BRAVE：脑控机械臂集成语音控制与具身学习的增强移动性
人机交互
2025-11-21 v1 人工智能
机器人学
摘要
非侵入性脑机接口 (BCI) 有望实现肢体 amputated 者对假肢的直观控制。然而，现有的基于 EEG 的控制系统面临信号噪声、分类准确率和实时适应性等挑战。本文提出了 BRAVE，一种集成基于 ensemble learning 的 EEG 分类与人类在环 (HITL) 纠正框架的混合 EEG 和语音控制假肢系统，以实现更高的响应性。不同于传统的肌电图 (EMG) 基于假肢控制，BRAVE 旨在解释 EEG 驱动的运动意图，实现无需残余肌肉活动的运动控制。为提高分类鲁棒性，BRAVE 将 LSTM、CNN 和 Random Forest 模型集成到一个框架中，在测试受试者中实现了 96% 的分类准确率。EEG 信号经带通滤波 (0.5-45 Hz)、独立成分分析 (ICA) 进行伪影去除，以及 Common Spatial Pattern (CSP) 特征提取，以最小化来自电肌电图 (EMG) 和电眼动图 (EOG) 信号的污染。此外，BRAVE 集成了自动语音识别 (ASR)，以便在假肢手臂的不同自由度 (DOF) 之间进行直观模式切换。该系统实时运行，响应延迟为 150 毫秒，利用 Lab Streaming Layer (LSL) 网络实现同步数据采集。该系统在自制假肢手臂上以及多个受试者身上进行评估，凸显了跨用户的通用性。该系统针对低功耗嵌入式部署进行了优化，确保其在高性能计算环境之外的实际应用。我们的结果表明，BRAVE 为实现稳健、实时、非侵入性假肢控制指出了一条有前景的道路。
关键词
引用
@article{arxiv.2506.18749,
title = {BRAVE: Brain-Controlled Prosthetic Arm with Voice Integration and Embodied Learning for Enhanced Mobility},
author = {Abdul Basit and Maha Nawaz and Muhammad Shafique},
journal= {arXiv preprint arXiv:2506.18749},
year = {2025}
}
备注
9 pages, 12 figures, Accepted at IJCNN 2025