用于工业与医疗的单通道非侵入式可穿戴脑-机接口

本研究的提出通过利用消费级设备、简单的信号处理和扩展现实技术，推动了低成本、可穿戴、便携式脑机接口的发展。该技术旨在使脑机接口技术更贴近日常生活，并为工业和医疗健康领域的众多用户开辟新的可能性。该系统还已应用于针对注意力缺陷多动障碍或自闭症儿童的机器人辅助康复治疗中。

结果令人鼓舞。首先，佩戴好智能眼镜和头带，将低成本脑电图仪通过USB线缆连接到PC，同时确保PC未连接主电源。在此步骤中，必须将所有电极从脑电图仪采集板上断开，以确保从一个已知状态开始。

在此阶段，使用与 Android 应用程序中实现的处理方式兼容的脚本，在计算机上离线处理 EEG 数据流。运行该脚本以接收 EEG 信号并进行可视化，检查所显示的信号。

这必须仅对应于脑电放大器的量化噪声。连接第一个电极，并使用定制夹子将无源电极固定在左耳，或使用耳夹电极。由于测量差分通道仍处于开路状态，此步骤中的输出信号必须保持不变。

将一个主动电极连接到测量 EEG 通道差分输入端的负极，并使用头带将其放置于额区。数秒后，信号应恢复至零。将另一个主动电极连接到测量 EEG 通道差分输入端的正极，并使用同一头带将其放置于枕区。

当前显示的脑信号对应于前额叶脑区和枕叶区域测得的视觉活动。通过启动安卓应用程序中的闪烁图标，以10赫兹和12赫兹频率反复刺激用户。在按下智能眼镜触摸板的同时，启动脑电图采集与可视化脚本。

确保此阶段的每次刺激均由单个图标闪烁10秒组成。从每次刺激对应的10秒信号中，通过快速傅里叶变换提取两个特征：10赫兹和12赫兹处的功率谱密度。或者，也可考虑二次谐波。

利用在特征域中表示的采集信号来训练支持向量机分类器。使用 MATLAB 或 Python 中的工具确定具有潜在核函数的超平面参数。根据输入特征，训练好的模型将能够对未来的脑电图（EEG）信号观测结果进行分类。

从计算机上拔下USB线缆，然后直接将其连接到智能眼镜。将训练好的分类器参数输入安卓应用程序中。系统现在已准备就绪。

已针对低成本脑电图仪的线性度和幅值误差进行了表征，结果如图所示。通过测量智能眼镜的闪烁情况，以突出其与标称方波路径的潜在偏差。

本图展示了商用智能眼镜在闪烁按钮的幅度谱方面的表征结果，其中包含10赫兹和12赫兹的闪烁情况。该图表示在特征域中进行视觉刺激期间测得的信号。

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。对每位受试者，将持续十秒刺激的结果与持续两秒刺激的结果进行比较。此处报告了将所有受试者合并考虑时获得的准确率，以及所有受试者的平均准确率。

此处展示了在考虑两个PSD特征与四个PSD特征时，针对SSVEP相关EEG数据的分类性能比较。鉴于消费级设备具有良好的计量特性，使用者主要需关注测量电极的机械稳定性，因为这些电极不使用导电凝胶。该方法已证实对相对抗噪的SSVEP信号有效，但也可进一步探究类似设备在其他范式（如运动想象）中的应用。

由于具有可穿戴性、便携性和使用简便等优点，该技术目前正被研究作为康复治疗的辅助设备，或作为工业场景中的新型工具。