可穿戴人机界面可以控制轮椅车辆或电脑

将新的纳米薄膜电极与柔性电子设备和深度学习算法相结合，可以帮助残疾人无线控制电动轮椅，与计算机交互或操作小型机器人车辆，而无需佩戴大毛电极帽或战斗电线。

通过提供完全便携式的无线脑机接口(身体质量指数)，该可穿戴系统可以改进传统的脑电图(EEG)来测量人脑中的视觉诱发电位信号。该系统测量身体质量指数的EEG信号的能力已经由六个人进行了评估，但是还没有针对残疾人进行研究。该项目由肯特大学和威奇托州立大学乔治亚理工学院的研究人员进行，并在9月11日的杂志《自然机器智能》中进行了报道。

佐治亚理工学院乔治w伍德拉夫学院助理教授Woon-Hong Yeo说：“这项工作报告了为各种辅助设备、智能家居系统和神经游戏界面设计符合人体工程学的便携式脑电图系统的基本策略。”机械工程系和华莱士. h .库尔特生物医学工程。“主要创新在于在微型皮肤保形系统中开发了一套完全集成的高分辨率脑电图监测系统和电路。”

身体质量指数是康复技术的重要组成部分，它可以使患有肌萎缩侧索硬化症(ALS)、慢性中风或其他严重运动障碍的人控制假肢系统。现在，为了收集被称为稳态虚拟诱发电位(SSVEP)的大脑信号，需要使用带有电极的发帽，通过湿电极、粘合剂和导线与计算机设备相连，以解读信号。

Yeo和他的合作者正在使用新的灵活的无线传感器和电子设备，可以很容易地应用于皮肤。该系统由三个主要部分组成：安装在头发上的高柔性电极，它可以通过头发直接接触头皮；超薄纳米薄膜电极；带蓝牙遥测单元的柔性电路。大脑记录的脑电图数据在柔性电路中进行处理，然后通过蓝牙从15米外无线传输到平板电脑。

除了感测要求之外，检测和分析SSVEP信号总是具有挑战性，因为其信号幅度低，类似于人体在几十微伏范围内的电噪声。研究人员还必须处理人类大脑的变异。然而，精确的信号测量对于确定用户希望系统做什么非常重要。为了应对这些挑战，研究团队转向了运行在柔性印刷电路板上的深度学习神经网络算法。

肯特大学多媒体/数字系统高级讲师Chee Siang(Jim)Ang表示：“深度学习方法通常用于对猫和狗等日常事物进行分类，用于分析脑电信号。”“就像狗的图片可能会有很多变化一样，脑电信号也面临着高可变性的挑战。深度学习方法已经被证明非常适合图片，我们也证明了它们也可以很好地用于脑电信号。”