1.
为了项目的顺利实施,项目组成员针对项目进行了准备工作与前期调研,最终确定了以脑电识别算法、ROS机器人控制算法以及Robosuite仿真环境的搭建作为项目主要任务。
2.
为了更好地学习脑电相关知识,同时为后续针对自行采集脑电数据的处理与奠定好基础,本项目组成员利用SEED情绪脑电数据集进行了脑电数据预处理与特征提取与识别算法的学习,并自行设计开发了完整的脑电数据预处理程序。
SEED数据集是由BCMI实验室的吕宝粮教授团队整理并公开的62导EEG三分类情绪脑电数据集。SEED的采集设备的电极排布采用的是国际10-20导联系统,其具体电极排布如下图所示
为获取较为纯净的脑电信号,需对其进行预处理操作。本项目组对SEED脑电数据的预处理共分为坏导检测与插值、滤波、重参考、去伪迹、信号分段与基线校正五步。
脑电预处理程序的编写基于MNE-Python开源脑电分析工具箱。
具体步骤如下:
(1)
坏导检测与插值采用MNE的plot可视化技术人工选择损坏的脑电电极,并使用其周围电极对该损坏脑电点击进行插值处理;
(2) 滤波采用了基于FIR数字滤波器的0.3~50Hz的带通滤波以及50Hz陷波滤波;
(3) 重参考采用了全脑平均参考法;
(4) 去伪迹采用了ICA独立成分分析法,通过阈值法筛选具有眼电EOG伪迹与肌电EMG伪迹的ICA成分;
(5) 信号分段采用MNE的epochs类实现,将原始4分钟47000个采样点的脑电数据分成5秒1000个采样点的脑电片段,以便于特征描述子的计算以及机器学习算法的学习,基线校正选择了每个epochs的第-0.1秒至第0.1秒作为基线;
成果:
经过几个月的学习,项目组成员充分学习了脑电信号处理的相关知识,对后续进行脑电识别算法设计以及通过脑电实现机器人控制奠定了良好的基础
问题:
1. 在脑电信号伪迹去除等方面仍未实现全面自动化,预处理耗时较长;
2. 学习的仍然是比较基础的脑电预处理算法,尚未对相关领域的前沿算法进行学习;
3. 目前仅仅完成了针对脑电数据的预处理算法的学习,还未深入学习识别算法以及机器人控制算法。
|