CN112140113A - 一种基于脑-机接口的机器人控制系统及控制方法 - Google Patents

一种基于脑-机接口的机器人控制系统及控制方法 Download PDF

Info

Publication number
CN112140113A
CN112140113A CN202011083444.8A CN202011083444A CN112140113A CN 112140113 A CN112140113 A CN 112140113A CN 202011083444 A CN202011083444 A CN 202011083444A CN 112140113 A CN112140113 A CN 112140113A
Authority
CN
China
Prior art keywords
brain
computer interface
robot
electroencephalogram
control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011083444.8A
Other languages
English (en)
Other versions
CN112140113B (zh
Inventor
张洪欣
吕稷枫
王芸
杨晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202011083444.8A priority Critical patent/CN112140113B/zh
Publication of CN112140113A publication Critical patent/CN112140113A/zh
Application granted granted Critical
Publication of CN112140113B publication Critical patent/CN112140113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明公开一种基于脑‑机接口的机器人控制系统及控制方法，所述控制系统包括：依次连接的虚拟脑电放大器、脑‑机接口系统、ROS系统、机器人系统；虚拟脑电放大器用于生成脑电信号，并将脑电信号传送至脑‑机接口系统；脑‑机接口系统根据脑电信号产生控制指令，并将控制指令发送至ROS系统；ROS系统用于为脑‑机接口系统、机器人系统提供通信指令传输的通信平台；机器人系统根据控制指令完成相应的功能。本发明能够极大减少机器人控制系统开发过程中的工作量，降低受试者的操作负担，误判率低，响应性能好，能够用于辅助残障人士完成目标物的抓取和转移，提高其生活质量。

