基于机器学习的车辆操控运动想象脑电信号处理与脑-机接口系统研究

摘要

脑-机接口是一种新颖的人机交互方式，通过处理人脑头皮的脑电信号，来识别人的意图，并实现对外部设备的控制，脑-机接口不仅能为残疾人操控辅助车辆提供了可能，还能为无人驾驶在技术过渡阶段提取驾驶员的操控意念信息，有助于自主智能车通过脑-机接口学习人开车的经验和预判方式。现有的脑-机接口技术研究大部分属于离线处理，不能满足操控车辆任务的在线实时要求，而且现有运动想象脑电信号处理方面的研究大多数采用Graz BCI竞赛数据进行左、右手运动想象脑电信号数据分类，不仅运动想象类型不满足车辆操控所需的加速、减速、左转、右转四类控制需求，而且采集的设备属于医疗级湿电极的脑电采集装置，不适合车辆操控移动场景的便捷性需求。因此本论文采用十四导干电极无线传输的Emotiv EPOC+脑电采集头套，研究基于“推”、“拉”、“左”、“右”想象类型的四类车辆操控运动想象脑电信号分类与在线识别与验证的研究。主要的研究内容包括以下四个方面： （1）搭建车辆操控运动想象脑电信号采集与标记平台，设计基于Emotiv EPOC+的十四导脑电采集范式，研究基于模型智能车的摄像头路况反馈和驾驶模拟器状态读取的“推”、“拉”、“左”、“右”四类运动想象脑电信号自动标记，制作车辆操控四类运动想象脑电信号标记数据集。 （2）实现原始脑电数据的异常电位去除、基线漂移去除和感兴趣频带信号滤波，研究独立成分分析（ICA）去除眼电干扰，针对在线处理的需求，研究小波-相关成分分析（wCCA）的改进方法，保留滤除的眼电干扰中的高频脑电部分的同时，实现眼电干扰的自动滤除。 （3）研究四类车辆操控运动想象脑电信号的分类方法，首先基于公共空间模式（CSP）提取“左”、“右”两类脑电信号特征提取，采用支持向量机（SVM）进行横向任务二分类；然后基于Emotiv开发包（Emotiv SDK）提取“推”、“拉”两类脑电信号特征，采用单隐层BP神经网络（BPNN）实现二分类。利用深度学习强大的特征提取能力，进一步挖掘车辆操控运动想象四类脑电信号的特征，研究基于深度卷积神经网络（CNN）的“推”、“拉”“左”“右”四分类模型搭建与训练。搭建基于集成学习的样本训练框架，实现了SVM、BPNN和CNN三种分类器的优势互补，进一步提升四类分类效果。 （4）搭建车辆操控在线脑-机接口平台，将基于集成学习的四分类模型迁移至OpenViBE平台中，实现了对“推”、“拉”、“左”、“右”四类运动想象脑电信号在线分类。研制了模型智能车作为验证对象，在接收上位机的脑电信号分类指令的同时，通过传感器的环境感知进行容错控制，保证在安全的情况下执行分类指令，并获得了良好的实车实验效果。

目录

第一个书签之前