沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.comJournal of King Saud University手运动的脑机接口问题Prasant Kumar Pattnaik*，Jay Sarraf印度布巴内斯瓦尔KIIT大学计算机工程学院接收日期2016年4月27日;修订日期2016年7月15日;接受日期2016年2016年10月1日在线发布摘要本文主要讨论脑机接口（BCI）的应用及其存在的问题。此外，还尝试在去除所获取的各种手部运动的信号中的伪影之后实现左手和右手运动分类。©2016作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。这是CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.一.导言. 181.1.应用程序191.2.挑战212.相关工作213.手部运动场景实验3.1.RMS和MAV计算3.2.使用离散小波变换（DWT）进行特征提取234.结论24参考文献241. 介绍*通讯作者。电子邮件地址：patnaikprasant@gmail.com，kiit.ac.in（P. K.Pattnaik），jaysarraf596@gmail.com（J. Sarraf）。沙特国王大学负责同行审查脑机接口（BCI）涉及大脑和设备的组合，两者共享一个接口，以实现大脑和必须从外部控制的对象之间的通信通道。人类大脑有无数的神经元，它们相互连接以传递冲动。当电极芯片通过手术方法植入大脑时，神经元产生的电信号被传输到计算机，然后计算机将信号转换为数据。这些数据被解释为http://dx.doi.org/10.1016/j.jksuci.2016.09.0061319-1578© 2016作者制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier关键词BCI;无创;特征提取;脑电脑机接口问题19来控制电脑设备2013年，Lebedev成功地将两只大鼠的大脑耦合在一起，利用一个接口来实现信息的直接共享（Pais-Vieira et al.，2013年）。神经元之间电压的微小波动被测量，信号被放大以产生图形。虽然侵入性脑机接口专注于直接实施到大脑的灰质中，以通过神经外科手术产生最高质量的信号，但非侵入性脑机接口利用脑电图（EEG），脑磁图（MEG）和功能磁共振成像（fMRI）等技术EEG技术的经验是将电极放置在头皮上，已知许多系统使用附接到单独导线的电极多年来，BCI一直致力于开发智能放松设备，提供对轮椅和车辆等设备的增强控制，控制机器人和计算机光标，并在计算机游戏中提供额外的控制渠道已知仿生眼睛可以恢复视力丧失的人的视力（Krishnaveni等人， 2012年）。考虑到运动想象的情况，运动想象是指个体复制动作的心理过程。因此，运动的心理表征在没有实际身体运动的情况下占主导地位。想象力的效率是很难控制的。因此，控制EEG使个体能够交流，尽管不能控制随意肌。神经和肌肉的接口替代品和信号被纳入硬件和软件，以转化为物理动作。基于脑电的脑机接口可以通过不同类型的运动图像（如左右手想象和活动）记录和分类脑电变化，从而增强运动功能和运动学习。它在神经康复、认知神经科学和认知心理学领域临床应用已经从运动想象中获得了大量的帮助，从增强移动性和运动到减少神经性疼痛（Malouin和Richards，2013）。数据的分析和截取是具有挑战性的，因为EEG信号容易受到经常被称为噪声的变化的波动的影响。已经设计了各种策略来防止和消除噪音。在本文中，我们应用巴特沃兹滤波器机制，以消除噪音的信号，以提高数据质量。此外，我们专注于特征提取，将原始信号转化为信息信号。我们使用支持向量机进行同样的工作。特征提取在图像处理中有着重要的作用.图中显示了脑机接口系统的一步一步的过程。1.一、信号通过各种手段，如侵入性（ECog，神经外科）和非侵入性（EEG，fMRI，MEG）技术。通道选择是重要的考虑因 素 之 一 ， 因 为 大 多 数 EEG 通 道 表 示 冗 余 信 息（Sleight等人， 2009年）。图2示出了人头皮上的EEG通道放置。每个头皮电极都位于大脑中心。