基于脑机接口的人脑控制机械手臂

脑机接口（BCI）就是研究如何让神经信号与外部机械交互的技术分为嵌入式和非嵌入式。

系统流程：

1，采集不同运行想象的脑电数据

2，脑电数据预处理

3，使用深度学习模型学习不同运行想象的脑电数据的差别，并作出分类。

4，将分类结果通过指令发给机械手臂

5，机械手臂运动

一，脑电采集

我只是研究了基于EEG的BCI,EEG是一种非侵入式的脑电采集手段，安全，成本低，采集的信息满足实验需求

数据采集设备为Neuroscan 64 通道脑电仪，采样率1000Hz（降采样到160）。实验通过scan4.5软件接受5中不同的脑电数据（左手握拳，右手握拳，左右手同时握拳，双脚并拢，静息），E-prime给运动打标签，采集数据时四类运动每类运动做4秒（想象运动2次）之后4秒静息。总共做40次每类10次，每次采集产生160秒的运行数据和160秒的静息数据

二，数据预处理

脑电分为诱发脑电EP和自发脑电EEG,

将数据降采样到160，数据采用8-30Hz巴特沃斯带通滤波，保留有效脑电成份，滤除低频和高频噪声，

160秒任务，40*4秒任务，每秒生成160组数据，每10组数据作为一个样本，样本格式10*10*11，每秒生成16个样本，160秒任务生成160*16个样本即2560个样本。

三、模型训练

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（Convolutional Neural 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（Long Short 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）

N*10*10*11->CONV->CONV->CONV->DENSE(1024)->LSTM->LSTM->SOFTMAX86%

 

N*10*10*11->CONV->CONV->CONV->DENSE(1024)->SOFTMAX75%

 

3DCONV->3DCONV->3DCONV->DENSE->SOFTMAX70%

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）。