诱发电位记录示意图 + _ strobe light flashes, elicits evoked potential +EEG: + EP EEG = “single trial” + _

作为当前神经工程领域中最活跃的研究方向之一,脑-机接口在生物医学、神经康复和智能机器人等领域具?有重要的研究意义和巨大的应用潜力.近10年来,脑-机接口技术得到了长足的进步和飞速的发展,应用领域也在逐?渐扩大.在已有相关工作的基础上,介绍脑-机接口系统的主要组成部分,对各组成部分常涉及到的相关基本理论和技术作了总结和介绍,主要包括脑信号获娶脑信号预处理、特征提娶变换算法等相关技术和理论,最后对脑-机接?口未来的研究方向进行了展望.

主要介绍了元宇宙的基本理念、来源、商业应用、技术使用、实际应用和对于未来的思考，适用于培训和汇报。

acc的matlab代码MLTool-BCI Matlab / Octave机器学习工具箱，用于线性分类以及在脑机接口（BCI）中的应用。 该工具箱随GPL许可证一起分发，并随附于教程一章“针对BCI的机器学习”。 特征 线性模型 线性判别分析（LDA） 支持向量机（SVM） 岭回归（RR） 验证策略 坚持 随机抽样 K折交叉验证 遗漏的引导程序 绩效指标（分类和回归） 准确度（ACC） ROC曲线下的面积（AUC） 科恩的卡伯（k） 均方误差（MSE） 相关系数（corr） 演示数据集 具有CSP功能的汽车影像（MI） 具有时间功能的P300喷码机 ECoG手指运动预测数据集 安装 下载当前版本 提取子文件夹 使用“ addpath（genpath（'path-to-mltool'））”将路径添加到Matlab / Octave，以执行工具箱中的任何功能 简短文件 工具箱中的所有功能都包含带有参数定义的详细文档。 分类器文件夹包含所有线性模型估计函数（仅二进制分类） 性能文件夹包含所有性能计算功能 验证文件夹包含所有pvalidation循环 图形文件夹包含本章中用于生成图形的脚本

针对区分两种不同运动想象(想象左手运动和想象右手运动)的脑-机接口任务,提出了以小波方差作为分类特征的方法.首先深入研究了小波变换以及小波方差的计算方法,结合验证脑电图(EEG)存在的ERD/ERS现象,然后利用小波分解系数方差对C3,C4导联脑电信号进行特征提取,最后采用最简线性分类器进行分类,采用分类正确率作为主要评价标准.结果表明,最大分类正确率为85%,最佳分类时间段为4~6.5 s.与BCI竞赛和其他方法相比,在保证分类正确率的前提下,所使用的特征提取和分类方法更加简单,具有较高的参考价值.

设计并实现了基于便携式单通道脑机接口的小车控制系统。该系统利用TGAM1_R2.4A模块采集人脑前额FP1处的脑电信号，通过蓝牙模块将信号传送至STM32控制单元。系统使用人脑专注度控制小车速度，利用眨眼信号结合方向指示灯控制小车运动方向。测试结果表明，该系统控制小车的速度和方向具有反应灵敏、稳定性较高的特点，该技术可以推广至对电动轮椅的控制。

脑机接口技术在医疗健康领域应用白皮书（2021）-AIIA-2021.7-81页.pdf

GLRT 方法用于对与脑机接口 (BCI) 的目标频率相对应的稳态视觉诱发电位 (SSVEP) 进行分类。

概述 基于任务相关组件分析（TRCA）的算法，用于检测朝向高速脑机接口（BCI）的稳态视觉诱发电位（SSVEP）[1]。 描述 头皮脑电图（EEG）信号可视为来自多个皮层来源的活动的瞬时线性混合物。 换句话说，可以从多通道头皮EEG信号的加权线性组合来估计/重建皮质源信号。 TRCA找到了一个最佳权重系数，以使任务试验中的时间锁定活动的重现性最大化，从而显着提高了与任务相关的EEG组件的信噪比（SNR）。 发行版包括： data / sample.mat：样本数据（见下文） src / train_trca.m：基于TRCA的训练分类器 src / test_trca.m：使用基于TRCA的分类器对SSVEP进行分类 src / test_fbcca.m：使用FBCCA对SSVEP进行分类 src / filterbank.m：设计一个滤波器组 src / itr.m：计算信息传输率（

多类运动想象脑机接口控制的虚拟漫游，谷艳蕾，张吉财，本研究旨在区分想象左手、右手、脚运动三种状态下的脑电信号，从而建立在虚拟环境中控制左转、右转、前行、停止的脑机接口系统。