Brain Disease Diagnosis
脑疾病诊断研究依托多维泰勒网络与可解释深度学习方法，将 EEG 信号的时域、频域特征转化为可信赖的临床诊断依据。实验室面向癫痫发作检测、驾驶员疲劳评估、VR 眩晕量化等实际医疗场景，与南京脑科医院、安徽医科大学附属第一医院等开展深度临床合作，持续推进脑科疾病的精准智能诊断。
从 EEG 信号中提取 WKLD、Laplace 等统计特征，结合多维泰勒多项式展开构建高判别力的疾病标志物表示，显著提升跨数据集的泛化能力。
开发基于梯度评分稀疏多项式网络（IGSPN）的可解释分类模型，在保证高精度的同时提供神经电信号与疾病的因果关联解释，满足临床可信 AI 需求。
与合作医院开展前瞻性临床试验，在真实患者数据上验证诊断模型的灵敏度与特异度，推进从实验室算法到床旁辅助诊断系统的工程化落地。
Brain-Controlled Robotic Arm
脑控机械臂系统将 BCI 解码输出与工业级协作臂深度集成，实现从脑意图到末端执行器运动的闭环实时控制。实验室重点研究低延迟解码、多自由度协调及自适应卡尔曼滤波在连续运动预测中的应用。
基于改进卡尔曼滤波器与贝叶斯估计框架，从 EEG / ECoG 信号中连续预测手臂运动方向与速度，实现平滑、低抖动的多关节协调输出。
设计包含视觉反馈、触觉反馈的闭环控制系统，将机械臂末端位置信息实时回馈至解码器，持续校正预测偏差，提升长时任务的稳定性。
研究低延迟信号处理管线（< 50 ms 端到端延迟）与嵌入式部署方案，在边缘计算平台上实现满足临床应用需求的实时响应性能。
Brain-Controlled UAV
脑控无人机研究将 BCI 技术与自主飞行系统结合，探索基于运动想象的离散指令集与连续轨迹预测两种控制范式。实验室面向室内外不同飞行场景，研究鲁棒性强、用户适应快的意念飞行控制方案。
定义四方向运动想象任务（左手、右手、双脚、双手）映射到无人机悬停、前进、后退、转向等指令，通过在线自适应分类器降低跨场景性能衰退。
利用深度回归网络从 EEG 信号中连续估计操控意图方向向量，结合无人机内置自稳系统实现平滑轨迹跟踪，减少离散指令切换引起的飞行抖动。
设计意图置信度门控机制，当解码置信度低于阈值时触发悬停保护，避免因 EEG 信号质量下降导致的误操作，保障飞行安全。
Brain-Controlled Dexterous Hand
脑控灵巧手面向运动功能康复场景，研究多自由度仿生手指的精细操控。实验室将高精度 EEG 解码与欠驱动仿生手机构设计结合，探索在低信道带宽约束下实现复杂抓握姿态的控制策略。
针对单指、多指协调运动的 EEG 特征提取展开研究，利用皮质运动区的运动关联电位（MRCP）与感觉运动节律（SMR）实现精细动作识别。
研制欠驱动连杆式仿生手指，以少量驱动器实现多种抓握构型（柱握、精捏、侧捏等）的顺序切换，降低 BCI 所需输出信道数量。
设计标准化手功能评估任务（Box & Block、九柱孔测试等），对脑控灵巧手在亚急性期脑卒中患者上的康复效果进行量化评估与纵向追踪。
Brain-Controlled Pneumatic Glove
气动软体手套以柔顺驱动取代刚性机构，在提供抓握助力的同时保持穿戴舒适性。实验室将 BCI 主动意图检测与气动闭合训练模式结合，研究运动想象触发的神经肌肉协同激活机制对脑卒中手功能重建的促进作用。
设计基于硅胶气囊的手指屈伸驱动单元，通过微型气泵与比例阀精确调控充气压力与速度，实现平滑渐进的手指运动辅助。
检测患者运动想象期间的 EEG 运动意图信号，以主动意图触发气动训练取代被动定时刺激，强化大脑运动皮层的可塑性重组。
在训练过程中同步采集手部表面肌电（sEMG），监测屈伸肌群的协同激活程度，为 BCI 触发阈值的个性化调整提供客观依据。