腦電信號識別及其在機械手臂控制中的應用*

劉剛，李曉歐，2△

（1.上海理工大學醫療器械與食品學院，上海200093；2.上海健康醫學院，醫療器械學院，上海201318）

1 引 言

腦機接口（brain computer interface，BCI）技術是指不依賴于正常腦部神經和肌肉響應，而直接通過人腦與計算機交流的通道。自1929年Hans Berger發現腦電信號以來，人們一直設想是否可以利用EEG來實現各種外部通訊和控制［1］。隨著科技進步，腦機接口技術使得這一設想成為可能?；谀X電信號對機械手臂的控制研究，一方面要能夠將大腦發出的信息轉換為機械手臂的驅動命令；另一方面，應該讓外部信息（如視覺刺激）可以直接傳入大腦，通過視覺刺激直接刺激大腦神經來產生腦電信號。對于上肢運動能力較弱的患者，設計腦機接口控制系統時，應考慮到其自身的生理狀況，有針對性地補償其不足，發揮其主觀能動性。一般上肢運動障礙的患者思維與正常人無異，因而可以通過分析其大腦對肢體運動的控制意圖，獲取其腦電信號的思維活動，轉化成控制外部機械手臂的命令，進而幫助他們實現自主控制的意愿，其研究價值和實施的可行性得到越來越多的研究機構及相關科研人員的密切關注［2-4］。

在腦電控制機械手臂的研究中，田京提出了一種基于經驗模態分解（empirical mode decomposition，EMD）小波閾值消噪、模糊熵算法提取特征并用支持向量機分類的方法來控制假手［5-10］。以上方法克服了傳統EMD去噪無法保留高頻成分中有用信息的缺陷，避免了近似熵及樣本熵使用二值函數方法缺乏連續性、對閾值的取值敏感、容易導致熵值突變的問題?；谝陨侠碚摚狙芯坎捎霉部臻g模式濾波提取特征，結合支持向量機進行分類，并利用網格搜索法選取最優參數，這種方法比用腦電的頻帶能量作為特征的方法具有更好的泛化能力，最后通過實驗方式驗證了此方法用于控制機械手臂的可行性。

將腦機接口技術運用于對機械手臂的控制，以輔助上肢行動不便的人士提升自由活動度，補償弱化的機體功能，提高自主生活質量，對于如何使得殘疾患者擺脫日常生活困擾有著重大意義。

2 系統結構

基于腦電信號的上肢運動控制系統需要實現視覺刺激時腦電信號的在線采集、特征提取和分類、串口通信技術、機械手臂控制等功能。系統的硬件部分由腦電電極帽、腦電導聯線、腦電放大器、PC機、串口通信線和機械手臂組成。采集開始時，運行在PC機上的刺激圖片（向上箭頭、向下箭頭、十字、黑屏）刺激患者想象上肢運動，通過腦電采集帽和腦電放大器采集此時的腦電信息，經特征提取和模式分類后，通過串口通信技術把分類的標簽發送到機械手臂VC控制平臺，機械手臂VC控制平臺接收標簽并啟動相應的程序發送控制命令，控制機械手臂運動，系統結構見圖1。

圖1 機械手臂控制系統結構圖Fig 1 Mechnical arm contral system diagram

3 信號處理

3.1 腦電信號預處理

在腦電信號預處理中，可以利用導聯數比較多的特點對腦電數據進行空間濾波來提高腦電信號的信噪比。本研究采用公共平均值參考（common average reference，CAR）的空間濾波方法，可以發現，CAR的作用是為去除共有的空間低頻成分，突出空間分布上高度集中的腦電成分。在CAR方法的基礎上，我們再對信號進行濾波處理，以此濾除工頻干擾和肌電干擾。圖2和圖3分別是預處理之后的C3、C4導聯的腦電信號。

3.2 CSP特征提取

公共空間模式（common space pattern，CSP）是一種空間濾波方法，能夠抽取受試者特殊的、有差別的腦部空間模型，提取人的EEG有效特征，特別對兩類數據的特征提取具有很高的效率，基于本文旨在提取手臂向上和向下兩個運動特征，因此選用CSP算法用于特征提取。在本次試驗中將單個任務的實驗數據表示為一個N×T維的矩陣E，其中N代表測量的通道數，而T代表每個通道的采樣點數。對想象手臂向上和向下兩個動作的腦電信號分別進行數據采集，CSP運算步驟如下：

