICA算法的P300特征提取方法。該方法利用量子計算在計算速度上的優勢,加快了ICA算法的全局收斂,達到了快速有效提取P300的目的。實驗針對BCI Competition Ⅱ dataset Ⅱb和BCI Competition Ⅲ dataset Ⅱ兩組公共數據集進行測試,提取出的P300特征送入線性分類器,系統識別正確率在15次疊加平均情況下達94.4%。實驗結果表明,本文方法用于P300特征提取,在保證提取效果的同時,計算速度更快,為在線BCI系統的進一步研究提供了實驗基礎。
利用人的腦電(EEG)信號來控制外部設備一直是腦機接口領域所致力于研究的熱點,尤其是對于那些喪失運動能力的殘疾人,更有重要意義。本文基于P300腦機接口及單片機的無線射頻技術設計出一套智能家居控制系統,可以對家庭中的電器、燈光、安防等直接控制。實驗結果表明,該系統簡單可靠,易于擴展。
利用事件相關電位（ERP）技術研究 2-back 任務下長時間的工作記憶所誘發的腦力疲勞的腦電特征變化，從而獲取腦力疲勞評價的客觀指標。32 名健康男性受試者，年齡 22～28 歲，均分為兩組：疲勞組和正常組。疲勞組通過連續執行 100 min 2-back 任務來誘發腦力疲勞，而正常組在前后分別執行 10 min 的 2-back 任務，中間 80 min 休息。采集實驗過程中的主觀疲勞評分值、行為績效及腦電信號并進行分析。任務后疲勞組與正常組相比，思維清晰度和注意力明顯減弱，困倦程度增加，綜合疲勞感上升，且操作 2-back 的反應時明顯延長，正確率下降，即從主觀評價和行為績效相結合的角度驗證了所誘發的腦力疲勞模型的有效性。進一步比較疲勞組與正常組的 ERP 特征參數的變化情況，結果表明：相比正常組，隨著腦力疲勞的加深，疲勞組的 P300（F = 2.539，P < 0.05）和錯誤相關負波（ERN）（ F = 10.040，P < 0.05）的波幅都明顯下降，其他參數則未發生明顯變化（均有 P > 0.05）。因此，P300 和 ERN 被證實可以作為評價長時間工作記憶任務下腦力疲勞模型的潛在指標，為后期研究腦力疲勞對抗措施提供依據。
P300 電位的個體差異導致基于該電位的腦-機交互系統需要每位被試的大量訓練數據來構建模式識別模型，引起被試的訓練疲勞，并可能由此導致系統性能降低。TrAdaBoost 是一種把源領域的知識遷移到目標領域，進而使目標領域能獲得更好的學習效果的遷移學習方法。本研究針對 P300 電位的跨腦辨識問題，提出基于 TrAdaBoost 的線性判別分類算法和支持向量機，將同被試的少量數據訓練的分類器與不同被試的大量數據訓練的分類器按權重組成融合分類器。與只采用少量同被試數據或者混合不同被試數據來直接進行訓練的傳統學習方式相比，本文算法在少量樣本情況下將準確率分別提高了 19.56% 和 22.25%，信息傳輸率分別提高了 14.69 bits/min 和 15.76 bits/min，有望提高腦-機交互系統對被試個體差異的泛化能力。
增大事件相關電位的幅值是提高 P300 等經典事件相關電位范式下的腦-機接口系統辨識意圖準確率的重要方法之一，此類腦-機接口系統常以符號或者被控對象作為視覺刺激，但是何種視覺刺激能夠獲得更明顯的事件相關電位仍然未知。本文設計方形、箭頭和機器人附加箭頭這三種視覺刺激，分析圖片的具體程度對 N200 和 P300 電位的影響，并采用支持向量機辨識該誘發電位來對比不同刺激下的腦-機接口性能。結果顯示，與方形相比，機器人附加箭頭和箭頭都在額葉誘發出幅值更大的 N200 電位（P = 1.6 × 10?3，P = 4.2 × 10?2）和潛伏期更長的 P300 電位（P = 2.2 × 10?3，P = 1.9 × 10?2）。機器人附加箭頭將方形和箭頭的 N200 電位幅值數值分別從 3.12 μV 和 5.19 μV 提升至 7.21 μV（P = 1.6 × 10?3，P = 8.9 × 10?2），單次準確率從 59.95% 和 61.67% 提升至 74.45%（P = 2.1 × 10?2，P = 1.6 × 10?2），單次信息傳輸率從 35.00 bits/min 和 35.98 bits/min 提升至 56.71 bits/min（P = 2.6 × 10?2，P = 1.6 × 10?2）。本研究表明圖形的具體性會影響 N200 電位和 P300 電位，箭頭雖然能夠表征圖片的含義并誘發電位，但是機器人附加箭頭所包含的信息與人的經驗相關度更大，有助于獲得更高的電位幅值。該研究可為腦-機接口的視覺刺激界面優化設計提供新的思路。
肌萎縮性側索硬化癥（ALS）患者往往難以通過語言和行為來表達意圖，無法正常地與外部世界溝通，嚴重影響生活質量。腦機接口（BCI）的方式能夠輔助ALS患者與外部世界進行交流而受到廣泛的關注，但是可移動性差的設備在使用中給患者帶來不便。為了改善BCI系統的便攜性，本文提出了一種基于Hololens2的可穿戴式P300字符拼寫系統（MR-BCI）。本系統使用Hololens2混合現實設備呈現范式，OpenBCI設備采集腦電信號，Jetson Nano嵌入式計算機處理數據。同時，為了優化系統的性能，本文提出一種輕量化的卷積神經網絡方法應用于嵌入式計算機進行實時分類。結果表明，與基于計算機顯示器的拼寫系統（CS-BCI）相比，MR-BCI誘發的P300振幅增加，離線和在線模式的準確率分別提高1.7%和1.4%，在線模式的信息傳輸速率提高了0.7 bit/min。本文提出的MR-BCI在保證系統性能的基礎上，實現了可穿戴式BCI系統，對BCI的臨床應用具有積極的作用。