Description

一种基于脑-机接口的机器人控制系统及控制方法
技术领域
本发明涉及脑机接口技术领域，特别是涉及一种基于脑-机接口的机器人控制系统及控制方法。
背景技术
图像的视觉属性对大脑感知影响的研究已成为学者们近年来感兴趣的研究方向。研究者利用图像快速呈现的方法探索视觉属性对于大脑认知机制、行为学特性、神经信息加工的影响，并利用大脑对目标图像的神经响应特性差异应用到了目标监测、人脸识别、字符拼写、医学图像分类等领域。通过脑-机接口实现人机协调工作，用于辅助残障人士完成物品的抓取和转移，从而提高他们的生活质量，是目前脑机接口的发展趋势，得到较多的研究。
然而，现有基于脑-机接口的机器人控制系统一般具有以下缺点：
一、目前基于脑-机接口的机器人控制系统的通信复杂，开发者工作量大。目前大多数机器人控制系统的通信和控制还是基于TCP/IP协议方式实现的，对于不同的机器人或者不同的应用，需要编写不同的接口代码，系统可移植性差；此外，研究者还需要实现机器人各硬件部分的驱动。
二、目前基于脑-机接口的机器人控制系统的控制方式效率低。由于目前大多数脑-机接口控制机器人系统采用效率较低的步进式控制方式，需要被试进行大量操作，控制负荷较大。
三、目前基于脑-机接口的机器人控制系统的错误率过高。目前由于脑-机接口系统信号质量的限制，错误率往往较高，过多的错误会加大被试的操作负担，甚至会伤到被试者。
四、采用基于视觉的脑-机接口方式实现难度较大。目前，大多数基于脑-机接口的机器人控制系统都是基于想象运动范式的。基于想象运动的方式比较自然，被试者的目光可以集中在机器人上，只需想象就可以控制机器人。对于基于视觉的尤其是基于SSVEP的脑-机接口控制机器人系统，被试的注意力需要在视觉闪烁刺激和机器人之间不断进行切换，即被试者需要一边发送控制机器人移动的命令，一边观察机器人是否按照指令进行运动，这会加大被试者的操作难度。
发明内容
本发明的目的是提供一种基于脑-机接口的机器人控制系统及控制方法，以解决现有技术中存在的技术问题，能够极大减少机器人控制系统开发过程中的工作量，降低受试者的操作负担，误判率低，响应性能好，从指令发出到机器人做出反应，整个过程的延迟不超过1.7s，能够用于辅助残障人士完成目标物的抓取和转移，提高其生活质量。
为实现上述目的，本发明提供了如下方案：本发明提供基于脑-机接口的机器人控制系统，包括：依次连接的虚拟脑电放大器、脑-机接口系统、ROS系统、机器人系统；
所述虚拟脑电放大器用于生成脑电信号，并将脑电信号传送至所述脑-机接口系统；
所述脑-机接口系统根据脑电信号产生控制指令，并将控制指令发送至所述ROS系统；
所述ROS系统用于为所述脑-机接口系统、所述机器人系统提供通信指令传输的通信平台；
所述机器人系统根据所述控制指令完成相应的功能。
优选地，所述机器人系统采用Turtlebot3机器人系统。
优选地，所述虚拟脑电放大器采用脑电采集装置。
优选地，所述ROS系统采用发布－订阅的信息传输模式在所述脑－机接口系统、所述机器人系统之间传递信息。
本发明还提供一种基于脑-机接口的机器人控制方法，包括如下步骤：
S1、构建基于稳态视觉诱发电位SSVEP刺激范式的人机交互界面；
S2、采集受试者的脑电信号；
S3、搭建在线脑电信号识别方法；
S4、通过样本采样的方法对所采集的脑电信号进行样本采样，通过所搭建的在线脑电信号识别方法对采样后的脑电信号进行识别处理，得到控制指令；
S5、通过控制指令对机器人系统进行控制，使机器人系统按照控制指令进行运动。
优选地，所述步骤S3中，在线脑电信号识别方法包括时域分析、频域分析两种。
优选地，所述时域分析采用典型相关分析CCA算法、多变量同步指数分析MSI算法中的一种。
优选地，所述频域分析采用快速傅里叶变换法、频谱估计法中的一种。
优选地，所述步骤S4中，采用下采样的方法对所采集的脑电信号进行样本采样，并分别对采样后的脑电信号进行识别处理，根据多轮识别结果的叠加得到控制指令。
本发明公开了以下技术效果：
(1)本发明基于ROS系统构建脑机接口，在实现机器人相关功能的过程中，不再需要针对不同机器人或不同的应用需要编写不同代码，还能借助ROS官方提供的开源软件包和社区服务实现机器人各硬件部分的驱动，极大减少了机器人控制系统开发过程中的工作量；
(2)本发明通过脑-机接口的机器人控制系统，能够基于人-机协同控制的方式，将大量的简单任务交给机器人，人只负责高级任务，大大降低了用户负担；
(3)本发明在脑电信号的识别处理过程中，通过频域分析和时域分析相结合的方法，有效降低了脑-机接口控制机器人的错误率，提高了控制系统效率的最大化，进而降低了受试者的操作负担；
(4)本发明在刺激界面上呈现系统指令，被试的注意力无需在视觉闪烁刺激和机器人之间进行切换，被试者的操作难度得到极大降低；
(5)本发明基于脑-机接口的机器人控制系统能够按照对应的指令完成前进、后退、左转以及右转指令，并且系统的误判率低，响应性能好，从指令发出到机器人做出反应，整个过程的延迟不超过1.7s，能够用于辅助残障人士完成目标物的抓取和转移，提高其生活质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于脑-机接口的机器人控制系统结构示意图；
图2为本发明实施例刺激模块的各个刺激状态；其中，图2(a)为初始化状态，图2(b)为刺激等待状态；
图3为本发明实施例中刺激界面示意图；
图4为本发明实施例中在显示屏幕上框定刺激目标示意图；
图5为本发明实施例中CCA算法的输入输出示意图；
图6为本发明实施例中四种刺激目标下CCA分析过程的示意图；
图7为本发明实施例中MSI算法分析过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1所示，本实施例提供一种基于脑-机接口的机器人控制系统，包括：依次连接的虚拟脑电放大器、脑-机接口系统、ROS系统、机器人系统；
所述虚拟脑电放大器用于生成脑电信号，并将脑电信号传送至所述脑-机接口系统；所述虚拟脑电放大器使用MATLAB进行编码，利用TCP/IP通信协议实现指令传输；通过虚拟脑电放大器生成虚拟脑电信号，并将脑电信号通过虚拟脑电放大器与脑-机接口系统间的API(Application Programming Interface，应用程序接口)传送至所述脑-机接口系统。本实施例中，由脑电采集装置代替虚拟脑电放大系统进行工作。
所述脑-机接口系统根据脑电信号产生控制指令，并将控制指令发送至所述ROS系统；所述脑-机接口系统对所述虚拟脑电放大器生成的脑电信号进行处理，将脑电信号转化成对应的机器人控制指令，并将控制指令发送至所述ROS系统。
所述ROS系统用于为所述脑-机接口系统、所述机器人系统提供通信指令传输的通信平台；ROS系统采用发布－订阅的信息传输模式在节点间传递信息；脑－机接口系统和机器人系统分别在ROS系统中作为对应的节点存在，脑－机接口系统和机器人系统之间的通信基于ROS平台来实现；ROS系统能够编译多种常用语言，包括C++，JAVA和PYTHON；在实现机器人相关功能的过程中，开发者不再需要针对不同机器人或不同的应用需要编写不同代码，为代码的移植提供了方便。
所述机器人系统根据所述控制指令完成相应的功能；本实施例中所述机器人系统采用Turtlebot3机器人系统。
本实施例还提供一种基于脑-机接口的机器人控制方法，具体包括如下步骤：
S1、构建基于SSVEP(Steady State Visual Evoked Potential，稳态视觉诱发电位)刺激范式的人机交互界面；
SSVEP刺激范式是一种诱发脑电信号的方法，由不同频率闪烁的刺激模块组成。实验中，被试需要注视对应的刺激模块，产生能够被系统识别的脑电信号。
刺激模块的各个刺激状态均通过状态机实现，实现这些功能主要通过各个刺激状态的run函数和change函数来完成，其中run函数负责实现各个刺激状态过程的功能，change函数负责刺激状态的切换，类似于指针的原理，通过controller.currentProcess来控制所要切换的下一状态，如图2所示。
其中，视觉交互流程如下：
1)呈现初始化状态InitialProcess界面，如图2(a)所示，呈现“系统初始化，请保持放松”；
2)初始状态界面持续30秒后，呈现刺激等待状态界面，如图2(b)所示，呈现“系统准备完毕，即将开始实验”；
3)呈现刺激界面，刺激界面呈现系统指令，如图3所示，系统指令包括“前进、后退、左转、右转”指令，各指令通过频率不同的闪烁块来实现刺激，受试者能够通过目光转移来选定目标；
4)刺激模块中的刺激子系统收到处理子系统的识别结果之后，在显示屏幕上框定刺激目标，如图4所示。
S2、采集受试者的脑电信号；
本实施例采用neuracle公司的脑电帽及设备进行脑电信号采集，由于ERP(Event-related Potentials，事件相关电位)脑电信号的主要成分在脑部中线位置以及枕曲最为明显，在虚拟脑电放大器中，选取Fz,Cz,Pz,O1,O2,Oz导联的脑电信号作为输入信号，刺激开始后，通过虚拟脑电放大器采集受试者的脑电信号，并以无线的方式发给脑-机接口系统。
S3、搭建在线脑电信号识别方法；
由于脑电信号，即SSVEP范式与刺激目标的频率存在较多锁频关系，脑电信号的特征提取算法也是在这个基础上进行的。脑电信号识别分为时域分析和频域分析两种；时域分析通过计算脑电信号和参考信号之间的相关性来对脑电信号进行特征提取，其中参考信号由刺激频率及刺激频率的谐波构成；频域分析通过脑电信号的频谱图或时频图对脑电信号进行特征提取。
