[论文解读] Towards Brain-Computer Interfaces for Drone Swarm Control

Ji-Hoon Jeong, Dae-Hyeok Lee+2 more|arXiv (Cornell University)|Feb 3, 2020

EEG and Brain-Computer Interfaces参考文献 24被引用 4

一句话总结

本研究提出了一种基于非侵入性脑电图（EEG）的脑机接口（BCI），通过视觉意象范式控制无人机群。研究成功实现了对四种高层级群组指令——'悬停'、'分裂'、'分散'和'聚合'——的分类，七名受试者总体平均准确率达到36.7%，超过25%的随机水平，从而证明了使用基础机器学习实现基于EEG的无人机群控制的可行性。

ABSTRACT

Noninvasive brain-computer interface (BCI) decodes brain signals to understand user intention. Recent advances have been developed for the BCI-based drone control system as the demand for drone control increases. Especially, drone swarm control based on brain signals could provide various industries such as military service or industry disaster. This paper presents a prototype of a brain swarm interface system for a variety of scenarios using a visual imagery paradigm. We designed the experimental environment that could acquire brain signals under a drone swarm control simulator environment. Through the system, we collected the electroencephalogram (EEG) signals with respect to four different scenarios. Seven subjects participated in our experiment and evaluated classification performances using the basic machine learning algorithm. The grand average classification accuracy is higher than the chance level accuracy. Hence, we could confirm the feasibility of the drone swarm control system based on EEG signals for performing high-level tasks.

研究动机与目标

• 开发一种基于非侵入性EEG信号的脑-群组接口系统，用于控制无人机群。
• 探究在视觉意象任务期间，是否能够从EEG信号中解码出高层级群组指令。
• 使用基础机器学习评估四种不同无人机群行为的分类性能。
• 建立受控的实验环境，以在模拟无人机群操作期间采集EEG信号。
• 评估基于EEG的BCI在真实场景中实现复杂、多指令无人机群控制的可行性。

提出的方法

• 采用视觉意象范式，受试者在脑海中想象四种无人机群行为：'悬停'、'分裂'、'分散'和'聚合'。
• 使用四阶段实验协议：休息、视觉提示/准备、固定注视点和意象阶段，显示器距离眼睛90厘米。
• 使用64导联EEG系统以1,000 Hz采样率采集EEG信号，并应用60 Hz陷波滤波器，电极阻抗<10 kΩ。
• 预处理数据时采用零相位二阶巴特沃斯带通滤波器（8–30 Hz），并将数据分割为4秒的时间段。
• 应用通用空间模式（CSP）提取空间特征，使用前三个和后三个CSP分量的对数方差。
• 使用线性判别分析（LDA）结合一对一余类策略和5折交叉验证对四种类别进行分类。

实验结果

研究问题

• RQ1 在无人机群行为视觉意象过程中，EEG信号是否能够可靠地分类为四种类别的不同指令？
• RQ2 使用非侵入性EEG和基础机器学习，高层级无人机群指令的分类准确率是否超过随机水平（25%）？
• RQ3 EEG信号质量与任务表现的个体差异如何影响基于BCI的无人机群控制系统的分类准确率？
• RQ4 模拟的真实环境在多大程度上提升了基于EEG控制复杂群组任务的可行性？
• RQ5 是否可以仅使用非侵入性EEG开发出用于多指令、高层级控制的脑-群组接口系统？

主要发现

• 七名受试者总体平均分类准确率为36.7%（±4.6%），显著高于四分类任务的25%随机水平。
• 受试者5的准确率最高，达到41.3%；受试者3最低，为28.4%，表明个体EEG信号响应存在差异。
• EEG数据质量在受控条件下足够可靠，分类性能高于随机水平。
• 受试者3表现较差与执行视觉意象任务存在困难有关，提示可能存在认知负荷或任务理解问题。
• 结果证实了使用EEG基BCI实现高层级无人机群控制的可行性，尤其适用于基本群组行为。
• 本研究为未来结合深度学习以提升真实环境中分类鲁棒性奠定了基础。