SSVEP基础实验步骤与人形机器人脑机器人互动

该方法的总体目标是通过集成多个软件程序来建立基于 S-S-V-E-P 的实验程序，以研究脑机器人与类人机器人的交互。这是通过在人类受试者的脑电图电极中首先通过脑电图数据采集系统测量大脑反应来实现的。用户界面用于引出 S-S-V-E-P 响应，并在闭环控制实验中显示视频反馈。

第二步是记录第一次被试的脑电图信号，以离线分析你的 S-S-V-E-P 特征，并为每个被试训练分类器。接下来，在线信号处理器和机器人控制器被配置为在线控制人形 Robert。作为最后一步，受试者在不同环境中完成三个特定的闭环控制实验。

为了评估大脑 Robert 交互性能，结果显示了在凝视以不同频率闪烁的刺激时产生的大脑信号的归一化功率谱密度。我们的系统将这些脑电波模式转化为命令来控制 Robert 行为。使用这种方法，受试者能够与人形 Robert Bio 脑信号进行交互。

这使得人形机器人 Robert 能够执行机器人研究中流行的典型任务，并有助于帮助残疾人。这种方法的优点是它的可靠性和灵活性，因为它是通过集成多个软件程序（如开放宽图和中央软件）以及用户开发的与 c plus 和 match lab 相关的程序开发的。这种方法能够研究大脑机器人与人形机器人的行动。

这项研究在帮助病人和老人以及从事不卫生或危险的工作方面具有前瞻性。我的队友 Lim 和 Han 现在将分别演示脑电图传感器的放置，并分别展示连接到人类无机器人的方法。向受试者解释实验到程序。

获得参与实验的同意。测量受试者的周长，选择接近测量值的 E EEG 帽尺寸。测量 NAS 标记之间的距离 10% 的距离，作为衬盖的参考。

在主题 cul 位置的顶点处标记距离的中点。顶点上 E EEG 帽的电极 cz 将 10% 标记与 FP 1 和 FP 2 电极的中点对齐。确保 fz、cz、PZ 和 OZ 电极位于头部的中线上。

用导电凝胶将参考涂抹到电极上。使用医用胶带将参比电极放在左侧和右侧 OID 上。拧紧链条带。

将钝头注射器放入电极支架中，然后按以下顺序将导电凝胶注射到每个电极中。首先是接地电极，其次是实验 O 2 0 1 OZ 中使用的五个电极。PZ 和 cz。将受试者坐在舒适的椅子上，距离刺激监测仪前 60 厘米。

将电极丝连接到 EEG 数据采集系统。将采样率配置为 1 kHz。在专用数据处理计算机上检查 EEG 信号质量。

如果特定电极有问题。重新进样凝胶以调整通道的阻抗。Flicker 四个机器人将不同频率的图像作为用户界面上的视觉刺激。

对于第一次尝试的受试者，进行离线训练实验，以建立他们的 S-S-V-E-P 特征向量并训练分类器。为每个受试者进行 32 次试验，并在整个过程中记录您的大脑信号。当试验开始时，随机选择一个刺激作为目标，并在其上方显示一个黄色箭头。

一秒。稍后在用户界面上以不同频率闪烁四个视觉刺激 5 秒钟，要求被试专注于选定的刺激目标，同时将身体运动保持在最低限度。每次试验后，给受试者 3 秒钟的放松时间，然后开始下一次试验。

完成所有试验后，读取保存的数据。橙色垂直条表示选择刺激作为刺激在 5 秒内闪烁的目标的触发器。在每次试验中，在触发后的 2 秒到 5 秒之间提取一个 3 秒的数据 apo。

使用参考信号 y 计算多通道 EEG 数据的 CCA 系数，该信号设置为特定频率下的周期性刺激信号。CCA 方法查找线性组合向量，以最大化组合信号之间的相关系数。使用计算的 CCA 系数对多通道 EEG 数据进行空间过滤。

使用快速 foyer 变换计算滤波器数据的功率谱密度。根据 3 hutz 和 40 hutz 之间的平均值对功率谱密度进行归一化。然后校准每个刺激频率的分类参数。

通过打开的擦除设置窗口配置主题的分类参数。在数据处理计算机上启动在线信号处理器。每 2 秒从脑电系统的通道 O 0 1 OZ PZ 和 CZ 每 0.5 秒采集一次脑电数据，并提取最近三秒的数据段进行在线处理。

使用 offline process 中描述的算法处理数据段。计算用于分类的实时功率谱密度。当一个特征频率的幅度高于给定阈值时，对在相应频率处闪烁的刺激进行分类。

作为 SSV EEP 目标，启动人类 Noro 机器人并建立与数据处理计算机的 wifi 连接。配置并运行机器人控制器，该控制器接收来自在线信号处理器的分类结果，并通过无线连接控制人形 Robert 的相应行为。在专用的刺激演示计算机上运行 choreograph 程序，以在用户界面上显示来自 Roberts 相机的实时视频反馈。

要求受试者在不同环境中进行三个特定的闭环控制测试，以评估大脑 Robert 交互性能。这些测试在机器人研究中很受欢迎，有助于帮助残疾人和老年人的日常生活。在新任务之前，告知主题任务的目标和可用于控制的行为。

这些结果显示了处理 EEG 数据的过程，包括提取多通道数据 epoch，使用 CCA 系数对数据进行空间过滤，以及计算归一化功率谱密度。此处显示了在受试者凝视不同闪烁目标的单次试验中获得的归一化功率谱密度。在第一次闭环控制实验中，人类 Noah Robert 被大脑信号控制，穿过障碍物，按下墙上的电灯开关。

大脑信号是实时拥有的。为了对被试者的控制意图进行分类，被试观看实时视频反馈，并通过盯着相应的刺激来控制 Robert 行为。到达开关后，对象控制罗伯特打开了灯。

在第二个实验中，根据视频反馈，人类机器人沿着出口标志不断向楼梯导航。在与路人间谍对峙时，题主控制罗伯特说，对不起，然后等待路人间谍让路。然后，罗伯特被控制向楼梯走去。

在第三个实验中，人形机器人罗伯特被控制全身运动，以到达并捡起气球目标，并根据实时视频反馈将其送到受试者的手中。由于人类意图是通过解释 LU 时间 EEG 信号来感知的，因此在进行实验之前验证电气连接和 e EEG 信号质量至关重要。获取 EEG 信号时的另一个常见问题是干扰或伪影和噪声。

腰部，我们的这种干扰通过减少身体运动主题和利用基于 CCA 的多通道技术得到改善。我们的方法可以有效地设计各种实验程序，并灵活地研究大脑机器人交互的算法和技术，特别是可以很容易地用于探索新的 BRI 应用。