2001年，Pfurtscheller（Wolpaw，2002）发现，许多与拳头运动相关的神经活动存在于通道C3、C4和Cz中，如图2B所示。F7代表理性活动，Fz代表意图和动机数据，P3、P4和Pz包含感知和分化，T3、T4代表情感过程，T5、T6具有记忆功能，O1和O2包含可视化数据。为了从所获得的信号中去除噪声，可以采用任何合适的滤波技术。此外，所提取的数据可以移动用于分类阶段。1.1. 应用图3中示出了BCI系统的一些流行应用，并且下面讨论了其中的每一个：图3中所示的应用已经在下面提到：i. 用于通信和控制的BCI：用于通信和控制的BCI主要包括拼写设备、环境控制和功能性电刺激（FES）或假肢设备等应用。非肌肉沟通和控制不仅限于猜测。Graimann等人（2007）已经报道，大脑和外部世界之间的直接接触是可以实现的，并且可以用于几个有用的目的。BCI还没有达到驾驶飞机的能力，而且很可能不会很快实现。目前实现的BCI最多能够达到25位/分钟。这种适度的容量对于缺乏随意肌肉控制的人或对于剩余控制弱、容易疲劳或不可靠的人可能是有价值的。患有不活动状况（例如ALS、脑干卒中或重度多发性神经病）或缺乏任何778 J.R.的患者Wolpaw等人/临床神经生理学113（2002）767它也可能有助于执行缓慢的文字处理（即。对于预测程序，25比特/分钟可以产生2个字/分钟。智能轮椅可以自动避免碰撞和危险事件，或者机器人手臂可以独立管理特定的运动场景，并识别和纠正可能适合的安全问题。图1脑计算接口系统中涉及的过程20P.K. Pattnaik，J.Sarraf图 2 EEG 通 道 在 人 体 头 皮 上 的 位 置 （ http://static.wixstatic.com/media/1c3d1a_0df53d200a402620889eb084e288ad18.jpg/v1/fill/w_475，h_437，al_c，lg_1，q_80/1c3d1a_0df53d200a402620889eb084e288ad18.jpg;http://blog.jfrey.info/images/openbci_p300_coadapt/channels_P300.png）。图3脑机接口系统的一些应用。由不可靠的控制信号控制，如由BCI传递的那些信号（Ang等人， 2011年）。因此，BCI技术的未来价值将在很大程度上取决于信息传输速率的提高ii. 医疗应用：脑机接口的医疗应用帮助严重残疾人独立工作，提高他们的生活质量。它还有助于预防和检测各种意识水平检测系统。吸烟和饮酒对脑电波的主要影响已经得到强调。肿瘤是由细胞的不受限制的自我分裂产生的，并且可以使用EEG作为一种信号来识别MRI和CT-SCAN的廉价二次替代品。基于脑电信号的脑肿瘤检测系统已经吸引了许多研究者，如在研究中指出的利用脑电信号识别乳腺癌。测量大脑行为可以诊断阅读障碍，这是一种大脑疾病。iii. 神经物理调节和康复：神经物理调节和康复具有广泛的可行应用。可以预期，与正常神经反馈相比，BCI依赖性神经反馈疗法是另外富有成效的。可以成功治疗的神经障碍是注意力缺陷多动障碍（ADHD）、记忆障碍、癫痫和中风（Ang等人，2011年）。因此，BCI系统可以被认为是所有可用系统中最方便的神经反馈系统。脑机接口系统支持神经生理调节和康复，主要关注大脑模式的自我调节以及整个大脑部分的皮层重组和代偿性脑激活。主要的性能指标，如高信息传输速率和准确的控制作为次要的BCI应用程序（通信和控制应用程序）。有行动能力问题的患者依靠康复来恢复他们失去的功能，并恢复以前的行动能力，以适应他们的后天残疾。缺氧导致脑细胞崩溃，导致中风。这种情况迫使患者失去说话和处理记忆问题的能力。身体的左侧经常瘫痪。已知大脑信号 它已宣布在Birbaumer等人。（2013），有可能重组与中风损伤相对应的大脑结构。此外，可以通过神经可塑性来恢复受损的运动功能（Ruiz，2014;Anupama等人， 2012年）。iv. 训练和教育：训练和教育与大脑及其可塑性有关。大脑能够改变、生长和重新映射自己。确定可塑性可以改进训练技术和个人训练方案。神经反馈训练是模块化EEG设备46 R.A.的应用。Ramadan et al.，旨在有效工作、注意力、执行功能和记忆力。神经工效学是一个评估应用程序，脑机接口问题21评估人的能力与技术之间的完美匹配脑机接口在教育和培训方法中得到应用（Zander和Jatzev，2009年）。