面向工业和医疗保健的单通道非侵入式可穿戴脑机接口

这项工作的提议有助于通过利用消费级设备，直接的信号处理和扩展现实来开发低成本，可穿戴和便携式脑机接口。该技术旨在使脑机接口技术更接近日常生活，并为工业和医疗保健应用中的许多用户开辟新的可能性。该提案系统还应用于基于机器人的注意力缺陷/多动障碍儿童或自闭症儿童的康复。

结果令人鼓舞。首先，戴上智能眼镜和头带，并在PC与主电源断开连接时，通过USB电缆将低成本脑电图仪连接到PC。在此步骤中，必须将所有电极与脑电图采集板断开连接，以从已知条件开始。

在此阶段，使用与Android应用程序中实现的处理兼容的脚本在PC上离线处理EEG流。启动脚本以接收脑电图信号并可视化它们。检查显示的信号。

这必须仅对应于EEG放大器的量化噪声。连接第一个电极，然后用自定义夹子或使用耳夹电极将无源电极应用于左耳。在此步骤中，输出信号必须保持不变，因为测量差分通道仍然是开路。

将有源电极连接到测量 EEG 通道差分输入的负极端子，并用头带将其应用于额叶区域。几秒钟后，信号应恢复为零。将另一个有源电极连接到测量 EEG 通道差分输入的正极端子，并用头带将其应用于枕部区域。

现在显示的大脑信号对应于相对于额叶大脑区域和枕叶区域测量的视觉活动。通过在 Android 应用程序中启动闪烁图标，使用 10 赫兹和 12 赫兹闪烁图标反复刺激用户。按下智能眼镜的触摸板，同时启动脑电图采集和可视化脚本。

确保此阶段的每次刺激都包含一个闪烁 10 秒的图标。从与每次刺激相关的十秒信号中，使用快速傅里叶变换提取两个特征，即 10 赫兹和 12 赫兹的功率谱密度。或者，也考虑二次谐波。

使用特征域中采集信号的表示来训练支持向量机分类器。使用 MATLAB 或 Python 中的工具来识别具有最终内核的超平面的参数。基于输入特征，训练后的模型将能够对脑电信号的未来观察进行分类。

断开 USB 电缆与 PC 的连接，然后将其直接连接到智能眼镜。将经过训练的分类器的参数插入到 Android 应用程序中。系统现已准备就绪。

低成本脑电图仪的特点是线性度和幅度误差。结果显示在此处。测量智能眼镜的闪烁以突出显示与标称方波路径的最终偏差。

该图显示了商用智能眼镜根据闪烁按钮的振幅谱进行表征。此处显示了 10 赫兹和 12 赫兹的闪烁。该图表示在特征域中视觉刺激期间测量的信号。

与 12 赫兹闪烁刺激相关的信号以蓝色显示，而与 10 赫兹闪烁刺激相关的信号以红色显示。对于每个受试者，将与十秒刺激相关的结果与与两秒刺激相关的结果进行比较。这里报告了将所有受试者一起考虑获得的准确度以及所有受试者的平均准确度。

此处显示了考虑两个PSD特征与SSVEP相关脑电图数据的四个PSD特征时的分类性能比较。鉴于消费级设备的良好计量性能，必须主要关注测量电极的机械稳定性，因为它们不使用导电凝胶。该程序被证明对相对强大的噪声SSVEP信号有效，但人们可能会研究类似仪器在进一步范式（如电机图像）中的使用。

由于可穿戴性、便携性和易用性，该技术现在被研究为康复的辅助设备或工业场景的新工具。