根据项目计划安排,本季度针对脑电信号识别算法进行研究,同时对项目各部分进行整合与优化。
1.
首先在人体动作检测方面,项目组采用了一种基于EEG和sEMG协同处理的上肢动作识别模式。通过设计5个上肢动作,使用Delsys肌电采集设备采集8通道的肌电数据,使用BP脑电采集设备采集C3、C4通道的脑电数据。对信号进行预处理后分别提取sEMG的时、频域特征和EEG的熵特征。同时提出一种基于Fisher准则的特征融合算法,使用特征的Fisher值构建融合系数矩阵,提出一种新的PSOC-SVM分类器。
2.
其次在脑电信号识别方面,本项目组设计了一种结合3D卷积和多头自注意力机制的3DC-MHSA模块,用于对EEG信号进行特征提取。3D卷积能够实现对EEG时空特征的提取,而多头自注意力机制则能够通过计算通道注意力权重来提取通道特征。而在模型训练方面,我们采用了对比学习预训练-微调(fine-tune)相结合的方式,先让模型从大量地预处理过脑电数据中学习到足够多的特征再将这些特征与动作识别任务相结合,从而提高识别的准确度。
3.
最后,项目组通过总结并优化之前在ROS机器人控制系统方面的研究成果,将上位机内的上肢动作识别程序与脑电识别程序作为节点与下位机进行通讯,实现借助sEMG、EEG信号对小车及机械臂的控制。
该季度主要成果
在该季度项目组通过落实研究内容转化研究成果,取得了一系列研究成果,包括会议论文一篇以及“互联网+“铜奖等各等级比赛奖励。
仍存在的问题:
1. PSOC-SVM分类器的个体特异性较高,在跨被试实验中效果不佳,亟待继续优化;
2.
对比学习方法要求的数据量较大,目前项目组的方案是通过多种数据增强来满足训练所需,后续将继续增加脑电采集实验,扩大训练数据集规模;
3.
目前只用到了sEMG、EEG两种人体生理电信号且控制方式与机械臂动作较为单一;