《Frontiers in Neurorobotics》：A group brain-controlled method for UAVs using a hybrid paradigm of hand movements and visual evoked potentials
编辑推荐：
脑机接口（Brain–computer interfaces，BCIs）是建立大脑与外部设备间直接信息交换通道的前沿通信技术，已广泛应用于航空航天领域。然而传统BCI面临脑控指令数量有限及脑电图（electroencephalography，EEG）解码识别精
脑机接口（Brain–computer interfaces，BCIs）是建立大脑与外部设备间直接信息交换通道的前沿通信技术，已广泛应用于航空航天领域。然而传统BCI面临脑控指令数量有限及脑电图（electroencephalography，EEG）解码识别精度不足等挑战，难以高精度执行复杂任务。为此，研究人员提出一种新型群组BCI（group BCI，G-BCI）系统，并构建了面向无人机（unmanned aerial vehicle，UAV）群控的脑机共享控制方法。首先设计融合精确手部运动与视觉诱发电位的G-BCI混合范式；采用改进的多域特征融合卷积神经网络（multi-domain feature fusion convolutional neural network，MDFF-CNN）解码精确手部运动引发的EEG与肌电图（electromyography，EMG）信号，采用滤波器组共空间模式结合典型相关分析（Filter Bank Common Spatial Patterns with Canonical Correlation Analysis，FBCCA）解码稳态视觉诱发电位（Steady-State Visual Evoked Potentials，SSVEP）。进而提出任务驱动的共享控制模型，将G-BCI系统映射至领航-跟随式UAV群控策略。8名被试的离线与在线实验表明，所提G-BCI系统离线精度达88.91±5.06%，在线精度达88.89±1.96%，验证了方法的可行性。
研究背景方面，脑机接口（BCI）通过解码大脑皮层脑电图（EEG）信号实现人脑与外部设备的直接通信，但传统BCI存在脑控指令维度有限、EEG解码精度低及泛化性差等问题。群组脑机接口（G-BCI）借助多用户EEG信号的时空互补性构建分布式神经解码与协同决策框架，虽在视觉靶标检测等任务中提升了分类精度，但仍受限于控制范式单一、指令维度不足及高维无人机群控下协同决策不稳定等缺陷。为突破上述瓶颈，研究人员提出一种融合精确手部运动与稳态视觉诱发电位（SSVEP）的混合范式G-BCI系统，并结合脑机共享控制实现无人机群复杂运动控制。该研究发表于《Frontiers in Neurorobotics》，其核心贡献在于扩展脑控指令维度、提升EEG解码鲁棒性，并为无人机群任务级控制提供新策略。
关键技术方法上，研究人员招募8名22至30岁健康被试（无BCI经验，经西安理工大学伦理委员会批准），采用NeuSen-NSH1024系统以1000 Hz采样率记录32通道EEG（运动与枕叶皮层），同步采用DataLOG设备记录EMG；混合范式含6类左右手精细动作（右手抓握、右手指点、右手竖拇指、左手抓握、左手指点、左手竖拇指）与7 Hz、8 Hz黑白反转SSVEP刺激；解码端构建多域特征融合卷积神经网络（MDFF-CNN）分别提取EEG时域、频域、空域及EMG特征后等权后融合（权重各0.25），SSVEP采用滤波器组共空间模式结合典型相关分析（FBCCA）解码；共享控制端将双被试意图映射至领航-跟随式无人机群（DJI RoboMaster TT）的升降、转向、队形切换与起降安全指令。
研究结果部分，第2节实验表明，混合范式下6类手部运动的EEG时频特征（连续小波变换显示C3、C4导联差异显著）、时域绝对面积与频域α带功率均具可区分性，EMG响应亦呈典型变异，印证范式有效性；32通道选点覆盖运动与视觉皮层，离线单试次含2 s准备、2 s运动、2 s休息。第3节方法显示，MDFF-CNN各子模块含1D卷积、批归一化、池化与softmax，以交叉熵损失与Adam优化器训练（dropout 0.5，batch 32，epoch 64），相较仅用频域CNN（FD-CNN）融合并行多域特征提升分类表现。第4节结果汇报，离线MDFF-CNN对手部运动平均精度79.20±10.7%（kappa 0.75±0.1），优于FD-CNN的74.02±12.4%（kappa 0.60±0.1）；FBCCA对SSVEP平均精度98.61±1.66%；二者级联的G-BCI离线总精度88.91±5.06%；在线双被试分组实验中解码精度88.89±1.96%（最高组91.66%，最低86.11%），成功完成上升-水平队形、前进-垂直队形、前进-V队形、右转保持V队形及凝视7 Hz刺激安全降落全流程。第5节讨论指出，混合范式较单范式G-BCI扩充指令丰富度（6手势×2 SSVEP映射至多指令集），MDFF-CNN引入EMG补强自发EEG解码鲁棒性，脑机共享控制克服低质EEG下传统直接控制不稳定问题；局限在于缺乏实时脑间耦合量化、异构多模态融合能力有限及人群泛化未验证。第6节结论翻译：本研究提出一种融合手部运动执行与视觉诱发电位的群组脑控方法，构建改进MDFF-CNN解码手部运动相关的混合EEG与EMG信号，MDFF-CNN解码精度79.20±10.7%，系统在线实验精度88.89±1.96%，有效解决脑控指令不足问题；未来将引入错误相关电位（error-related potentials）作为仲裁机制并学习MDFF-CNN融合权重以提升自适应能力。
