实际BCI应用:异步EEG/EOG BCI手抓取和释放的可行性

更多技术干货第一时间送达

你有没有想过,身体需要多少传感器、信号处理和子任务来处理和执行一个成功的命令?

Crea等人在Scientific Reports 2018中的论文《Feasibility and safety of shared EEG/EOG and vision-guidedautonomous whole-arm exoskeleton control to perform activities of daily living》这篇论文代表了迈向实用脑机接口(BCI)的激动人心的一步。在该项研究中,研究人员专为手臂和手指控制严重缺陷而影响日常活动(例如饮酒或饮食)的患者设计了BCI系统。例如,这种损伤是由脊髓损伤或中风引起的,并且对生活质量有很大的影响。

该项研究中所述的BCI是一个复杂的系统,它结合了一个完整的手臂外骨骼,目的是整合EEG和EOG(来自大脑和眼球运动的电信号)来达到和抓取控制能力。主要的挑战是在如何让系统易于使用,也就是用户友好,同时保证系统的安全和有效。

整个手臂外骨骼的不同组成部分的示意图

上图中,(a)NeuroExos肩肘模块(NESM)外骨骼,由三部分组成:肩膀,手臂和肘部;(b)手腕外骨骼包括两个模块:手模块允许手张开或闭合运动,而手腕模块允许前旋或后仰运动。

正如论文作者所指出的,侵入性测量的最新研究[1,2](如下图)已经获得了非常吸引人的结果。然而在植入时依旧存在风险和发病率。这篇论文的作者(由SurjoSoekadar领导)在之前的工作中(与我们尊敬的导师Niels Birbaumer)证明了异步EEG/EOG BCI用于抓取的可行性。这里,研究者指的是可以在任何时间使用的接口,而不需要与时间线索同步(如果有时间线索的话,会极大地促进算法的发展,尽管会极大地减少用户体验)。

参与者S3使用DLR机械臂从瓶子中喝水

图中第一次成功试验的四张连续图像显示了参与者S3使用机械手臂抓住瓶子,把它拿到嘴边,用吸管喝咖啡(她的标准饮用方法),然后把瓶子放回桌上。背景中的研究人员被安置在监控参与者和机器人手臂的位置。

该项目的研究成果在两个方面中实现了非常大的创新。首先,它们扩展了接口。用作者的话表示,“与简单的抓握任务相比,例如,操作整个手臂的外骨骼来喝水,涉及到一系列的子任务,如伸手、抓握和举起。”“这种扩展转化为更大的可能行动空间,具有大量的自由度。对信息传输带宽的需求迅速增长。为了解决这个问题,机器人技术以视觉引导的自主系统的形式出现。类似的过程发生在大脑中,“自动化”的任务并没有被有意识地控制。

换句话说,该系统是由EEG和EOG信号连接起来的人与机器智能的融合。机器人和人类合作完成的任务是拿起一杯水,喝完,然后把它放回桌子上。人类位于指令链的顶端,通过EOG信号启动到达动作,并通过EEG抓取动作,如下图所示。

基于脑电图/眼电图(EEG / EOG)触发的有限状态机(FSM)的

共享人类机器人控制策略

图中 (a)可视化由EEG / EOG控制的全臂外骨骼动作。绿色箭头表示使用EOG记录的向右水平向眼(HOVr)记录,而“张开的手”和“张开的手”指示与抓握和释放动作的运动图像有关的感觉运动节律(SMRERD,9–15 Hz)的EEG不同步。紫色箭头表示整个手臂的外骨骼的动作。(b)整个手臂外骨骼控制回路的流程图。

对于EEG/EOG,作者使用了Neuroelectrics的Enobio无线系统,使用了6个固体凝胶电极。使用BCI2000,这些信号被转换成命令,与机器人视觉引导系统共享控制外骨骼。后者是用来跟踪和达到被抓住的对象。整个系统相当复杂,包括红外摄像机、Enobio、外骨骼组件(手腕部和肩肘部)和视觉界面。大多数子系统间的通信是通过TCP/IP进行中介的(例如,Enobio的软件NIC可以在网络上连续传输EEG数据)。

基于TCP/IP协议和模拟通信的组件和通信体系结构

未来的发展

最终的结果会让科幻迷们想起半机械人的概念,或者更准确地说,像一只龙虾(不是用内部植入物制造的,而是用一个智能外壳,就像钢铁侠穿的那样)。正是人类和人工智能与机器人技术的奇妙融合,使得这一技术以及类似的技术发展令人兴奋,因为它们通过与外皮层的共享控制,绕过了BCI的带宽限制。随着这类系统中的所有技术元素(传感器、信号处理、人工智能、机器人)的发展和融合,它们的影响将是巨大的,可能会蔓延到消费者应用领域。

参考

[1]Restoration of reaching and grasping movements through brain-controlled muscle stimulation in a person with tetraplegia: a proof-of-concept demonstration

[2]Reach and grasp by people with tetraplegia using a neurally controlled robotic arm

https://www.neuroelectrics.com/blog/2018/07/31/practical-bci-application-feasibility-of-asynchronous-eeg-eog-bcis-for-grasping/

上述分享其目的在于促进信息分享交流,不做商业用途。若有侵权,请及时通知后台,管理人员删侵。

更多阅读

深度神经网络对脑电信号运动想象动作的在线解码

2020版 伯克利《神经技术导论》课程及PPT资料

应用深度学习EEGNet来处理脑电信号

脑电特征提取算法 | 共空间模式 Common Spatial Pattern(CSP)研究进展、算法原理及其它的代码案例

Cell刊:脑机接口让脊髓损伤患者重新获得手部触觉

Nature子刊:视网膜计算使眼睛先于大脑产生视觉信息

ICA处理后,如何判断眼电、心电等成分?

全球工程前沿2019-类脑、脑科学与脑机

一种基于脑电图情感识别的新型深度学习模型

脑机音乐接口,高效检测用户的情绪状态

将深度学习技术应用于基于情境感知的情绪识别

正好在家学习 1!EEG数据处理课程1-3

正好在家学习 2!EEG数据处理课程4-5

EEG信号特征提取算法

EEGNet: 神经网络应用于脑电信号

信号处理之倒频谱原理与python实现

信号处理之功率谱原理与python实现

脑电信号滤波-代码实现

运动想象系统中的特征提取算法和分类算法

特征提取算法 | 共空间模式 Common Spatial Pattern(CSP)

功率谱估计-直接法原理与案例

MNE中文教程(16)-脑电数据的Epoching处理

DEAP数据库介绍--来自于音乐视频材料诱发得到的脑电数据

PsychoPy安装与测试案例

PsychoPy文字刺激、图片刺激和光栅刺激

Python机器学习算法随机森林判断睡眠类型

(0)

相关推荐