如何整合脑机接口和障碍探测系统可以通过运动图像来改善轮椅控制
Tomasz Kocejko1, Nikodem Matuszkiewicz1, Piotr Durawa1
1Department of Biomedical Engineering, Faculty of Electronics, Telecommunications and Informatics, Gdansk University of Technology, Narutowicza 11/12, 80-233 Gdansk, Poland.
Sensors (Basel, Switzerland)
|February 10, 2024
概括
这项研究开发了一个脑机界面 (BMI),使用EEG信号和CNN来控制机器人. 该系统整合了障碍物检测,为移动性挑战的个人提供了潜在的解决方案.
科学领域:
- 神经科学是一个神经科学.
- 机器人技术 机器人技术 机器人技术
- 人与计算机的交互
背景情况:
- 传统的车辆操作对移动障碍者构成挑战.
- 大脑机器接口 (BMI) 提供了通过解释神经信号的替代控制方法.
- 整合障碍物检测可以提高BMI控制系统的安全性和可用性.
研究的目的:
- 开发和评估BMI系统,用于使用运动图像控制一台轮式机器人.
- 实施一个集成的障碍物检测系统,以避免碰撞.
- 评估使用表面电脑图 (EEG) 进行实时机器人控制的可行性.
主要方法:
- 使用了经过修改的10-20电极设置用于脑电图 (EEG) 信号采集.
- 设计和训练了两个卷积神经网络 (CNN) 模型,用于从EEG数据中分类运动图像和放松状态.
- 集成基于计算机视觉的障碍物检测系统与BMI进行实时机器人导航.
主要成果:
- 在与精神活动相关的EEG信号分类方面获得了83%的准确性.
- 通过使用机密的EEG信号,成功地实时控制了一个移动机器人.
- 证明了在BMI控制的车辆中整合障碍物检测以避免碰撞的可行性.
结论:
- 开发的BMI系统有效地将运动图像转化为机器人控制.
- 基于EEG的控制和基于计算机视觉的障碍物检测的整合是可行的,以确保安全的车辆操作.
- 这项技术有望帮助的人控制轮椅和其他车辆.
