基于腦功能生物反饋的NAO 機器人控制研究

白巖峰

（天津渤海職業技術學院，天津 300400）

人的大腦神經元在活動時會產生微弱的電場波動，當大量神經元同步活動，神經元間信號能量積累到一定量時，中樞神經系統便會自發產生一種生物電信號——腦電波。腦電波要實現對外部設備的控制，則需要將腦電信號轉化為機器能夠識別的計算機指令，建立人腦與外部設備間的通訊與控制通路，這就需借助腦機接口(Brain-Computer Interface,BCI)[1]來完成，BCI 不依賴傳統神經或肌肉組織，其功能實際上就是把人類大腦中產生的活動進行語言的翻譯，最終實現對機器設備的控制或是完成人類與機器的交互。

腦機接口技術最早受到關注的是醫療康復領域，它的出現為一些失去運動能力或交流能力的殘疾病患重新構建一條信息傳導通路，從而使缺失的功能得以恢復成為可能。隨著技術的不斷發展，基于腦機接口的控制系統已不再局限于醫學范疇，在日常生活、休閑娛樂等多個領域都有研究應用。

本研究以腦功能生物反饋在抑郁癥預測及治療領域的應用為基礎，將腦信號采集系統與NAO 機器人控制相結合，提出一套腦機控制機器人運動的系統設計思路（如圖1），意在引導受訓者運用該系統進行腦控機器人特殊訓練，產生優質目標腦電波信號，并借助腦機接口輸出NAO機器人相應動作指令，使機器人做出正確動作反饋，達到抑郁癥輔助治療及預防的目的。

圖1 腦機控制機器人系統設計框架

1 腦功能生物反饋

建立腦機接口首先要記錄大腦活動信號。功能磁共振成像技術 (functional Magnetic Resonance Imaging,fMRI)、正電子發射斷層成像技術(Positron Emission Tomography,PET)、腦 磁 圖(Magetoencephalography,MEG)、光學成像技術和腦電圖(Electroencephalogram,EEG)等技術是當前較成熟的記錄大腦活動模式的方法。其中，功能磁共振和正電子發射斷層成像這兩種檢測設備都比較昂貴和笨重；腦磁圖的檢測需要在屏蔽室進行，對使用環境要求極高；而光學功能成像技術是一種有損檢測，該方法需要打開顱骨對大腦皮層進行成像，故僅適用于動物實驗。

由于腦機接口是面向人類大腦的裝置，考慮系統研究普適化及安全便捷等特性需求，故本研究采用腦電圖測量技術，在腦功能生物反饋（一種用于消除心理或生理不適的生物反饋治療的方法)的基礎上展開研究。該方法是通過采集分析受訓者的腦電信號，并使受訓者經過一定時間的反復訓練后，有意識地控制自身的腦電波模式，按自我意愿增加或減少腦電波節律信號，使大腦形成一種不斷產生健康腦電波的“習慣”，從而消除病理過程、恢復身心健康。

2 腦電信號采集

腦電圖（EEG）主要通過放置在頭皮上的電極來記錄大腦信號。EEG 記錄可捕捉振蕩的大腦活動或多種頻率的“腦電波”，這些腦電波往往與大腦的不同功能狀態相關聯，不同的大腦意識狀態所對應的腦電波不盡相同。

參照國際上腦電波重復節律分類，Alpha 波在8～13Hz（幅度在50μV 左右）范圍內，當人處于清醒放松或者閉眼狀態時，可以在枕葉區檢測到，在深睡或激動、恐懼、憤怒狀態下，則沒有Alpha 波。Alpha 波是人類大腦先天具有的，現代科學認為，Alpha 波是人們進入學習和思考狀態的最佳腦電波；運動領域專家研究發現，運動員在做一個完美動作之前，大腦中會產生大量的Alpha 波，提高大腦的Alpha 波不僅有助于提升大腦工作效率和創造力，還可減少壓力、抵抗焦慮，提升免疫力；反之，緊張和焦慮狀態會阻止大腦進入Alpha 腦波狀態，降低人體免疫力，譬如，抑郁障礙人群的前額葉Alpha 波Renyi 熵顯著高于正常人，前額葉區域活性較正常人顯著降低，認知控制功能低下。Beta 波在13～30Hz（幅度在5～20μV）范圍內，當人處于警覺或注意力集中的狀態時，可以在頂葉和額葉檢測到。Beta 波又稱緊張波，適量的緊張波（低beta 波）有助于提高專注力，但腦波長期處于Beta 狀態，能量消耗較大，人很容易疲倦，故視情況進行Alpha 波與Beta 波間的自主切換至關重要。