圖2 C3導聯預處理示意圖Fig 2 C3 lead preprocessed diagram

第一步：分別計算2類腦電信號采集的協方差，公式如下：

圖3 C4導聯預處理示意圖Fig 3 C4 lead preprocessed diagram

其中，Eu、Ed分別代表想象向上和向下的數據矩陣，trace（Eu×ETu）表示矩陣的對角線元素之和。

第二步：求出混合空間的協方差：

第三步：求出混合空間協方差矩陣的特征值和特征向量：

其中，U為混合協方差矩陣的特征向量，A為對角線元素為混合協方差矩陣特征值的對角矩陣。

第四步：白化處理：

對Cu和Cd分別進行白化 ：

第五步：利用白化后SU、Sd具有相同的特征向量的特點，經特征值分解后可得：

并且 y1+y2=I，其中 I為單位陣，y1、y2為 Su、Sd對應的特征值對角矩陣，B為Su和Sd共同的特征向量。由于兩類矩陣的特征值相加總和為1，所以當Su的特征值最大時，Sd的特征值最??；反之，當Su的特征值最小時，Sd的特征值最大。將白化后的EEG信號投影在特征向量B的前m和后m列特征向量上，就可以得出最佳的分類特征。

第六步：求出提取特征所需的空間濾波器：

則單次實驗的腦電數據E可以變換為Z=WE。

第七步：求出運動想象的特征值：

將變換后的信號 Zp（p=1，2，…，2m，2m＜N）做如下變化后作為特征值：

式中var（Zp）表示Zp信號的方差。

3.3 支持向量機分類

支持向量機（support vector machine，SVM）是建立在統計理論中結構風險最小原理上的一種自監督神經學習方法，它通過適當的非線性映射將輸入向量映射到一個高維的特征空間，使得數據總能被一個高維的平面分割，而最優分類面的意思是此高維的分類面不僅能將兩類數據正確分開，而且分開的間隔最大。

其中，n為支持向量的個數，ai為 Lagrange乘子。從而最優超平面可表示為：

約束于：

其中，δi為松弛變量，C為懲罰因子。C越大，表示對學習集上的識別度越高，而‖w‖越大，樣本到超平面的距離減小，因此，可以通過調節C來選擇出一個最優的超平面。

在非線性問題上，可以通過非線性轉化為另一個空間中的線性問題，再構造出一個最優超平面，相應的最優決策函數變為：

式中，K（xi，x）為內核函數，滿足 Mercer定理，選擇不同的核函數可以構造不同的支持向量機分類器。常用的核函數有線性核函數、多項式核函數、徑向基核函數等等，本研究采用徑向基核函數：

核參數γ和懲罰因子C是影響支持向量機性能的主要參數，γ的取值影響支持向量機中樣本數據在高維特征空間分布的復雜程度，而懲罰因子C負責調節支持向量機的經驗風險和置信范圍的比例，因此，γ和C的取值很大程度上影響了腦電信號的識別率。本研究采用交叉驗證選取最優參數，其基本思想是讓參數C和γ在某一限定范圍內均勻離散取值，即采用網格劃分的方式進行參數調整。本研究通過網格搜索得到最佳的C=2^（-1）和γ=2^6，最大分類正確率為90.0%。

4 機械手臂控制

4.1 機械手臂工作原理

機械手臂由執行機構、驅動機構和控制機構三部分組成。執行機構由手部、腕部、臂部、手臂等部件組成。驅動機構采用ELMO無刷伺服驅動器驅動?？刂茩C構由每個關節的控制單元模塊組成，并與總控制器相連，由PC機作為總控制器，利用上位機操作軟件來發出控制命令，控制命令的選取由MATLAB分類識別的動作標簽決定，分類識別的動作標簽通過串口發送至上位機操作平臺。

在本次設計中，用到的硬件設施有Elmo無刷伺服驅動器、旋轉電機和光電式旋轉編碼器。伺服驅動器用來控制電機轉動，電機每接收到1個脈沖，就會旋轉1個脈沖對應的角度，從而實現位移，電機的轉動帶動編碼器旋轉。光電編碼器是用來測量轉速并配合PWM技術可以實現快速調速的裝置，光電式旋轉編碼器通過光電轉換，可將輸出軸的角位移、角速度等機械量轉換成相應的電脈沖以數字量輸出。

在旋轉的過程中可以檢測到電機旋轉的角速度和角位移并反饋到機械手臂控制結構中。應用Elmo的Composer軟件工具可以設置和調整伺服驅動器，Composer軟件基于Windows操作系統，能使用戶迅速方便的設定伺服驅動器，以達到對自己電機的最佳應用，并且，在電機的旋轉過程中可以實時監控電機轉動的角速度和角位移。

4.2 機械手臂設計

設計的機械手臂由5個關節構成，用5個電機分別帶動5個活動關節轉動，可以在兩個平面的水平和垂直方向運動，見圖4。在啟動機械手臂運動之前，應用Composer軟件設置每一次脈沖發過來時電機轉動的轉速與位移。當控制機械手臂運動的信號發出后，傳感部件將物體的位置信號傳遞給控制器，然后控制器發出控制信號控制電機轉動，電機帶動關節旋轉。圖4中各個控制關節單元模塊與總控制器相連，由PC機作為總控制器，利用上位機軟件發送控制命令。本研究設計的機械手臂利用CAN總線作為各個關節模塊的控制網絡，各個關節模塊為控制網絡中的一個節點，將這5個關節模塊搭建在CAN總線上，每個節點的關節模塊通過CAN總線接口連接在CAN Bus上，各節點從CAN總線接收所需要的數據包，通過對總線的檢測與控制，完成所需要的功能。同時，編碼器也將機械手臂動作的實時信息通過CAN接口傳送到CAN Bus上，形成閉環控制系統。系統的控制流程見圖5。

