可穿戴的人机界面可以控制轮椅车辆或计算机

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位人类受试者进行了评估，但尚未针对残疾人进行过研究。

该项目由来自肯特大学和威奇托州立大学的乔治亚理工学院的研究人员进行，于9月11日在《自然机器智能》杂志上进行了报道。

佐治亚理工学院乔治W.伍德拉夫学院的助理教授Woon-Hong Yeo说：“这项工作报告了为各种辅助设备，智能家居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。“主要的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肢系统。现在，要收集被称为稳态虚拟诱发电位(SSVEP)的大脑信号，就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;超薄纳米膜电极;带有蓝牙遥测单元的柔软灵活的电路。大脑记录的脑电图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。

除了感测要求之外，由于信号幅度低，在几十微伏的范围内，类似于人体的电噪声，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做什么至关重要。

为了应对这些挑战，研究团队转向了在柔性电路板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信号也面临着高可变性的挑战。深度学习方法已被证明可以很好地适用于图片，并且我们证明它们也可以很好地与EEG信号一起使用。”