基于EEG的BCI可以使患者能够根据心理思想控制或移动光标，其中患者可以选择单词或字母。协作BCI负责提高培训和教育计划的有效性。这可以通过监控学生的注意力/集中度或有效参与的能力来实现实时检测情绪、挫折或惊喜（Jackson和Mappus，2010年）使培训或教育应用程序能够以各种方式进行调整，从而成功提高学生的学习率。v. 游戏和娱乐：BCI中的游戏和娱乐适用于玩游戏，如增强现实，娱乐和3D游戏的某些应用程序。通过使用3D监视器，可以部署眼镜和EEG耳机来通过思想控制游戏。娱乐业在引入新概念和新模式方面非常敏捷。人机交互是一个诱人的概念。3-D电视、基于手势的游戏控制器和游戏已经被专门开发为支持EEG耳机。在过去的几年里，Neurosky、Uncle Milton、Mind Games和Mattel等公司推出了许多产品。用于情绪控制和/或神经假肢康复的EEG严肃游戏可能包含新的游戏想法或修改后的游戏想法。Tan和Nijholt（Mathan，2008）的Brainball游戏旨在降低压力水平。移动球的唯一方法是放松，使冷静的球员成为赢家。球员们倾向于在娱乐的同时学习控制vi. 身份验证和安全性：身份验证和安全性在安全系统的BCI中引入了大量研究根据几位研究人员的研究，驾驶行为产生的EEG信号可能会被异常行为和忧虑对象的检测可以由单独的EEG或EEG和眼球运动的组合来支持（Panoulas等人，2010年）。它表明了一种情况，即10名观察员被分配观看闭路电视录像或行李扫描的工作EEG和眼球运动有可能识别可能未被注意到的可能目标。该系统的目的是监测一个观察员即使图4左手运动的原始滤波信号EEG是用于测谎的强大手段，BCI系统的可靠性在实际情况中的道德使用方面受到质疑（Nakanishi等人，2011年）。可以利用具有心理任务条件的简化驾驶模拟器来证实驾驶员的身份Nakanishi等人，2013; Revett等人，2010;Upreti，2014描述了无意识的驱动程序身份验证。1.2. 挑战BCI一直是科学家、工程师和医疗从业者的一个令人兴奋的论坛。BCI研究人员和开发人员必须致力于解决激动人心的未来的三个关键问题：信号采集硬件，可靠性和训练过程，并且它不能摆脱图1中给出的挑战。 四、信号采集硬件：开发可用的非医学BCI应用所需的信号采集硬件是一个核心挑战。EEG传感器必须干燥、舒适、适合使用并且易于修改，因为在BCI系统之前，必须有利于实验室和医院之外的使用。部署的传感器必须提供良好的信号质量，即使在非常嘈杂的环境中有移动用户。研究人员已经提出，BCI可以在实验室外使用或与移动用户一起使用，但性能相对低于实验室条件。工作必须满意地集中在开发更好的有源电极与有源屏蔽。可靠性：BCI系统在大多数应用中的可靠性较差。重要的是，BCI系统必须适合于实时执行，并且对于人体中的肌肉动作是有根据的如果没有进步，BCI的实际可用性将继续成为严重疾病用户唯一最常用的通信功能主要问题取决于对3个主要问题的识别和捕获：稳健且交互式BCI系统的中间作用;部署模拟中枢神经系统的扩散工作的BCI系统的要求;以及实现整合额外脑信号的必要性以提供反馈机制的系统（Liao等人， 2014年）。培训过程：培训用户是一项耗时的活动。它在通过过程控制用户或已经记录的会话的数量中发现其重要性（Nakanishi等人，2011年）。无论是preliminary阶段或分类器校准阶段可以用于训练过程。用户可以操作系统来控制他/她的大脑反馈信号。2. 相关工作2013年，Vighneshwari（Sleight et al.，2009），已经分析了左手和右手运动的EEG信号。本文介绍了脑-机接口的结构框图，包括信号采集、信号处理、特征提取、分类和输出。典型的滤波解决方案不足以消除高斯白噪声，并且存在于EEG主频率能量中的随机噪声干扰不能被容易地去除。WGN不能●●●22P.K. Pattnaik，J.Sarraf完全去除，因此突出了特征提取的必要性特征提取的方法之一是利用小波变换。连续小波变换是在函数的基础上对信号进行分析，这些函数通过尺度变换和平移相互联系在离散小波变换中，采用数字滤波技术来获得数字信号的时间尺度表示。滤波操作决定了信号的分辨率。特征提取的另一种方法是分析时域和域特征。