圖4 機械手臂示意圖Fig 4 Mechanical arm diagram

圖5 總體控制流程Fig 5 Total contral flow

與機械手臂對應的是VC控制平臺的設計，VC控制平臺連接著機械手臂的硬件設施，通過基于VC平臺的控制界面，主要包括初始化、接收串口信息、發送控制指令功能。機械手臂的VC控制界面通過串口接收到SVM分類的動作標簽，再啟動對應的程序發送指令，電機通過CAN總線接口從CAN Bus上收到指令后開始運轉，同時，編碼器實時記錄電機運轉的角速度與位移，將手臂實時狀態信息再通過CAN總線接口發送到CAN Bus上，從而實現對機械手臂的控制與實時監測。機械手臂VC控制界面見圖6。

本文中，因腦電信號的分類識別結果用于選擇機械手臂的控制指令，因此，對運動想象腦電信號的動作識別直接影響機械手臂能否正確運動。

圖6 機械手臂控制界面Fig 6 Mechnical arm coutral surface

5 實驗設計分析

5.1 實驗平臺

本次實驗是按照國際腦電圖學會標定的10～20電極導聯定位標準，選用 FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6、Sp1、Sp2、Fz、Cz、Pz、Oz導聯的腦電數據作為實驗數據，采樣率為512 Hz，實驗場景見圖7。

本次實驗的受試者來源于上海理工大學的5名男同學，年齡20歲-25歲，有自主意識活動，均為健康人。

圖7 實驗場景示意圖Fig 7 Test scenario diagram

5.2 實驗要求

由于腦電信號微弱，容易受到如工頻干擾、采集設備內部電子器件干擾以及環境電磁干擾等影響，所以在采集數據時應關閉手機、空調等干擾設備。盡量讓室內光線柔和，避免分散受試者注意力。受試者在實驗時要集中注意力在刺激界面上，中途避免說話以及眼部的各種運動，以減少其對腦電信號的影響。

5.3 實驗流程

刺激界面由向上箭頭、向下箭頭、十字架和黑屏4種圖片隨機出現，實驗開始時，受試者正視刺激界面的正中央，根據界面中隨機顯示的提示進行想象活動，當顯示向上箭頭時，要求受試者想象手臂向上運動，顯示向下箭頭時，要求受試者想象手臂向下運動。每次刺激持續9 s，在訓練開始時，前4 s顯示黑色空白屏幕讓受試者放空思維，靜息狀態，第5 s開始隨機顯示向上或者向下的箭頭，此時受試者應按提示開始想象。從第6 s至第9 s刺激界面顯示一個十字圖片，此時間段受試者一直處于第5 s提示任務的想象狀態，隨后十字架圖片消失，如此循環刺激直至刺激結束，實驗模式見圖8。

圖8 腦電實驗時序圖Fig 8 Brain electrical experiment sequence chart

5.4 實驗分類結果

對機械手臂上下兩種運動的特征分別貼上1和-1兩個標簽，給想象手臂向上運動的特征貼上標簽1，給想象手臂向下運動的特征貼上標簽-1。分別想象向上和向下兩種動作各50組，通過實驗發現想象手臂向上運動的腦電信號識別率為94%，想象手臂向下運動的腦電信號識別率為86%，想象手臂向上和向下兩類運動想象的平均識別率即為90%，分類結果見圖9。

為了克服單次實驗分類識別結果具有的偶然性，我們分別對5個正常人進行了實驗，得到的分類結果見表1。從表1可以看出因每個人的集中想象能力的差異以及環境等外在因素的影響，使得每位受試者運動想象的平均分類精度略有差異。通過對5位受試者的識別率進行求取平均值，可得本次實驗的總平均識別率為86.1%，具有良好的分類效果。

表1 分類結果Table 1 Classification result

6 小結

CSP空間濾波具有排除相同任務成分，提取不同任務成分的特質，因此在研究腦電信號控制機械手臂上下運動的過程中，利用CSP方法提取的特征具有明顯的差異，對特征的分類更具有針對性。本研究通過對腦電信號采集、預處理、CSP濾波提取特征向量、SVM分類等方法識別出預定的運動想象狀態，并把這種運動想象任務下的運動標簽發送到機械手臂控制平臺，啟動相應的程序發送控制命令，通過CAN總線實現對電機運轉的控制，并且利用Composer軟件實現機械手臂運動的實時監測。

本研究設計了基于腦電信號的上肢運動控制系統，將BCI技術應用于對機械手臂的運動控制，為未來將BCI技術應用于殘疾人對外部環境的控制打下基礎。因此，下一步的工作重點是提高機械手臂的運動自由度，讓機械手臂不僅能夠實現上下運動，還能實現抓、握等其它功能。