基于SSVEP的大脑与计算机接口的频率识别中的MVMD-MSI算法的性能调查及其在机器人手臂控制中的应用

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
• 信号处理 信号处理

背景情况:

• 大脑-计算机接口 (BCI) 对于机器人控制至关重要.
• 基于稳态视觉唤起潜力 (SSVEP) 的BCI面临信号工件和可靠性的挑战.
• 现有的方法难以处理非线性和非静止的脑电图 (EEG) 信号.

研究的目的:

• 提高基于SSVEP的机器人控制系统BCI的性能和可靠性.
• 开发一种新的算法,以改善EEG数据中的人工物减少.
• 为了验证拟议的算法在现实世界机器人应用中的有效性.

主要方法:

• 提出了多变量变化模式分解-多变量同步指数 (MVMD-MSI) 算法.
• MVMD-MSI将非线性,非静态的EEG信号分解为内在模式函数 (IMF).
• 在线和线下实验中使用6度自由度的机器人评估算法.

主要成果:

• MVMD-MSI算法在SSVEP解码性能上显示出显著的改进.
• 在机器人手臂控制的在线实验中,在1.8秒内实现了高精度 (98.31%).
• 以更少的EEG通道和更短的数据长度表现出强大的性能.

结论:

• MVMD-MSI算法代表了SSVEP分析在机器人控制中的重大进步.
• 该方法提高了BCI系统中的解码性能和工件减少.
• 实时SSVEP基于BCI的机器人应用的可行性和有效性得到证实.