本实施例采用CCA(canonical correlation analysis，典型相关分析)算法、MSI(multivariate synchronization index，多变量同步指数分析)算法中的一种对脑电信号进行时域分析；采用快速傅里叶变换法、频谱估计法中的一种对脑电信号进行频域分析。
CCA算法通过分析两个信号之间的相关性来进行模式分类识别，确定被比较的两个信号之间的线性关系，并且求出两个线性组合，使其相关系数最大。
本实施例在采用CCA算法对脑电信号进行时域分析的过程中，计算脑电信号XN*M和刺激目标频率及其谐波频率构成的正余弦参考信号Y2Nh*M之间的相关性，参考信号Y的构造方式如式(1)：
Figure BDA0002719523330000091
式中，fk为刺激目标频率，N为脑电信号导联数，fs为信号采样频率，M为采样点数，Nh为谐波数，tj表示第j个采样点的采样时间。
如果将CCA算法比作一个系统，如图5所示，多个导联通道的脑电信号数据X、参考信号Y经过CCA算法系统的计算后，得到典型变量x＝WxTX、y＝WyTY，其中，Wx表示各个导联通道为脑电信号所占的权重分量，Wy为各个导联通道为参考信号所占的权重分量，权重越大，代表信号分量的贡献越大；x、y分别为X、Y在Wx、Wy方向上的投影分量。根据相关系数计算公式求出典型变量x和y的最大相关系数，和最大相关系数对应参考信号频率的便是刺激频率。
本实施例中，在四种刺激目标下CCA的分析过程如图6所示，预处理过的脑电信号分别与四种刺激信号的模板信号T1、T2、T3、T4，经过CCA算法得到四个相关系数r1、r2、r3、r4，其中输出的最大相关系数对应的参考信号频率则是此脑电信号的刺激频率。
MSI算法通过求解脑电信号与各个参考信号的同步指数，最大同步指数所对应的参考信号的频率，则是脑电信号所对应的刺激频率，如图7所示；脑电信号和参考信号的构造方法与CCA类似，脑电信号XN*M和刺激目标频率及其谐波频率构成的正余弦参考信号Y2N*M，N为脑电信号导联数，M为采样点数，参考信号Y的结构与CCA算法中类似，MSI求同步指数的方法如下：
首先求出脑电信号X和参考信号Y的相关矩阵C，如式(2)所示：
Figure BDA0002719523330000101
式(2)中，C11、C12、C21、C22分别表示X的自相关矩阵、XY的互相关矩阵、YX的互相关矩阵、Y的自相关矩阵，具体表达方式如式(3)所示：
Figure BDA0002719523330000111
为了减弱X和Y的自相关影响，去除C中的自相关矩阵U，自相关矩阵U如式(4)所示：
Figure BDA0002719523330000112
则减弱X和Y自相关影响后的相关矩阵R如式(5)所示：
Figure BDA0002719523330000113
式中，IN*N表示维数为N的单位矩阵，
Figure BDA0002719523330000114
表示维数为2Nh的单位矩阵，Nh为谐波数；不难看出，主对角线上的自相关矩阵被消除。
求出相关矩阵R的p个特征值，其中p＝N+2Nh，并将p个特征值进行标准化，如式(6)所示：
Figure BDA0002719523330000115
式中，Ψi为第i个特征值，i＝1,2,…,P；Ψi’为第i个特征值标准化结果；
则脑电信号X和参考信号Y的同步指数S如式(7)所示：
Figure BDA0002719523330000116
当X和Y不相关时，S＝0，当X和Y完全相关时，S＝1；其他情况下，S介于0和1之间，因此，S的范围为0<＝S<＝1。
快速傅里叶变换法和诱发产生SSVEP的响应原理密不可分。当受试者注视电脑显示器上的某个刺激闪烁目标时，在大脑枕叶区域会诱发产生SSVEP，并且产生与刺激频率相同的信号；通过脑电放大器采集到该脑电信号数据时，通过快速傅里叶变化可以得到相应的频率图，观察分析频谱，信号峰值明显有增大处相对应的频率便是受试者所注视的刺激目标的频率，从而分析识别出刺激目标。功率谱估计算法和快速傅里叶算法类似。
S4、对所采集的脑电信号进行样本采样，通过所搭建的在线脑电信号识别方法对采样后的脑电信号进行识别处理，得到控制指令；
通过样本采样的方法来解决样本不平衡问题。基于快速序列视觉呈现(RSVP)的脑-机接口系统主要对图像进行快速分类，RSVP是一种利用视觉产生刺激从而对人脑产生影响的范式；而在RSVP范式中，非目标图片数量大大超过目标图片，样本不平衡现象严重，影响到模型效果。
本实施例采用下采样的方式，对非目标样本进行采样，所谓的非目标样本指的是未经过处理的脑电信号，与其相对应的目标样本指的是经过处理后需要用来对机器人的运动进行控制的脑电信号。由于脑电信号是一定频率的正弦成分的组合，多次叠加不会对其造成影响，因而使用叠加平均的方法，对目标样本进行扩充。此外根据多轮判断结果的叠加得到最终评分，而不是只靠一次判断。