这些特征包括积分EEG、平均绝对值、修正平均绝对值1、修正平均绝对值2、简单平方积分、方差、均方根、波形长度、零交叉、斜率符号变化和平均绝对偏差。所有的特征都带有一些数学计算，这些计算触发了实验结果。通过MATLAB中的信号处理程序对信号进行分析和滤波，并进行了将DWT应用于信号产生频率的Beta和Alpha频带计算百分比误差针对左开、左闭、右开和右闭检查六个特征，从而对EEG信号进行分类。在2013年[25]，Jae Won Bang提出了一种方法，该方法可以检测到头部运动，平均错误率为3.22%，相对于其他方法更低使用前视摄像机以及EEG采集硬件来消除由头部运动上的其他活动产生的噪声，并检测由前视摄像机拍摄的运动特征，使得消除EEG数据中的噪声成为可能。采用线性判别分析和支持向量机对数据集进行降维和分类，以提高运动检测的准确性。2014年，Dokare（Wolpaw，2002）将EEG信号分类为用于BCI应用的想象左手和右手运动运动想象模式识别过程中的主要困难是成功地估计、可视化和在特征向量中表示ERD/ERS现象特征提取技术利用离散小波工具对脑电信号进行支持向量机SVM已被应用到分类所获得的功能到右手和左手的活动。使用MATLAB进行了分析这项工作在很大程度上依赖于小波变换方法，用于将输入信号分解成称为小波的基本波形。离散小波变换（Discrete Wavelet Transform，简称DWT）是将脑电信号分解为一个粗略的近似，然后进行多分辨率分析，从而对不同频段的信号进行不同分辨率的分析。小波变换具有尺度函数和小波函数两种功能，与低通和高通带通滤波器相关联。连续的高通和低通滤波将信号分解为称为子带的不同频带低通滤波器给出近似系数，而高通滤波器给出细节系数。因此，这些特征可以用作不同手指移动的分类器。2014年，Ke Liao（Liao et al.，2014），使用EEG信号来识别单手的单个手指运动。实验对11名右利手健康受试者进行，所获得的脑电数据采用椭圆无限脉冲响应（IIS）滤波器在EEGLAB工具箱中。为了识别和评估手指运动，计算功率谱密度（PSD）和主成分分析（PCA）。特征选择过程使用谱PCA进行，其中每个数据集被分成测试集和训练集，关于五重交叉验证，将整个数据集均匀地分成5个通常的绝对子集。研究结果表明，利用谱PSD可以将手指运动中与谱结构相关的运动分解出来，并利用谱PSD计算单个手指的运动，计算准确率为77.11%，有望增加基于脑电（EEG）的无创BCI技术的控制维数。在2011年（Bang等人， 2013），A. K. Mohamed使用EEG信号来显示与手腕和手指运动相关的EEG之间的差异为了基于ERS/ERD（事件相关同步）提取独特的特征，使用了独立分量分析（ICA），而对于特征约简，使用了Bhattacharya距离，这有助于选择相对于单独类别的最佳特征此外，它指出，Mahalanobis距离被发现在BCI研究中提供良好的性能。它用于计算选定类中每个试验信号与其自身平均类之间的距离另外，人工神经网络（ANN）被用来将数据分为训练集和测试集，准确率分别为65%和71%，证明了离线区分手和手腕运动的可能性。3. 手部运动我们对手部运动场景的假设基于图1，并且工作集中在非侵入性BCI系统上。实验系统采用巴特沃兹滤波器对原始信号进行滤波，并采用监督学习模型离散小波变换进行特征提取。因此，我们部署了一个数据集，以确保所有步骤都是一致的（Wolpaw，2002）。使用NUST（http://static.wixstatic.com/media/1c3d1a_0df53d200a402620889eb084e288ad18.jpg/v1/fill/w_475 ， h_437 ， al_c ， lg_1 ，q_80/1c3d1a_0df53d200a402620889eb084e288ad18.jpg ） 获得的数据集进行实验。该数据集是在500 Hz下从一名21岁右利手男性受试者记录的，该受试者没有已知的医疗状况。该数据集包括在他闭上眼睛期间记录的实际左手和右手移动。手部运动的顺序是随机的，并且使用Neurofax EEG系统进行记录。从所获得的数据集，我们认为通道C3和C4，因为这些通道包含手部运动场景的必要信息每当信号被发送时，它将在另一端或空间中我们知道某些骚乱当由于电子运动而产生热噪声时，该噪声被标记为加性高斯白噪声（AWGN）。