基于頭皮和表面肌電信號假手控制系統

呂俊

(廣東工業大學自動化學院，廣東廣州510006)

手部運動參數的預測是實現假手控制的難點［1］。目前，基于手部運動參數預測的假手控制系統主要有兩種:(1)通過分析殘肢肌肉所發放的動作電位，提取反映手部運動意愿的有效特征，從而建立特征向量與手部運動參數之間的映射關系來實現控制功能，該系統受到肌電解碼能力的限制，控制假手運動的自由度不高［2－3］。(2)植入電極記錄大腦［4］或者上肢的神經信號［5－8］，并預測手部運動參數，該系統使用自然，控制效果好，但有手術風險，且不易維護。

為克服現有技術存在的缺點和不足，提出一種假手控制系統。該系統無需植入電極采集大腦或者上肢的神經信號，而是綜合利用頭皮電(EEG，Electroencephalograph)信號和表面肌電(SMG，Surface Electromyography)信號的信息，對手部運動參數進行解碼。

1 系統結構

該假手控制系統包括:信號采集模塊、反饋模塊、數據存儲模塊、數字信號處理模塊、主控模塊和驅動模塊。系統功能結構，如圖1所示。信號采集模塊負責記錄EEG和SEMG，將它們放大并轉換為數字信號，然后傳給主控模塊;反饋模塊用于幫助患者進行訓練。該模塊提供圖形用戶界面，讓患者控制假手跟蹤一個引導球的連續運動，引導球的運動參數預先保存在數據存儲模塊，測試時，反饋模塊從主控模塊獲取跟蹤過程中假手的運動參數，并依據該參數在圖形用戶界面上顯示相應的假手運動，使患者能及時了解控制假手進行跟蹤運動的效果，以便患者更快地適應假手控制系統;數據存儲模塊用于存儲EEG和SEMG信號、特征向量、引導球運動參數、假手運動參數以及回歸模型參數;數字信號處理模塊負責對EEG和SEMG進行多頻帶濾波、提取特征向量、訓練回歸模型參數以及預測手部運動參數，并將訓練好的回歸模型參數和實時預測的手部運動參數傳給主控模塊;驅動模塊從主控模塊獲取已預測的手部運動參數來驅動假手運動;主控模塊負責協調和管理信號采集模塊、反饋模塊、數據存儲模塊、數字信號處理模塊和驅動模塊。

圖1 假手控制系統

圖2 反饋模塊的圖形用戶界面

具體來說，數字信號處理模塊包括:用于對EEG和SEMG進行多頻帶濾波的預處理模塊;用于計算各頻帶EEG和SEMG信號幅值或功率的特征提取模塊;用于學習回歸模型參數的訓練模塊;用于將測試數據集內EEG和SEMG的特征代入回歸模型、以預測手部運動參數的預測模塊;用于將學習好的回歸模型參數或預測所得的手部運動參數傳送給主控模塊的結果輸出模塊。其工作流程如圖3所示，在訓練時，所述預處理模塊、特征提取模塊、訓練模塊、結果輸出模塊依次連接;在測試時，所述預處理模塊、特征提取模塊、預測模塊、結果輸出模塊依次連接。

圖3 數字信號處理模塊的流程

2 硬件實現

數字信號處理模塊設有DSP芯片及相應的DDR內存、Flash芯片等外圍器件，Flash芯片用于固化回歸模型參數學習算法和手部運動參數預測算法，DDR內存用于實現數據運算。數據存儲模塊可由串口硬盤實現;信號采集模塊中用于記錄EEG的電極有8個，分別粘貼在左右腦頭皮的前運動區、主運動區、感覺運動區和后頂骨區。用于記錄SEMG的電極有2個，分別粘貼在尺側腕伸肌和尺側腕屈肌外皮膚表面。信號采集模塊還包括模擬信號放大器和采樣器。所述反饋模塊可由LED顯示器實現。所述驅動模塊包括可編程步進電動機控制器和步進電動機驅動器，控制假手按照預測的運動參數動作。所述主控模塊可由現場可編程邏輯陣列(FPGA，Field Programmable Gate Array)實現;采用ARM內核或PPC內核，用于控制和管理信號采集模塊、數字信號處理模塊、數據存儲模塊和驅動模塊。上述信號采集模塊、反饋模塊、數字信號處理模塊、數據存儲模塊及驅動模塊，均通過主控模塊實現接口適配。