S5、通过控制指令对机器人系统进行控制，使机器人系统按照控制指令进行运动。
为进一步验证本发明基于脑-机接口的机器人控制系统及控制方法的有效性，本实施例采用Gazebo仿真软件进行虚拟仿真实验测试；实验中，编程控制虚拟脑电放大器生成间隔为140ms的脑电信号，并且每个脑电信号生成的间隔设定为2860ms；生成的指令依次是：3次前进指令，3次左转指令，3次右转指令以及3次后退指令，共计12次指令操作。实验中将12次指令记为一组，共计进行十组实验，需要记录的数据包括每次指令发出后脑机接口的识别结果，以及小车的响应速度，计算脑机接口识别正确率和小车平均响应时间。实际测量选择较为平整的路面进行测试，虚拟仿真实验结果如表1所示，由表1可知，脑机接口识别误判的概率小于均百分之十，发生误判的期望小于百分之五，小车平均响应时间不超过1.7s，即从指令发出到机器人做出反应，整个过程的延迟不超过1.7s，这说明本发明系统是稳定而可靠的。
表1
控制指令 脑机接口识别正确率 小车平均响应时间
前进 93.3％ 1.62s
后退 96.6％ 1.67s
左转 90％ 1.65s
右转 93.3％ 1.64s
为了进一步验证Gazebo仿真软件测试结果的准确性，本实施例采用与仿真实验相同的方式规划小车的运动方式和运动路径，以便于对两次测试的实验结果进行比较，实际测量结果如表2所示：
表2
控制指令 脑机接口识别正确率 小车平均响应时间
前进 96.6％ 2.13s
后退 93.3％ 2.16s
左转 96.6％ 2.23s
右转 90％ 2.15s
由表1和表2可知，从小车的平均响应时间上来看，实际测量中小车的平均反应时长相对虚拟仿真控制系统要长0.52s，但总的来说，这个响应时间在可接受的范围内，满足响应性能的指标要求。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种基于脑-机接口的机器人控制系统，其特征在于，包括：依次连接的虚拟脑电放大器、脑-机接口系统、ROS系统、机器人系统；
所述虚拟脑电放大器用于生成脑电信号，并将脑电信号传送至所述脑-机接口系统；
所述脑-机接口系统根据脑电信号产生控制指令，并将控制指令发送至所述ROS系统；
所述ROS系统用于为所述脑-机接口系统、所述机器人系统提供通信指令传输的通信平台；
所述机器人系统根据所述控制指令完成相应的功能。
2.根据权利要求1所述的基于脑-机接口的机器人控制系统，其特征在于，所述机器人系统采用Turtlebot3机器人系统。
3.根据权利要求1所述的基于脑-机接口的机器人控制系统，其特征在于，所述虚拟脑电放大器采用脑电采集装置。
4.根据权利要求1所述的基于脑-机接口的机器人控制系统，其特征在于，所述ROS系统采用发布－订阅的信息传输模式在所述脑－机接口系统、所述机器人系统之间传递信息。
5.一种基于脑-机接口的机器人控制方法，其特征在于，包括如下步骤：
S1、构建基于稳态视觉诱发电位SSVEP刺激范式的人机交互界面；
S2、采集受试者的脑电信号；
S3、搭建在线脑电信号识别方法；
S4、通过样本采样的方法对所采集的脑电信号进行样本采样，通过所搭建的在线脑电信号识别方法对采样后的脑电信号进行识别处理，得到控制指令；
S5、通过控制指令对机器人系统进行控制，使机器人系统按照控制指令进行运动。
6.根据权利要求5所述的基于脑-机接口的机器人控制方法，其特征在于，所述步骤S3中，在线脑电信号识别方法包括时域分析、频域分析两种。
7.根据权利要求6所述的基于脑-机接口的机器人控制方法，其特征在于，所述时域分析采用典型相关分析CCA算法、多变量同步指数分析MSI算法中的一种。
8.根据权利要求6所述的基于脑-机接口的机器人控制方法，其特征在于，所述频域分析采用快速傅里叶变换法、频谱估计法中的一种。
9.根据权利要求5所述的基于脑-机接口的机器人控制方法，其特征在于，所述步骤S4中，采用下采样的方法对所采集的脑电信号进行样本采样，并分别对采样后的脑电信号进行识别处理，根据多轮识别结果的叠加得到控制指令。
CN202011083444.8A 2020-10-12 2020-10-12 一种基于脑-机接口的机器人控制系统及控制方法 Active CN112140113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011083444.8A CN112140113B (zh) 2020-10-12 2020-10-12 一种基于脑-机接口的机器人控制系统及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011083444.8A CN112140113B (zh) 2020-10-12 2020-10-12 一种基于脑-机接口的机器人控制系统及控制方法

