脑波信号控制轨道小车系统的研制

doi:10.3778/j.issn.1002-8331.1511-0355

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (11): 260-264.DOI: 10.3778/j.issn.1002-8331.1511-0355

脑波信号控制轨道小车系统的研制

秦学斌，张一哲，汪梅

西安科技大学电气与控制工程学院，西安 710054

出版日期:2017-06-01 发布日期:2017-06-13

Controlling rail car by EEG signal

QIN Xuebin, ZHANG Yizhe, WANG Mei

College of Electrical and Control Engineering, Xi’an University of Science & Technology, Xi’an 710054, China

Online:2017-06-01 Published:2017-06-13

摘要/Abstract

摘要： 脑波信号识别是脑机接口（BCI）技术需要解决的关键问题之一。针对脑波信号的数据处理以及特征提取，提出了采用小波变换系数计算“专心度”的特征来描述精神力集中强烈程度以及脑电波活跃状况，并结合实际测试得出不同精神状态下的检测算法。设计了一款基于ARM处理器的脑波控制轨道小车系统，将“专心度”值发送给小车系统，实现了不同精神状态下对小车车速的控制。实验结果表明，采用专心度的特征在识别效果方面要优于FFT的单一频率特征。并且该系统能够快速提取出脑波特征并实时地控制轨道小车行驶，系统性能稳定具有一定的实用价值。

关键词: 脑机接口（BCI）, 脑波信号, 小波变换, ARM处理器, 轨道小车

Abstract: EEG recognition is among the key issues in the Brain Computer Interface（BCI） technology. For the data processing and feature extraction of EEG signal, the concept of attention calculated by wavelet transform coefficient is presented to describe the concentrate intensity and the activity of brain waves, and the detection algorithms are obtained under different concentration states. An EEG signal control rail car system is designed based on ARM processor. The value of attention is sent to the system, which realizes the control of the rail car speed under different concentration states. Experimental results show that the feature of attention is better than the single frequency of FFT in terms of recognition results. This system can quickly extract the feature of EEG and real-time control rail car driving, and the performance is stable and it has a certain practical value.

Key words: Brain Computer Interface（BCI）, EEG signal, wavelet transform, ARM processor, rail car

秦学斌，张一哲，汪梅. 脑波信号控制轨道小车系统的研制[J]. 计算机工程与应用, 2017, 53(11): 260-264.

QIN Xuebin, ZHANG Yizhe, WANG Mei. Controlling rail car by EEG signal[J]. Computer Engineering and Applications, 2017, 53(11): 260-264.

[1]	李子杏，兰珍，唐邓清，闫超，相晓嘉，周晗. 基于ERP信号的目标检测研究综述[J]. 计算机工程与应用, 2021, 57(23): 37-49.
[2]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[3]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[4]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[5]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[6]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[7]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[8]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[9]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[10]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[11]	罗潇，刘旌扬，王健，张裕芳，易宏. 高性能无人帆船软硬件设计[J]. 计算机工程与应用, 2018, 54(9): 265-270.
[12]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[13]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[14]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[15]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.

脑波信号控制轨道小车系统的研制

Controlling rail car by EEG signal

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics