将新型的纳米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，而无需戴上笨重的头发电极帽或与电线抗争。通过提供一个完全便携式的无线脑机接口(BMI)，该可穿戴系统可以对传统的脑电图(EEG)进行改进，以测量人脑中视觉诱发电位的信号。该系统测量BMI的EEG信号的能力已由6名人类受试者进行了评估，但尚未针对残疾人进行过研究。

该项目由乔治亚州理工学院，肯特大学和威奇托州立大学的研究人员进行，已在《自然机器智能》杂志上进行了报道。

佐治亚理工学院乔治W.伍德拉夫商学院副教授 Woon-Hong Yeo说：“这项工作报告了为各种辅助设备，系统和神经游戏接口设计符合人体工程学的便携式EEG系统的基本策略。” 机械工程 和 Wallace H. Coulter生物医学工程系。 “主要创新在于在微型皮肤保形系统中开发了高分辨率脑电监测系统和电路的完全集成套件。”

BMI是康复技术的重要组成部分，可使患有肌萎缩性侧索硬化症(ALS)，慢性中风或其他严重运动障碍的人控制假体系统。现在，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，该发帽使用湿的电极，粘合剂和电线与解释信号的计算机设备连接。

Yeo和他的合作者正在利用可以轻松应用于皮肤的新型柔性无线传感器和电子设备。该系统包括三个主要组成部分：高度灵活的，安装在头发上的电极，可通过头发与头皮直接接触;以及 超薄纳米膜电极;带有蓝牙遥测单元的柔软灵活的电路。大脑记录的脑电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。

除了感测要求外，由于信号幅度低，在几十微伏的范围内，类似于人体中的电噪声，因此检测和分析SSVEP信号一直具有挑战性。研究人员还必须应对人脑的变异。然而，准确测量信号对于确定用户希望系统执行的操作至关重要。

为了应对这些挑战，研究团队转向了在柔性电路上运行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说：“通常用于对诸如猫和狗等日常事物进行分类的深度学习方法，用于分析EEG信号。” 就像狗的图片可能会有很多变化一样，EEG信号也面临着高可的挑战。事实证明，深度学习方法适用于图片，并且我们证明它们也适用于EEG信号。”

此外，研究人员使用深度学习模型来识别哪些电极对收集信息以对EEG信号进行分类最有用。Ang补充说：“我们发现该模型能够识别BMI在大脑中的相关位置，这与人类专家一致。” “这减少了我们所需的传感器数量，降低了成本并提高了便携性。”

该系统使用三个用织物带固定在头上的弹性头皮电极，贴合脖子的超薄无线电子设备以及放在耳朵下方皮肤上的类似皮肤的印刷电极。干燥的软电极粘附在皮肤上，请勿使用粘合剂或凝胶。除了易于使用之外，与现有系统相比，该系统还可以减少噪声和干扰，并提供更高的数据传输速率。

该系统由六个人类受试者评估。具有实时数据分类的深度学习算法可以控制电动轮椅和小型机器人车辆。Yeo说，这些信号还可以用于控制显示系统，而无需使用键盘，操纵杆或其他控制器。

Yeo补充说：“典型的EEG系统必须覆盖大部分头皮才能获得信号，但潜在的用户可能会对佩戴它们敏感。” “这种小型，可穿戴的软设备已完全集成，并设计成可长期使用的舒适设备。”

下一步将包括改进电极，并使该系统对运动受损的人更有用。

“未来的研究将集中在完全弹性的无线自粘电极的研究上，这种电极可以在没有头带支撑的情况下安装在有毛的头皮上，并进一步将电子设备小型化，以结合更多的电极以用于其他研究，” Yeo说。 。“脑电图系统也可以重新配置，以监视运动障碍者的运动诱发电位或运动想象力，作为治疗应用的未来工作将作进一步研究。”

从长远来看，该系统可能会在其他应用中具有潜力，在这些应用中，更简单的EEG监测会有所帮助，例如在佐治亚理工学院心理学学院副教授 Audrey Duarte进行的睡眠研究中 。

她说：“这种脑电图监测系统有可能最终使科学家随着受试者的生命以相对不干扰的方式监测人的神经活动。” “例如，Yeo博士和我目前正在使用类似的系统来监视人们在自己舒适的家中睡觉时的神经活动，而不是像通常那样使用笨重，僵硬，不舒服的设备来实验室。用不易察觉的系统测量与睡眠有关的神经活动，可能使我们能够识别出老年痴呆症相关的神经病理学的新的非侵入性生物标志物。”