3 控制方法

假手控制系統的控制方法，包括以下步驟:

(1)系統啟動后，主控模塊負責調度并完成數據存儲模塊、反饋模塊、數字信號處理模塊、信號采集模塊和驅動模塊的自檢。

(2)主控模塊從數據存儲模塊中調出預設的引導球運動參數，將其傳給反饋模塊。

(3)反饋模塊將引導球的運動顯示在圖形用戶界面上，提示患者使用EEG和SEMG控制假手跟蹤引導球運動，然后判斷是否為訓練狀態。

如果是訓練狀態，則執行步驟為:1)主控模塊接收來自信號采集模塊的EEG和SEMG數據，將它們與引導球運動參數對應起來，生成訓練數據集，并保存在數據存儲模塊。2)經過一定量的訓練，數字信號處理模塊從數據存儲模塊中調用訓練數據集，先通過預處理模塊對EEG和SEMG進行多頻帶濾波;然后通過特征提取模塊計算各頻帶EEG和SEMG的幅值或功率特征;接著通過訓練模塊，學習回歸模型參數;最后將學習好的回歸模型參數傳給主控模塊。3)主控模塊將學習好的回歸模型參數存入數據存儲模塊。

如果不是訓練狀態，則執行步驟為:1)主控模塊先從數據存儲模塊中調出已學習好的回歸模型參數，將其傳給數字信號處理模塊;然后接收當前來自信號采集模塊的EEG和SEMG數據，將它們傳給數字信號處理模塊。2)數字信號處理模塊接收已學習好的回歸模型參數和當前待預測的EEG和SEMG，先通過預處理模塊對EEG和SEMG進行多頻帶濾波;然后通過特征提取模塊計算EEG和SEMG在各頻帶的幅度或功率特征，接著通過預測模塊，將EEG和SEMG的特征代入回歸模型，估計相應的手部運動參數，并將其傳給主控模塊。3)主控模塊將已預測的手部運動參數傳給驅動模塊，控制假手運動;將引導球運動參數、預測的手部運動參數傳給反饋模塊。4)反饋模塊依據引導球運動參數和預測的手部運動參數，將引導球的運動和假手的跟蹤運動同時顯示在圖形用戶界面上。

4 結束語

提出了一種假手控制系統，以EEG和SMG作為信號源，采集方便、成本低廉、無手術風險;具有可視的反饋模塊，實時反映患者對假手的控制狀態，便于患者適應和掌握;數據處理能力強、預測速度快、控制靈活，而且便于維護和升級。

［1］ WALDERT S，PISTOHL T，BRAUN C，et al．A review on directional information in neural signals for brain－machine interfaces［J］．J．Physiol(Paris)，2009，103(6):244－254．

［2］ 楊廣映，羅志增．肌電信號的功率譜分析方法［J］．傳感技術學報，2004，9(3):355－358．

［3］ 羅志增，王人成．基于表面肌電信號的前臂手部多運動模式識別［J］．儀器儀表學報，2006，27(9):996－999．

［4］ PISTOHL T，BALL T，SCHULZE B A，et al．Prediction of arm movement trajectories from ECoG recordings in humans［J］．J．NeurosciMethods，2008，167(9):105－115．

［5］ 張曉文，高忠華，胡天培，等，神經信號控制假肢研究［J］．中國生物醫學工程學報，2005，24(5):624－628．

［6］ 李志偉，徐汀榮．數字化動態腦電地形圖系統的應用研究［J］．現代電子技術，2005(12):29－30，32．

［7］ 苗露，曹煒，王愛林，等．基于肌音信號的仿生手信號采集系統設計［J］．現代電子技術，2010(9):144－148．

［8］ 周兵，紀曉亮，張榮，等．基于嵌入式技術的表面肌電信號采集儀設計［J］．現代電子技術，2010(6):63－65，72．