腦電波可以自主切換控制嗎？研究結果顯示，射箭運動員隨著訓練時間的增加，大腦中alpha 波的數量會隨著射箭水平的提高而增加，可見，Alpha 波的產生及增加可以通過訓練實現，而基于生物反饋訓練的研究對受訓人員的心理健康和腦功能提升具有重要意義。從技術指標來看，腦電信號有極高的時間分辨率（小于0.5ms），這一特點有助于通過腦電信號構建實時的控制系統，這為腦控機器人的實踐研究奠定了基礎。

本研究采用三導腦電采集系統，使用醫用貼式濕電極，電極被置于Fp1、Fpz 和Fp2 位于前額的位置，3 個采集位置同時采集腦電信號，避免頭發干擾和電極接觸阻抗的干擾，將腦電作為生物信息的反饋信號，檢測受訓者腦電的Alpha 波和Beta 波，進行生物反饋研究（見圖2）。

圖2 腦電信號采集示例圖

3 腦電信號處理

腦電信號強度極其微弱，極易受到干擾，且隨著受訓者的狀態發生改變，空間電磁輻射、人體與電極間的接觸阻抗、人體噪聲等因素會造成信號的不穩定，干擾到信號，故本研究采用的腦電傳感器集成了腦電信號質量評估算法，將受訓者多種偽跡可能性考慮其中，通過預評估和正式評估相結合的方法對信號質量進行精細量化評估，確保信號采集的有效性。

采集了腦電信號之后，首先通過放大電路對腦電信號進行放大，采用截止頻率小于0.1Hz高通遞歸濾波器（濾掉直流分量），抑制基線漂移；運用軟硬件工頻陷波器抑制工頻50Hz 的干擾；采用FIR 帶通濾波器保證腦電信號的幅頻特性和相頻特性；使用基于離散小波變換和自適應噪聲抵消的眼電去噪算法，跟蹤原始腦電信號的變化狀態，獲得與純凈腦電信號基本吻合的腦電信號；通過對信號采集模塊獲得的腦電信號進行模式識別分類，進而分析識別受訓者腦電信號所傳達的大腦意念。

主要操作步驟為：首先進行特征提取，包括對時域和頻域特征的提取，選用基于小波包分析的方法消除干擾及生理偽差，采用數據融合算法、頻譜分析和神經網絡等新型數字信號處理方法，提取更為精確的特征信息。

提取到腦電特征之后，完成分類器的設計，分類器與分類準確率息息相關，處理的數據包括訓練數據和測試數據兩類，其中，訓練數據的目標是通過學習構建一種緊湊的或對后續分析有用的統計模型。本研究是在多分類方法的基礎上進行的，用K-最近鄰和樸素貝葉斯分類器進行分析實踐，待完成了分類器的機器學習之后，信號處理模塊便可對采集模塊輸入的腦電信號進行分類識別，估計大腦的意圖。

4 腦控機器人

設計采用基于虛擬現實的生物信息反饋系統，不以解讀人的思維為目標，而是通過腦機接口實現對控制對象的控制和人機交互，從而增強受訓者在不同意識狀態下對自身有益腦電波的控制，更好地完成大腦的工作。研究開發的腦機接口輸出信號的控制對象具有多樣性，可以是智能機器人、智能小車、機械臂等，輸出的控制命令也各有不同。

本文以NAO 機器人為受控研究對象，通過機器人腦控系統，受訓者可經過一段時間的訓練，主動改變大腦狀態來調節腦電Alpha 波和Beta波的電位信號，從而使用腦機接口與外界建立有效通信，完成對外部設備的控制，由控制器實現腦機接口輸出信號轉化為控制對象的控制命令（如NAO 機器人行走、站立、坐下等），控制器不僅將受訓者大腦意圖轉換為機器人的控制指令，而且因受控NAO 機器人自身具有一定程度的智能屬性，可由控制器完成機器人與人腦控制之間的相互協同及智能共享，反饋機器人的運行狀態，幫助受訓者根據控制效果調整腦電信號，伴隨機器人腦機控制準確性的提升，達到心理健康及腦功能提升的訓練目的。

5 結語

NAO 機器人作為世界學術領域廣泛應用的一款智能機器人，能夠與人親切互動，已在自閉癥兒童的干預治療等領域有深入研究[2]。以NAO 機器人為受控對象，將醫學腦功能生物反饋與之相結合，納入人工智能情感計算等內容的研究，旨在為AI 智能化抑郁障礙預測及生物反饋治療的應用實踐提供借鑒。