脑机接口|在大脑扮演控制器角色的脑机接口系统中,可以通过大脑信号进行调整

脑机接口|在大脑扮演控制器角色的脑机接口系统中,可以通过大脑信号进行调整

文章图片

脑机接口|在大脑扮演控制器角色的脑机接口系统中,可以通过大脑信号进行调整

文章图片

脑机接口|在大脑扮演控制器角色的脑机接口系统中,可以通过大脑信号进行调整

文章图片


费雷兹和米兰在脑机接口系统对用户意图的错误识别发生之后解码错误 。 随后 , 查瓦里亚加和米兰利用错误相关电位在共享自治概念内控制外部自治设备 。 共享自治描述了用户对他无法控制的系统的操作只有监督控制的情况 。 与之前的报告一致 , 他们报告了位于内侧额叶皮层上方的事件相关电位反应 , 在受试者检测到错误后约二百六十毫秒出现负振幅 。


【脑机接口|在大脑扮演控制器角色的脑机接口系统中,可以通过大脑信号进行调整】
此外 , 事件相关电位的幅度由自主系统误差的频率反向调制 。 一个实时闭环的脑机接口系统可以看作是一个控制问题 。 错误相关电位可用于调整设备的输入控制信号 。 而在传统的控制系统中 , 调整是通过使用线性或非线性控制器进行的 , 而在大脑扮演控制器角色的脑机接口系统中 , 可以通过大脑信号的力量自动进行调整 。 在传统控制系统中寻找合适的控制器已成为可解决的问题;然而 , 理解大脑控制的信号并将它们转化为逻辑和稳定的命令以供外部设备使用仍然具有挑战性 。



阿图西等人的一项研究进一步讨论了这项调查 。 在闭环脑机接口系统中使用错误相关电位的过程可以被视为类似于“从错误中学习” 。 与传统的控制系统相比 , 错误信号可以在几毫秒内被感知 , 大脑直到受试者收到反馈后二百毫秒到七百毫秒才会产生错误相关电位 。 反馈是相关事件 , 它的开始使大脑回路参与处理与错误相关的信息 。 信号的延迟和非平稳性会减慢系统的速度 , 并使实时实现变得困难 。



此外 , 由于错误相关电位不包含任何有关方向或幅度的信息 , 因此在多自由度控制系统中如何根据检测到的错误相关电位调整命令信号仍然存在挑战 。 因此 , 大多数脑机接口系统都是使用预学习算法设计的 , 以在闭环脑机接口中执行任务 。 最近 , 伊图拉特等人开发了一个脑机接口系统 , 使用错误相关电位在几分钟的训练时间后自主完成任务 。



在他们的任务中 , 大脑控制的机械臂使用错误相关电位范式基于预先学习的算法学习了如何到达特定目标 。 提取错误相关电位的一种方法是检测脑机接口平台中观察到的动作和翻译的动作的差异 。 费雷兹和米兰发现了受试者和脑机接口系统之间的相互作用 。 他们在反馈后二百毫秒和四百五十毫秒观察到正峰值 , 在反馈后二百五十毫秒和四百五十毫秒观察到负峰值 。

他们还观察到 , 随着错误率的降低 , 错误相关电位幅度更高 。 查瓦里亚加和米兰调查了受试者监控受试者无法控制的外部代理的后果 。 伊图拉特等人设计了一项研究 , 受试者观察虚拟机器人执行伸手任务 。 指示受试者根据正确路径的先验信息判断机器人运动 。 计算了每个电极位置的平均脑电波形 , 结果显示机器人的正确操作和错误操作之间存在显着差异 。 、

在错误试验中 , 在大约三百毫秒处观察到一个尖锐的正峰 , 然后在大约四百毫秒处出现一个负峰 。 平均脑电图波形由两步导出:首先 , 在范围内选择内侧和后部区域的双极通道 , 去除偏移分量 , 应用零点五到十赫兹的带通滤波器 , 结果被下采样到六十四赫兹;其次 , 他们在阿达升压分类算法中将功能决策树应用于生成的特征向量 。 十重交叉验证表明 , 由此产生的平均脑电图波形可以区分机器人的正确和不正确运动 。 费雷兹和米兰最初研究了错误相关电位在脑机接口系统中的使用 。

相关经验推荐