运行假象

目的脑-机接口是指不依赖于大脑的正常输出通路（即外周神经和肌肉，神经通路），在大脑和外部设备之间建立一种直接交流和控制的通路。其中，基于运动想象的脑-机接口是唯一的一种不需要外界刺激，反映使用者自主运动意图的脑-机接口范式，其在医疗康复等领域有重要的应用价值[1]。本文应用深度学习算法对运动想象任务中的脑电信号进行解析，解码出相应的运动意念，将其转化为相应的控制指令，实现对机械手指的控制。

方法实验流程如图一所示，主要包括脑电数据采集、预处理、基于深度学习的脑电信号解码、控制命令输出、机械手指执行任务等。实验中，我们设计了运动想象任务，让受试者想象双手运动、左手运动、右手运动、双脚运动四类任务。数据采集设备为Neuroscan64通道脑电仪，采样率1000Hz。由于运动想象任务中大脑运动皮层在8-12Hz（Mu节律）以及18-24Hz（Beta节律）会产生事件相关去同步和事件相关同步的现象，本文对降采样到160Hz的脑电数据采用8-30Hz带通滤波，保留有效脑电成份，滤除低频和高频噪声。然后我们应用深度学习算法对脑电数据进行解码，选用的方法包括卷积神经网络（ConvolutionalNeural Network）和循环神经网络（RecurrentNeural Network）等[2]。针对多通道脑电信号具有空间分布的特点，我们基于脑电电极位置将多通道脑电数据映射为10×11的二维图片，应用卷积神经网络来表征空间特征。随后我们应用循环神经网络中的长短记忆网络（LongShort Term Memory Network,LSTM）来表征时间特征。在以上深度学习模型设计中，我们充分结合了脑电信号的空间信息和时序信息。本文设置了三个前置卷积层（每层特征数分别为32，64，128，卷积核3×3），一个全连接层（神经元数1024，dropout比率0.5），两个长短记忆网络层（隐藏单元数64，64）。

结果及讨论实验中我们招募了两名志愿者，每次实验执行400次运动假想任务，每个运动假想任务的有效时间长度为4s，剔除部分数据，5次实验共得1920次的有效任务数据。离线数据分析中，我们基于深度学习方法，获得了86%的平均识别准确率。将所训练的模型应用于实时系统中，将脑电解码结果转化为相应的控制指令（左手->抓取,双脚->松开，双手->停止），通过蓝牙控制机械手指，实现了有效地抓取任务（包括抓握水杯、卡片、笔等）。