接收信号的常见表示为表1非滤波信号中的RMS和MAV。特征左后1左后2RMS51.789561.3618MAV50.770758.5482脑机接口问题23均方根（RMS）：它被建模为调幅高斯随机过程。它可以实时确定，并且易于实现。其特征用于检测起始活动、肌肉收缩和肌肉活动。其标准偏差公式可以表示为：vut1XNN n 1图5信号的4级小波分解平 均 绝 对 值 （ MAV ） ： 它 类 似 于 平 均 校 正 值（ARV）。它是通过取EEG信号的绝对值的平均值来计算的MAV可以定义为：1XNYtXttt1MAV ¼N1/1 jxnj其中X（t）是原始信号，n（t）恰好是噪声。n（t）为零的概率是最高的，并且随着n（t）的大小的增加而显著降低。噪声在每个频率上都以相同的功率一致存在，因此称为加性高斯白噪声。在脑电信号分析中，高斯白噪声常被用来表征噪声，且很难完全消除。因此，使用MATLAB中的信号处理工具箱对信号进行分析。使用Butterworth滤波技术将信号低通滤波至0左手运动的未经滤波和经滤波的信号示于图 四、3.1. RMS和MAV计算在该部分中，已经使用等式（1）计算了左手运动的原始采集的信号数据（未滤波的）和在考虑参数（比如RMS和MAV）的情况下左手运动的（2）和（3）。计算值分别记录在表1和表2中。在下面的表1和表2中，示出了两个手部移动场景，是为了证明结果的合理性表1中的记录值示出了来自原始信号的左后向手移动场景1的值，原始信号具有RMS值51.7895和MAV值50.7707。类似地，它被记录为左后向手运动sce- nario2。如表2所示，来自滤波信号的左后向手移动场景1的值具有RMS值为48.0030和MAV为49.0439，并且类似地用于左后向手移动场景2。比较从原始信号和未滤波信号获得的RMS和MAV值，表2中的滤波信号表明在应用巴特沃斯滤波技术时的更好结果。3.2. 基于离散小波变换的在特征提取阶段采用了离散小波变换，其中多个小波（滤波后的信号作为输入）以特定的窗口大小离散对每个窗口都应用了小波变换技术。在图5中，信号的分解级别被定义并划分为：图6训练信号以及左手向后运动的详细小波系数。表2特征RMSMAV滤波信号中的RMS和MAV左后148.003049.0439左后259.324558.5264XRMS¼2nð2Þ24P.K. Pattnaik，J.Sarraf两个小波系数，即缩放系数和细节系数。当数据被排列时，提供阈值以计算输入数据的值。在本实验中，使用反函数将阈值视为250 Hz。基于阈值在不同的频带上对信号进行分解连续的高通和低通滤波确保信号分解成子带，并且低通滤波器与近似系数（Ca1）相关联，而高通滤波器与详细系数（Cd1）相关联。分解的水平的量被认为是由主持频率分量的信号的一部分（图。 6）。滤波后的信号分为频率的cd1、cd2、cd3和Cd4级范围beta(16 Hz-32 Hz），阿尔法（8 Hz-16 Hz）、θ（0 Hz-8 Hz）和δ。近似系数为cA5。采样频率为500Hz。此外，这些小波系数分解可以用作分类器的特征向量，以便使用支持向量机（SVM）分类器对左/右手运动进行分类。这些具有整个系数的特征向量形成大的维度，因此我们可以仅使用具有频率范围分别为84. 结论脑机接口一直在为严重残疾患者提供帮助。控制大脑的行为并接收来自身体其他部位的信息，它提供了人脑和技术设备之间的通道支持。脑机接口在研究和实施领域有着众多的应用，一直吸引着研究界。我们以以下内容结束工作采集了一小部分手指和手部运动的脑电信号，应用低通滤波技术去除伪影，并与原始数据进行了比较，得到了满意的使用离散小波变换从EEG信号中提取α和β频带频率，因此被认为是用于信号的分类。在未来，我们可能会研究和比较各种低频带滤波技术，以消除信号中存在的伪影。引用Ang，C.S.，Sakel，M.，佩珀，M.，Phillips，M.，2011.脑机接口在神经康复中的应用。Br. J. Neurosci. 护士7（3），523-528。Anupama，H.S.，Cauvery，N.K.，Lingaraju，G.M.，2012.脑机 介 面 及 其 类 型 之 研 究 。 Int. J. Adv. Eng. Technol. 3（2），739。Bang，Jae Won，Choi，Jong-Suk，Kang，Ryoung Park，2013.通过使用EEG信号和正面观察相机图像来降低脑电波中的噪声。传感器13，6272-6294。Birbaumer，Niels，Ruiz，Sergio，Sitaram，Ranganatha，2013.学习大脑代谢的调节。趋势认知Sci. 17（6），295-302。Graimann，Bernhard，Brendan Allison，Axel Graüser，2007.非侵入性脑机接口的新应用以及对参与培训环境的需求。在：计算机进展国际会议娱乐http://static.wixstatic.com/media/1c3d1a_0df53d200a402620889e-b084e288ad18.jpg/v1/fill/w_475，h_437，al_c，lg_1，q_80/1c3d1a_0d-f53d200a402620889eb084e288ad18.jpg，2016年9月1日访问。http://blog.jfrey.info/images/openbci_p300_coadapt/channels_P300的网站。png，accessed on 09/01/2016.杰克逊，M.M.，马普斯河2010.脑机接口的应用。大脑计算干扰，八十九至一百零三克里希纳维尼，C.V.，Lakkakula，Ramesh B.，Sunki，Manasa，2012. 人工视觉-仿生眼人工视觉-仿生眼IJCST 3（1），400-406.Liao，Ke et al，2014.使用人类EEG信号解码单手的单个手指运动。 PLoS One 9（1），e85192.Malouin，Francine，Richards，Carol L.，2013年。运动想象在康复中的临床应用。多感官图像。施普林格，纽约，pp.397- 419Mathan，S.，2008.以思维的速度进行图像搜索。 ACMInteract.15（4），76-77。Nakanishi I，Baba S，Li S.使用简化驾驶模拟器评估脑电波作为驾 驶 员 认 证 的 生 物 特 征 。 In ： Bio-metrics and KanseiEngineering （ ICBAKE ） ， 2011 International Conference on.IEEE; 2011. pp. 71比76中西岛巴巴，S.，Ozaki，K.，Li，S.，2013年。 使用脑电波作为透明的生物识别技术进行按需驾驶员身份验证。Int. J.Biometrics 5（3），288-305.Pais-Vieira ， M. ， Lebedev ， M. ， Kunicki ， C. ， 王 杰 ，Nicolelis，M.A.，2013年。一个脑对脑的接口，用于实时共享感觉运动信息。Sci.众议员3.第三章。Panoulas，K.J. ，Hadjileontiadis，L.J.，Panas，S.M. Brain–computer interface 智能环境中的多媒体服务。Springer;2010.pp. 299-321。Revett，K，Deravi，F，Sirlantzis，K.，2010.用于用户认证的生物信号-朝向认知生物测定学？在：新兴安全技术（EST），国际会议。IEEE; 2010年。第71-76页。Ruiz，Sergio，2014.实时功能磁共振成像脑机接口：单个脑区对网络的自我调节。Biol. 心理学。95，4- 20。Sleight，Jason，Pillai，Preeti，Mohan，Shiwali，2009.执行和想象的运动EEG信号的分类。Universityof Michigan，Ann Arbor.1-10。Upreti，Nikhita，Sharma，Aabha，Bali，Divya，2014. BCI通信和控制。国际创新杂志Res. Technol. 1（4），72-75.ISSN：2349Wolpaw，Jonathan R.，2002.脑机接口用于通信和控制。Clin.神经生理学113.6，767-791.Zander，Thorsten O.，萨宾·贾采夫，2009年。利用被动式脑机介面侦测使用者的情感内隐状态。在：第三届国际情感计算和智能交互会议和研讨会。IEEE，2009年。第1●
我的内容管理
展开
