混合腦電信號(hào)及視覺信息的智能輪椅人機(jī)交互系統(tǒng)

張毅，尹春林，蔡軍

(重慶郵電大學(xué) 信息無障礙工程研發(fā)中心，重慶 400065)

?

混合腦電信號(hào)及視覺信息的智能輪椅人機(jī)交互系統(tǒng)

張毅，尹春林，蔡軍

(重慶郵電大學(xué) 信息無障礙工程研發(fā)中心，重慶 400065)

針對(duì)單一腦電信號(hào)人機(jī)交互系統(tǒng)中受試者長(zhǎng)時(shí)間運(yùn)動(dòng)想象過程中精神極易產(chǎn)生疲乏，導(dǎo)致腦電信號(hào)有用信息量不足造成系統(tǒng)誤識(shí)別的問題，本文提出一種視覺信息輔助腦電信號(hào)的人機(jī)交互系統(tǒng)。該系統(tǒng)通過在腦電信號(hào)實(shí)時(shí)操作中不斷地識(shí)別眼睛狀態(tài)，產(chǎn)生一種新的樣本更新策略，更新的視覺信息作為系統(tǒng)的反饋，對(duì)人機(jī)交互閉環(huán)控制系統(tǒng)起到有效的校正作用。通過在智能輪椅平臺(tái)走一個(gè)“8”字形固定軌跡的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明：視覺信息的加入有效地避免了單一腦電信號(hào)控制智能輪椅由于疲乏問題造成的誤識(shí)別問題，具有較好的穩(wěn)定性和魯棒性，表明了該人機(jī)交互方法的可行性。

EEG；視覺信息；樣本更新；人機(jī)交互

腦機(jī)接口(brain computer interface，BCI)是不依賴于大腦外周神經(jīng)與肌肉系統(tǒng)，在人腦和計(jì)算機(jī)或外部設(shè)備之間建立起來的一種通信系統(tǒng)[1]。它能夠?yàn)槟切┦?duì)所有身體機(jī)能控制但思維意識(shí)正常的殘障人士提供一種新型的對(duì)外信息交流手段，提高他們的自主活動(dòng)能力，并在殘疾人康復(fù)和正常人輔助控制領(lǐng)域有著廣泛的應(yīng)用前景[2-5]。雖然腦電信號(hào)控制智能輪椅的種類在增多，識(shí)別率在不斷地提高，但都是單一腦電人機(jī)交互系統(tǒng)，由于腦電信號(hào)(electro encephalo gram， EEG)的非平穩(wěn)性和非線性等問題，且受試者運(yùn)動(dòng)想象過程中精神需要長(zhǎng)期處于高度集中狀態(tài)，極易疲乏，則容易造成系統(tǒng)的誤識(shí)別，降低系統(tǒng)的穩(wěn)定性。在混合控制方面，國(guó)內(nèi)的研究的較少。早在2011年，英國(guó)Essex大學(xué)的Huosheng Hu就指出未來的人機(jī)交互應(yīng)是多模態(tài)融合，通過被賦予的多功能選擇行為提高其魯棒性和可靠性[8]。

針對(duì)上述研究，本文提出了一種新型的視覺信息輔助腦電信號(hào)的人機(jī)交互系統(tǒng)。該系統(tǒng)通過對(duì)腦電信號(hào)進(jìn)行特征提取、特征分類的同時(shí)不斷地檢測(cè)眼睛狀態(tài)，把更新的視覺信息作為系統(tǒng)的有效輸入，不斷調(diào)節(jié)模型參數(shù)使得整個(gè)人機(jī)交互系統(tǒng)隨著視覺信息的變化做相應(yīng)的調(diào)整。視覺信息與腦波信號(hào)的結(jié)合，有效降低了使用者針對(duì)傳統(tǒng)單一腦電信號(hào)由于疲乏等問題造成的誤識(shí)別，使得系統(tǒng)不受時(shí)間、使用者狀態(tài)的影響而可以簡(jiǎn)單、自然地進(jìn)行人機(jī)交互。

1 系統(tǒng)架構(gòu)及疲勞狀態(tài)下腦電信號(hào)的特征

1.1 系統(tǒng)架構(gòu)

本系統(tǒng)主要包括對(duì)信號(hào)的預(yù)處理、特征提取、特征分類以及通過無線通信系統(tǒng)對(duì)智能輪椅的控制幾個(gè)部分。腦電信號(hào)采集和預(yù)處理部分都是通過Emotiv SDK Headset腦波儀和其中的信號(hào)處理軟件完成的。所用的Emotiv腦波儀如圖1(a)所示，電極安放位置如圖1 (b)所示，其采樣頻率為128 Hz。

(a)Emotiv腦電采集儀

(b) Emotiv電極安放位置

圖2為該控制系統(tǒng)框圖。

圖2 系統(tǒng)框圖

1.2 疲勞狀態(tài)下腦電信號(hào)的特征

由于EEG人機(jī)交互系統(tǒng)受試者需要長(zhǎng)時(shí)間進(jìn)行單一的重復(fù)想象操作，很容易造成精神的疲勞[9]。圖3為2種狀態(tài)下與精神狀態(tài)有關(guān)的AF3信號(hào)的波形。

(a)正常狀態(tài)波形

(b)疲勞狀態(tài)波形

圖3所示，不同狀態(tài)下的腦電波形雖然存在著一定的差異，但是卻看不出2種狀態(tài)下EEG信號(hào)所包含的基本節(jié)律波。為了進(jìn)一步研究2種狀態(tài)下腦波信號(hào)的特征，本文對(duì)腦波信號(hào)進(jìn)行了頻譜分析，得到2種狀態(tài)下EEG信號(hào)的頻譜圖。

圖4可知當(dāng)受試者處于正常狀態(tài)時(shí)主要以α波(8～13 Hz)、β波(14～30 Hz)為主；疲勞時(shí)主要以α波和θ波(4～7 Hz)為主，此時(shí)δ波(0.5～3 Hz)增多，而β波越來越少(幾乎為零)，波段的變化使得腦電信號(hào)特征值穩(wěn)定性低、特征向量區(qū)分度差，嚴(yán)重影響了BCI系統(tǒng)的性能。隨著時(shí)間的增長(zhǎng)和腦電疲勞的加劇，腦電信號(hào)的識(shí)別率更低。

(a)正常狀態(tài)頻譜圖

(b)疲勞狀態(tài)頻譜圖

2 控制方案設(shè)計(jì)

2.1 腦電信號(hào)控制

腦電信號(hào)是該控制系統(tǒng)的基礎(chǔ)。通過對(duì)Emotiv腦電信號(hào)采集儀的各通道腦電信號(hào)的分析，發(fā)現(xiàn)O1通道對(duì)睜閉眼腦電信號(hào)反應(yīng)最明顯，F(xiàn)C5和FC6通道對(duì)左右手運(yùn)動(dòng)想象腦電信號(hào)反應(yīng)最明顯，閉眼放松與左右手相比很容易被區(qū)分出來，這里不是本文重點(diǎn)，而左右手的區(qū)分是特征分類的難點(diǎn)，因此本文選擇F3、F4、FC5、FC6、T7和T8通道的腦電信號(hào)來提取左右手運(yùn)動(dòng)想象腦電信號(hào)的特征。選用一種改進(jìn)的CSSD算法作為其特征提取方法[10]提取腦電信號(hào)特征，經(jīng)過實(shí)驗(yàn)驗(yàn)證，該特征提取算法能使左右手運(yùn)動(dòng)想象腦電信號(hào)的在線平均識(shí)別率高達(dá)95.01%。

2.2 視覺控制

EEG是一個(gè)非線性且非平穩(wěn)的信號(hào)，當(dāng)使用者處于疲勞狀態(tài)時(shí)，大腦產(chǎn)生的瞬時(shí)狀態(tài)信號(hào)并非是使用者本身的思想意識(shí)，這種非意識(shí)動(dòng)作往往引起人機(jī)交互系統(tǒng)的不穩(wěn)定。所以視覺信息的有效監(jiān)測(cè)在引導(dǎo)控制信號(hào)正確運(yùn)動(dòng)中起著至關(guān)重要的作用。

圖5 改進(jìn)前后正負(fù)誤差對(duì)比

由圖5可見，在正負(fù)誤差比方面改進(jìn)后的Adaboost不會(huì)出現(xiàn)太大的波動(dòng)，避免了權(quán)重分配不均造成的過適應(yīng)，改進(jìn)的Adaboost算法亦可用較少的特征得到較高的準(zhǔn)確率，在圖像檢測(cè)速度方面得到了很大的提升。眼睛狀態(tài)檢測(cè)具體步驟為：用上述改進(jìn)的Adaboost算法先定位人臉，然后將人臉的上半部分的左右兩邊分別切割開，在此基礎(chǔ)上再用一次改進(jìn)Adaboost算法精確定位出人眼圖片[14]，如圖6。

這種眼睛定位方法速度很快，2次用同樣的改進(jìn)Adaboost算法，避免了第2次分類器的重構(gòu)，節(jié)省了時(shí)間。訓(xùn)練目標(biāo)分類器時(shí)，需要構(gòu)造正負(fù)樣本圖像集，本文實(shí)驗(yàn)中采集了50個(gè)人的左右眼狀態(tài)圖，圖像分類器的正樣本釆用了左右眼各400張人眼圖像，圖像分辨率歸一化為40×20的灰度圖像，然后對(duì)圖像的分類器進(jìn)行訓(xùn)練。負(fù)樣本為除眼睛外的人臉其他區(qū)域、風(fēng)景以及室內(nèi)環(huán)境等任意圖片800張，將負(fù)樣本統(tǒng)一轉(zhuǎn)換為灰度圖像。圖7為不同光照、不同姿態(tài)、不同距離下的部分人眼和非人眼樣本。圖7(c)為3位受試者眼睛狀態(tài)的識(shí)別效果實(shí)例。可以看到復(fù)雜背景下迎光、背光、側(cè)光3種光照條件，大小和形狀不同的眼睛狀態(tài)都可以被檢測(cè)到，從而滿足系統(tǒng)要求。

圖6 眼睛定位步驟

圖7 部分人眼樣本和非人眼樣本及識(shí)別結(jié)果

隨機(jī)選取4位受試者對(duì)訓(xùn)練好的分類器進(jìn)行測(cè)試，結(jié)果如表1所示。由表1可以看出,采用改進(jìn)的Adaboost對(duì)睜眼樣本的識(shí)別率最高達(dá)98.7%，閉眼識(shí)別率最高達(dá)98.2%，不管人眼樣本還是非人眼樣本，平均識(shí)別率均在97%以上。采用此分類器可以較好地識(shí)別人眼樣本，為腦電信號(hào)的正確控制提供可靠的校正信息。

表1 眼睛狀態(tài)識(shí)別率

由于系統(tǒng)是對(duì)受試者的疲勞狀態(tài)進(jìn)行識(shí)別，所以必須有較高的實(shí)時(shí)性。為了進(jìn)一步驗(yàn)證系統(tǒng)的實(shí)時(shí)性，本文用攝像頭拍攝3段視頻，分辨率為640×480，在Intel(R) Core(TM)2 Duo CPU E7500，2.93 GHz，1.99 G硬件環(huán)境，VS2010實(shí)驗(yàn)平臺(tái)下對(duì)3段視頻進(jìn)行測(cè)試，系統(tǒng)達(dá)到22幀/s的速度。與文獻(xiàn)[15]中單獨(dú)使用睜閉眼分類器92 ms和傳統(tǒng)Adaboost算法49 ms的檢測(cè)時(shí)間相比，本文改進(jìn)Adaboost算法的檢測(cè)時(shí)間達(dá)到30 ms,滿足實(shí)時(shí)要求。

2.3 視覺信息輔助腦電信號(hào)樣本更新策略

在智能輪椅硬件平臺(tái)和VS2010軟件平臺(tái)和Emotiv人機(jī)交互閉環(huán)控制過程中，眼睛狀態(tài)的實(shí)時(shí)監(jiān)測(cè)作為一種重要的反饋信息，對(duì)系統(tǒng)穩(wěn)定性有著重要的影響。在對(duì)眼睛狀態(tài)的識(shí)別中眨眼動(dòng)作是影響系統(tǒng)安全的一個(gè)重要因素。本文采取2 s內(nèi)perclos準(zhǔn)則設(shè)定，如果perclos>40%，則認(rèn)為受試者處于疲勞狀態(tài)，不進(jìn)行任何的動(dòng)作；如果 perclos≤40%，則要進(jìn)行眨眼頻率的比較，如果每次眨眼時(shí)間為0.3～0.4 s，或者在2次運(yùn)動(dòng)想象內(nèi)至少檢測(cè)到一次眨眼則按照受試者的想象運(yùn)動(dòng)執(zhí)行相應(yīng)的動(dòng)作。否則認(rèn)為沒有進(jìn)行任何運(yùn)動(dòng)，不對(duì)輪椅發(fā)出指令。視覺信息輔助腦電信號(hào)人機(jī)交互系統(tǒng)流程圖如圖8。

具體步驟為：

1)人機(jī)交互系統(tǒng)啟動(dòng)，同時(shí)啟動(dòng)眼睛狀態(tài)實(shí)時(shí)監(jiān)測(cè)程序和EEG信號(hào)采集程序。

2)運(yùn)動(dòng)想象腦電信號(hào)分類識(shí)別，同時(shí)監(jiān)測(cè)規(guī)定時(shí)間內(nèi)眼睛狀態(tài)。

3)若檢測(cè)到眼睛狀態(tài)則利用改進(jìn)的Adaboost識(shí)別并進(jìn)一步判定是否符合perclos準(zhǔn)則，若沒有檢測(cè)到眼睛狀態(tài)則返回步驟1)。若眼睛狀態(tài)與perclos準(zhǔn)則匹配則將EEG信號(hào)作為更新樣本，進(jìn)行在線訓(xùn)練，同時(shí)向智能輪椅發(fā)送控制指令，執(zhí)行前進(jìn)或者左、右轉(zhuǎn)運(yùn)動(dòng)中的一種；若不匹配則返回步驟1)。

圖8 混合人機(jī)交互系統(tǒng)流程圖

3 實(shí)驗(yàn)結(jié)果及分析

3.1 系統(tǒng)性能驗(yàn)證

為了驗(yàn)證設(shè)計(jì)的混合EEG人機(jī)交互系統(tǒng)的性能，通過讓4位受試者使用引入視覺信息的EEG人機(jī)交互系統(tǒng)和單一的EEG人機(jī)交互系統(tǒng)在智能輪椅平臺(tái)進(jìn)行重復(fù)性實(shí)驗(yàn)，完成如圖9所指定的路線。本文設(shè)定的輪椅控制方式為：左右手運(yùn)動(dòng)想象腦電信號(hào)控制智能輪椅左轉(zhuǎn)和右轉(zhuǎn)，閉眼放松腦電信號(hào)控制智能輪椅前進(jìn)。在輪椅運(yùn)動(dòng)方向與自己期望運(yùn)動(dòng)方向不一致或輪椅運(yùn)動(dòng)到自己期望的位置時(shí)，受試者就可通過咬牙使得F7通道產(chǎn)生的高幅度脈沖信號(hào)控制智能輪椅停止。通過分析，發(fā)現(xiàn)4位受試者在相同狀態(tài)下采用2種控制方式操作智能輪椅完成該路線在不同時(shí)間段的軌跡基本一致。圖10為其中1位受試者利用2種控制方式操作智能輪椅完成該路線時(shí)在不同時(shí)間段的軌跡。圖11(a)為4位受試者在不同時(shí)間段利用單一EEG人機(jī)交互系統(tǒng)完成指定路線的時(shí)間。圖11(b)為4位受試者利用混合EEG人機(jī)交互系統(tǒng)完成指定路線的時(shí)間。

圖9 實(shí)驗(yàn)路徑

圖10 Emotiv腦電采集儀及電極安放位置

圖11 4位受試者在不同時(shí)間段利用兩種控制方式完成指定路線的時(shí)間

圖11中4個(gè)柱狀條分別為4位受試者在規(guī)定的受訓(xùn)時(shí)間：0～10 min，10～20 min，20～30 min，30～40 min內(nèi)完成指定路線所用的時(shí)間。由圖10(b)和圖11(b)可知混合EEG人機(jī)交互系統(tǒng)在不同時(shí)間段都能夠安全平滑地完成指定路線，完成指定路線所用時(shí)間也將大大減少，并且隨著受訓(xùn)時(shí)間的延長(zhǎng)，消耗時(shí)間也只增加10 s左右。圖10(a)和圖11(a)中雖然單一的EEG系統(tǒng)也能完成指定路線，但當(dāng)受訓(xùn)時(shí)間為30～40 min軌跡曲線開始出現(xiàn)較大的波動(dòng)且不光滑，輪椅開始原地打轉(zhuǎn)、向非意識(shí)方向運(yùn)動(dòng)，這是因?yàn)槟X電采集系統(tǒng)本身或者受試者運(yùn)動(dòng)想象過程中精神需要長(zhǎng)期處于高度集中狀態(tài)，極易產(chǎn)生疲乏，使得腦電信號(hào)特征值發(fā)生變化[16-17]，穩(wěn)定性降低，產(chǎn)生很多誤識(shí)別動(dòng)作，進(jìn)而完成指定路線的時(shí)間也隨著延長(zhǎng)約100 s。

3.2 算法識(shí)別率驗(yàn)證

為了驗(yàn)證改進(jìn)的CSSD算法的性能，4個(gè)受試者分別控制智能輪椅左轉(zhuǎn)、右轉(zhuǎn)各40次，然后從中各隨機(jī)抽取20次作為訓(xùn)練樣本，其余作為測(cè)試樣本，將上述所得的特征向量分別輸入支持向量機(jī)分類器進(jìn)行分類，經(jīng)交叉驗(yàn)證得到幾位受試者在不同的特征提取下左右手的正確識(shí)別率如表2、表3所示。

表2 采用傳統(tǒng)CSSD特征提取的正確識(shí)別率

表3 采用改進(jìn)CSSD特征提取的正確識(shí)別率

由表2、3可知，使用改進(jìn)CSSD特征提取算法得到的左右手平均正確識(shí)別率均在87%以上，最高平均正確識(shí)別率為95.01%，最低值為87.80%，較傳統(tǒng)CSSD算法有效提高了腦電信號(hào)的正確識(shí)別率。

4 結(jié)束語

本文提出了一種混合腦電信號(hào)及視覺信號(hào)的智能輪椅人機(jī)交互系統(tǒng)。該人機(jī)交互系統(tǒng)通過改進(jìn)Adaboost算法不斷地檢測(cè)眼睛狀態(tài)，視覺信息的加入大大避免了受試者利用單一EEG人機(jī)交互系統(tǒng)時(shí)由于疲乏問題造成的有用信息缺失導(dǎo)致的系統(tǒng)誤識(shí)別問題。通過“8”字形軌跡的固定實(shí)驗(yàn)，驗(yàn)證了該智能輪椅人機(jī)交互方案是可行的。

[1]涂建成. 腦電信號(hào)控制智能輪椅的研究[D]. 杭州: 杭州電子科技大學(xué), 2011. TU Jiancheng. The research for control intelligent wheelchair based on EEG[D]. Hangzhou: Hangzhou Dianzi University, 2011.

[2]REBSAMEN B, GUAN Cuntai, ZHANG Haihong, et al. A brain controlled wheelchair to navigate in familiar environments[J]. IEEE transactions on neural systems and rehabilitation engineering, 2010, 18(6): 590-598.

[3]HOW T V, WANG R H, MIHAILIDIS A. Evaluation of an intelligent wheelchair system for older adults with cognitive impairments[J]. Journal of neuroengineering and rehabilitation, 2013, 10(1): 90.

[4]JI Y, HWANG J, KIM E Y. An intelligent wheelchair using situation awareness and obstacle detection[J]. Procedia-social and behavioral sciences, 2013, 97: 620-628.

[5]ORTNER R, ALLISON B Z, KORISEK G, et al. An SSVEP BCI to control a hand orthosis for persons with tetraplegia[J]. IEEE transactions on neural systems and rehabilitation engineering, 2011, 19(1): 1-5.

[6]何海洋. 基于多類意識(shí)任務(wù)識(shí)別的電動(dòng)輪椅腦電控制方法研究[D].杭州:杭州電子科技大學(xué), 2012. HE Haiyang. The research of EEG control methods of power wheelchair based on muti-class mental tasks recognition[D]. Hangzhou: Hangzhou Dianzi University, 2012.

[7]李戀. 結(jié)合EOG和EEG的人機(jī)交互系統(tǒng)的研究與實(shí)現(xiàn)[D]. 合肥: 安徽大學(xué), 2012. LI Lian. The research and implementation of the human-computer interaction system based on the combination of EOG and EEG[D]. Hefei: Anhui University, 2012.

[8]WEI Lai, HU Huosheng. A multi-modal human machine interface for controlling an intelligent wheelchair using face movements[C]//Proceedings of IEEE International Conference on Robotics and Biomimetics. Karon Beach, Phuket: IEEE, 2011: 2850-2855.

[9]ROY R N, BONNET S, CHARBONNIER S, et al. Mental fatigue and working memory load estimation: interaction and implications for EEG-based passive BCI[C]//Proceedings of the 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Osaka: IEEE, 2013: 6607-6610.

[10]張毅, 梅彥玲, 羅元. 基于改進(jìn)CSSD的運(yùn)動(dòng)想象腦電信號(hào)特征提取[J]. 青島科技大學(xué)學(xué)報(bào): 自然科學(xué)版, 2015, 36(1): 94-101. ZHANG Yi, MEI Yanling, LUO Yuan. Feature extraction of motor imagery in EEG based on improved CSSD[J]. Journal of Qingdao university of science and technology: natural science edition, 2015, 36(1): 94-101.

[11]SHI Jianjun, YUAN Qingwu, ZHOU Lawu, et al. Melancholia EEG classification based on CSSD and SVM[C]//Proceedings of SPIE 8285, 2010 International Conference on Graphic and Image Processing. Cairo, Egypt: SPIE, 2011: 14-18.

[12]SHIBANOKI T, SHIMA K, TSUJI T, et al. A Quasi-Optimal channel selection method for bioelectric signal classification using a partial Kullback-Leibler information measure[J]. IEEE transactions on biomedical engineering, 2013, 60(3): 853-861.

[13]PERDUCA V, NUEL G. Measuring the influence of observations in HMMs through the Kullback-Leibler distance[J]. IEEE signal processing letters, 2013, 20(2): 145-148.

[14]熊池亮. 基于AdaBoost算法的駕駛員疲勞駕駛檢測(cè)[D]. 成都: 電子科技大學(xué), 2013. XIONG Chiliang. Detection of driver’s fatigue driving based on Adaboost algorithm[D]. Chengdu: University of Electronic Science and Technology of China, 2013.

[15]王奕直, 周凌霄, 孔萬增. 基于Adaboost的疲勞駕駛眨眼檢測(cè)[J]. 杭州電子科技大學(xué)學(xué)報(bào), 2013, 33(4): 35-38.

WANG Yizhi, ZHOU Lingxiao, KONG Wanzeng. Eye blinking detecting in driving fatigue based on Adaboost[J]. Journal of Hangzhou dianzi university, 2013, 33(4): 35-38.

[16]YOO J, YAN Long, EL-DAMAK D, et al. An 8-Channel scalable EEG acquisition SoC with patient-specific seizure classification and recording processor[J]. IEEE journal of solid-state circuits, 2013, 48(1): 214-228.

[17]NEU D, MAIRESSE O, VERBANCK P, et al. Non-REM sleep EEG power distribution in fatigue and sleepiness[J]. Journal of psychosomatic research, 2014, 76(4): 286-291.

張毅，男，1966年生，教授，博士生導(dǎo)師,主要研究方向?yàn)闄C(jī)器人及應(yīng)用、數(shù)據(jù)融合、信息無障礙技術(shù)。

尹春林，男，1990年生，碩士研究生，主要研究方向?yàn)槎嗄Ｈ藱C(jī)交互。

蔡軍，男，1977年生，副教授，主要研究方向?yàn)闄C(jī)器人技術(shù)及應(yīng)用、生物信號(hào)處理及應(yīng)用、模式識(shí)別。

On a hybrid electroencephalograph and visual information intelligent wheelchair human-machine interactive system

ZHANG Yi, YIN Chunlin, CAI Jun

(Information Accessibility Engineering R&D Center, Chongqing University of Posts and Telecommunications, Chongqing 400065, China)

To address error recognition problems created by mental fatigue when a human subject partakes in a single motor imager process for a long period of time, a visual information assisted EEG (electroencephalograph) human-machine interactive control system was proposed. The system produces a new sample updated strategy, with the ‘state’ of the eyes being recognized by the improved Adaboost algorithm in real-time and the recognition result being used to decide which EEG signal to update as the model parameter for human-machine interaction. An experiment on controlling an intelligent wheelchair off a fixed trajectory with a ‘8’ glyph was undertaken. The results show that visual information is adopted effectively by the intelligent wheelchair users to avoid the fatique-related error recognition problem with good levels of efficiency; thus proving that the interactive method is feasible.

EEG; visual information; sample updated; human-machine interaction

2015-11-05.

日期：2016-08-24.

科技部國(guó)際合作項(xiàng)目(2010DFA12160)；國(guó)家自然科學(xué)基金項(xiàng)目(60905066)；國(guó)家自然科學(xué)基金項(xiàng)目(51075420).

尹春林. E-mail：659825946@qq.com.

TP242.6

A

1673-4785(2016)05-0648-07

10.11992/tis.201511004

http://www.cnki.net/kcms/detail/23.1538.TP.20160824.0929.010.html

張毅，尹春林，蔡軍.混合腦電信號(hào)及視覺信息的智能輪椅人機(jī)交互系統(tǒng)[J]. 智能系統(tǒng)學(xué)報(bào)， 2016, 11(5):648-654.

英文引用格式：ZHANG Yi, YIN Chunlin, CAI Jun. On a hybrid electroencephalograph and visual information intelligent wheelchair human-machine interactive system [J]. CAAI transactions on intelligent systems, 2016,11(5):648-654.