基于 EEG 的意图解码: 面向机器人轨道的离线深度学习基准测试
机器人学
2026-02-24 v1 计算机视觉与模式识别
摘要
脑机接口（BCI）为移动机器人提供了无手操作模式,但在现实导航中解码用户意图仍具有挑战性.本工作提出一种基于 EEG 的机器人控制框架,用于在机器人轨道操作期间离线解码驾驶指令.我们使用 4WD Rover Pro 平台,由 12 名参与者通过操纵杆远程操作,执行前进、倒退、左转、右转和停止命令.使用 16 通道 OpenBCI 头盔记录脑电信号,并在 Delta=0 ms 及未来预测时延（Delta>0 ms）时对齐运动动作.经过预处理后,对多种深度学习模型进行基准测试,包括卷积神经网络、循环神经网络和 Transformer 架构. ShallowConvNet 在动作预测和意图预测中取得最佳性能.通过将真实机器人控制与多时延 EEG 意图解码相结合,本研究引入可复现的基准并揭示面向预测深度学习 BCI 系统的关键设计洞见.
引用
@article{arxiv.2602.20041,
title = {EEG-Driven Intention Decoding: Offline Deep Learning Benchmarking on a Robotic Rover},
author = {Ghadah Alosaimi and Maha Alsayyari and Yixin Sun and Stamos Katsigiannis and Amir Atapour-Abarghouei and Toby P. Breckon},
journal= {arXiv preprint arXiv:2602.20041},
year = {2026}
}