史添玮等：基于半自主导航与运动想象的多旋翼飞行器二维空间目标搜索 ·1263· (b) 边界 一边界 -…最大距离 --障碍识别门限 …最小距离 3 2 1 飞行器位置 100 50 100 -3-2-10123 扫描角度) 与飞行器中心的横向相对距离m 图2环境特征提取示例.(a)真实环境：(b)按角度排列：(c)极坐标变换后 Fig.2 Example of environmental feature extraction:(a)real environment;(b)as a function of angle;(c)after polar coordinate transformation 边界 Ag/AgCl电极被紧贴在被试者头皮上，与耳后乳突连 ·---障碍识别门限 接的电极作为参考电极 -===0方向 可行方向 2.2MI信号预处理 3 首先，将采集到的EEG信号经过50Hz的陷波滤 波器滤除工频电源噪声.然后，经过0.5~30Hz带通 滤波器滤除噪声.若滤波后的EEG信号幅度大于 50~70μV,则被视为由眼球运动与眨眼等因素产生的 伪迹].本文采用独立成分分析(independent compo- nent analysis,ICA)方法剔除伪迹o],其假定来自不同 0 飞行器位置 通道的EEG信号集合是线性且没有时间延迟的.构 -2 -1012 建独立成分分析方法模型为： 与飞行器中心的横向相对距离m U=WX. (3) 图3重新排列的数据与估计的可行方向 其中：U为分解出的独立成分：W为解混矩阵：X为原 Fig.3 Rearranged data and estimated feasible direction 始多通道EEG信号.第k个独立成分映射为： Xm(k)=W-(:,k)U(k,:). (4) CP3、FC4、C4与CP4)不间断采集、放大，并以250Hz 使用独立成分分析方法后，所有通道的EEG信号 的采样频率存储为数字信号.依据10~20国际体系， 都被分离出来，X中存在的不良成分可能即为伪迹. 左手MI 右手MI b 数据采集 特征提取 数据采集 特征提取 数据采集 67 特征提取 4 图4两种M任务的数据采集过程.(a)单一MI任务：(b)连续M任务 Fig.4 Data collection processes of two types of MI tasks:(a)single MI task;(b)continuous MI tasks史添玮等: 基于半自主导航与运动想象的多旋翼飞行器二维空间目标搜索 图 2 环境特征提取示例 郾 (a) 真实环境; (b) 按角度排列; (c) 极坐标变换后 Fig. 2 Example of environmental feature extraction: (a) real environment; (b) as a function of angle; (c) after polar coordinate transformation 图 3 重新排列的数据与估计的可行方向 Fig. 3 Rearranged data and estimated feasible direction CP3、FC4、C4 与 CP4) 不间断采集、放大,并以 250 Hz 图 4 两种 MI 任务的数据采集过程 郾 (a) 单一 MI 任务; (b) 连续 MI 任务 Fig. 4 Data collection processes of two types of MI tasks: (a) single MI task; (b) continuous MI tasks 的采样频率存储为数字信号. 依据 10 ~ 20 国际体系, Ag / AgCl 电极被紧贴在被试者头皮上,与耳后乳突连 接的电极作为参考电极. 2郾 2 MI 信号预处理 首先,将采集到的 EEG 信号经过 50 Hz 的陷波滤 波器滤除工频电源噪声. 然后,经过 0郾 5 ~ 30 Hz 带通 滤波器滤除噪声. 若滤波后的 EEG 信号幅度大于 50 ~ 70 滋V,则被视为由眼球运动与眨眼等因素产生的 伪迹[9] . 本文采用独立成分分析( independent compo鄄 nent analysis,ICA)方法剔除伪迹[10] ,其假定来自不同 通道的 EEG 信号集合是线性且没有时间延迟的. 构 建独立成分分析方法模型为: U = WX. (3) 其中: U 为分解出的独立成分;W 为解混矩阵;X 为原 始多通道 EEG 信号. 第 k 个独立成分映射为: Xclean (k) = W - 1 (:,k)·U(k,:). (4) 使用独立成分分析方法后,所有通道的 EEG 信号 都被分离出来,Xclean中存在的不良成分可能即为伪迹. ·1263·