Publications (2)

Publication Number Publication Date
CN112140113A true CN112140113A (zh) 2020-12-29
CN112140113B CN112140113B (zh) 2022-03-22

Family

ID=73951446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011083444.8A Active CN112140113B (zh) 2020-10-12 2020-10-12 一种基于脑-机接口的机器人控制系统及控制方法

Country Status (1)

Country Link
CN (1) CN112140113B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113009931A (zh) * 2021-03-08 2021-06-22 北京邮电大学 一种有人机与无人机混合编队协同控制装置及方法
CN113100786A (zh) * 2021-05-19 2021-07-13 南京邮电大学 一种稳态视觉诱发电位信号的频率识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101590648A (zh) * 2009-05-14 2009-12-02 天津工程师范学院 基于脑-机接口的服务机器人系统
CN105549743A (zh) * 2016-01-18 2016-05-04 中国医学科学院生物医学工程研究所 一种基于脑-机接口的机器人系统及实现方法
US20170135597A1 (en) * 2010-06-04 2017-05-18 Interaxon Inc. Brainwave actuated apparatus
CN110956701A (zh) * 2019-10-24 2020-04-03 中国人民解放军军事科学院国防科技创新研究院 生活辅助系统及生活辅助方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101590648A (zh) * 2009-05-14 2009-12-02 天津工程师范学院 基于脑-机接口的服务机器人系统
US20170135597A1 (en) * 2010-06-04 2017-05-18 Interaxon Inc. Brainwave actuated apparatus
CN105549743A (zh) * 2016-01-18 2016-05-04 中国医学科学院生物医学工程研究所 一种基于脑-机接口的机器人系统及实现方法
CN110956701A (zh) * 2019-10-24 2020-04-03 中国人民解放军军事科学院国防科技创新研究院 生活辅助系统及生活辅助方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
彭丽艳: "基于稳态视觉诱发电位和精神分裂症脑磁信号的分析与识别研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
郭毅: "基于ROS和脑电的无人机远程控制与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113009931A (zh) * 2021-03-08 2021-06-22 北京邮电大学 一种有人机与无人机混合编队协同控制装置及方法
CN113009931B (zh) * 2021-03-08 2022-11-08 北京邮电大学 一种有人机与无人机混合编队协同控制装置及方法
CN113100786A (zh) * 2021-05-19 2021-07-13 南京邮电大学 一种稳态视觉诱发电位信号的频率识别方法

Also Published As

Publication number Publication date
CN112140113B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN111265212A (zh) 一种运动想象脑电信号分类方法及闭环训练测试交互系统
Li et al. Advances in hybrid brain-computer interfaces: Principles, design, and applications
CN112140113B (zh) 一种基于脑-机接口的机器人控制系统及控制方法
CN111110230A (zh) 一种运动想象脑电特征增强方法及系统
CN111820876B (zh) 一种脑电空间滤波器的动态构建方法
Gupta et al. Detecting eye movements in EEG for controlling devices
CN103955270A (zh) 一种基于p300的脑机接口系统的字符高速输入方法
Han et al. ‘Write’but not ‘spell’Chinese characters with a BCI-controlled robot
Hireche et al. A decoding algorithm for non-invasive SSVEP-based drone flight control
Qi et al. Lower limb rehabilitation exoskeleton control based on SSVEP-BCI
Risangtuni et al. Towards online application of wireless EEG-based open platform Brain Computer Interface
Zhang Virtual reality games based on brain computer interface
Petoku et al. Object movement motor imagery for EEG based BCI system using convolutional neural networks
Cecotti et al. Suboptimal sensor subset evaluation in a p300 brain-computer interface
Asawa et al. Brain Computer Interface for Micro-controller Driven Robot Based on Emotiv Sensors
Ghane et al. Robust understanding of EEG patterns in silent speech
Ahmed et al. A non Invasive Brain-Computer-Interface for Service Robotics
Álvarez-Meza et al. Feature relevance analysis supporting automatic motor imagery discrimination in EEG based BCI systems
Niu et al. Effect of 3D paradigm synchronous motion for SSVEP-based hybrid BCI-VR system
Bansal et al. Real-time man-machine interface and control using deliberate eye blink
Al Nuaimi et al. Real-time Control of UGV Robot in Gazebo Simulator using P300-based Brain-Computer Interface
Dongxue et al. Design of an online BCI system based on CCA detection method
Wolf et al. Brain-Computer Interface Based on Operator Blinks to Control the Drone
Teymouri Sendesi Selecting and extracting effective features of SSVEP-based brain-computer interface
Yang et al. Quadcopter Control via Onset Eye Blink Signals: A BCI Study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant