[论文解读] Review of the State-of-the-art on Bio-signal-based Brain-controlled Vehicles

Amin Hekmatmanesh, Pedro H. J. Nardelli+1 more|arXiv (Cornell University)|Jun 3, 2020

EEG and Brain-Computer Interfaces被引用 4

一句话总结

本文回顾了过去十年基于脑电信号（EEG）和生物信号的脑控车辆（BCV）与脑控飞行器（BCAV）研究，重点分析了利用事件相关去同步/同步（ERD/ERS）、P300及稳态视觉诱发电位（SSVEP）等神经模式进行意图识别的技术。研究指出，机器学习方法——尤其是支持向量机（SVM）、线性判别分析（LDA）以及fNIRS-EEG混合信号融合——在提升分类准确率和降低响应延迟方面发挥关键作用，目前已实现无人机与汽车的实时控制，最高准确率达80%，延迟低至2.3秒。

ABSTRACT

Brain-controlled vehicle (BCV) is an already established technology usually designed for disabled patients. This review focuses on the most relevant topics on the brain controlling vehicles, especially considering terrestrial BCV (e.g., mobile car, car simulators, real car, graphical and gaming cars) and aerial BCV, also named BCAV (e.g., real quadcopter, drone, fixed wings, graphical helicopter and aircraft) controlled using bio-signals such as electroencephalogram (EEG), electrooculogram and electromyogram. For instance, EEG-based algorithms detect patterns from motor imaginary cortex area of the brain for intention detection, patterns like event related desynchronization/event related synchronization, state visually evoked potentials, P300, and generated local evoked potential patterns. We have identified that the reported best performing approaches employ machine learning and artificial intelligence optimization methods, namely support vector machine, neural network, linear discriminant analysis, k-nearest neighbor, k-means, water drop optimization and chaotic tug of war optimization optimization. We considered the following metrics to analyze the efficiency of the different methods: type and combination of bio-signals, time response, and accuracy values with the statistical analysis. The present work provides an extensive literature review of the key findings of previous ten years, indicating the future perspectives in the field.

研究动机与目标

• 系统性回顾过去十年中基于生物信号的脑控车辆（BCV）与脑控飞行器（BCAV）的最新研究进展。
• 识别在车辆控制中用于意图检测的最有效生物信号模式（如ERD/ERS、P300、SSVEP）及信号处理技术。
• 评估基于机器学习与人工智能的算法在分类运动想象与认知状态方面的性能，以实现实时车辆控制。
• 分析不同BCV与BCAV系统在响应时间、准确率与鲁棒性等方面的关键性能指标。
• 指出当前面临的开放性挑战与未来研究方向，包括通信延迟、环境噪声干扰，以及紧急制动检测问题。

提出的方法

• 对2014至2024年十年间基于EEG、EOG、EMG与fNIRS信号的BCV与BCAV研究开展系统性文献综述。
• 根据神经模式对控制范式进行分类：使用ERD/ERS实现运动想象控制，SSVEP用于视觉刺激控制，P300用于事件相关电位控制。
• 应用支持向量机（SVM）、线性判别分析（LDA）、k-NN、k-means以及元启发式优化算法（如水滴算法、混沌拔河算法）进行特征分类。
• 通过EEG-fNIRS与EEG-EOG等混合信号融合策略，提升信号鲁棒性与指令分辨率。
• 在人机共控策略（SCS）中引入外部传感器（如GPS、距离传感器、摄像头），以增强实时决策能力与障碍物规避性能。
• 采用响应延迟、分类准确率及结果统计显著性等指标评估实时性能表现。

实验结果

研究问题

• RQ1 哪些生物信号模式（如ERD/ERS、P300、SSVEP）在BCV与BCAV系统中对驾驶员意图检测最为有效？
• RQ2 机器学习与人工智能分类方法（如SVM、LDA、神经网络）在BCV/BCAV控制中的准确率与响应时间表现如何比较？
• RQ3 信号融合技术（如EEG-fNIRS、EEG-EOG）对提升真实世界车辆控制中的指令分辨率与系统鲁棒性有何影响？
• RQ4 BCV与BCAV系统在实时运行中的主要性能瓶颈是什么，特别是响应延迟与环境干扰问题？
• RQ5 集成外部传感器数据的共控策略（SCS）如何提升紧急情况（如障碍物规避与紧急制动）下的安全性与可靠性？

主要发现

• 性能最佳的BCV与BCAV系统采用混合生物信号融合技术（如EEG-fNIRS）与先进机器学习模型（如SVM与LDA），在八种不同无人机指令分类中实现最高80%的准确率。
• 尽管共控策略（SCS）有所改进，基于fNIRS的系统中响应延迟仍为关键挑战，最高达2.3秒。
• EEG基系统可在实际动作前0.5至2秒检测到运动意图，从而实现实时干预，尤其适用于紧急制动检测。
• 通过引入多种刺激任务（如心算、词汇生成）可扩展特征空间，提升四旋翼飞行器控制中复杂指令的分类性能。
• 尽管在受控环境下准确率较高，但环境噪声、压力、疲劳及个体差异显著降低了系统在真实应用中的鲁棒性。
• 未来系统需依赖超5G通信基础设施以降低延迟，并支持高保真、安全可靠的云端/边缘计算处理，实现高性能BCV/BCAV运行。