脑电波控制小车：消费级脑机接口实践

1. 项目背景与核心价值

去年在深圳Maker Faire展会上，我看到一个高中生用眨眼控制轮椅的demo，这个场景让我意识到脑机接口技术已经从实验室走向了大众创新领域。这次要分享的"脑电波控制小车"项目，正是基于NeuroSky MindWave Mobile 2这类消费级脑电设备的典型应用案例。

这种技术的突破性在于：它首次让非专业开发者也能基于生物电信号实现实物控制。传统EEG设备动辄数十万元，而现在千元级的头戴设备配合开源算法，就能完成注意力检测、眨眼识别等基础交互。我们团队通过三个月的迭代，最终实现了通过专注度阈值控制小车运动方向的完整链路。

2. 系统架构设计

2.1 硬件组成方案

核心设备选型经历了三次迭代：

• 初代使用神念科技TGAM1模块（采样率512Hz）
• 二代升级为MindWave Mobile 2（蓝牙4.0，传输延迟<100ms）
• 最终版采用OpenBCI Cyton+Daisy组合（16通道，更适合科研）

小车底盘的选择同样关键：

• 树莓派+L298N电机驱动方案（成本约200元）
• 定制PCB集成ESP32+DRV8833（体积缩小60%）
• 成品选择：Makeblock mBot（自带编码电机，方便快速验证）

重要提示：初学者建议从MindWave+Makeblock组合入手，避免在电机驱动等外围设备上耗费过多精力。

2.2 信号处理流水线

我们的数据处理流程包含五个关键环节：

1. 原始信号采集（注意电极贴片要用导电凝胶）
2. 50Hz工频滤波（IIR陷波器参数：Q=30）
3. 特征波段提取：
   • α波（8-13Hz）用于放松状态检测
   • β波（13-30Hz）关联专注度
4. 滑动窗口计算（窗长2秒，重叠率75%）
5. 阈值触发机制（动态调整算法见3.3节）

python复制# 简化的特征提取代码示例
def extract_features(raw_signal):
    b, a = signal.butter(4, [13/256, 30/256], 'bandpass')  # β波带通滤波
    filtered = signal.filtfilt(b, a, raw_signal)
    return np.mean(np.