基于SSVEP信號的下肢外骨骼機(jī)器人控制系統(tǒng)研究

陳熙來 叢佩超 萬東寶 李文彬

摘要：為了降低腦控下肢外骨骼機(jī)器人的研發(fā)成本，促進(jìn)腦機(jī)接口技術(shù)的快速發(fā)展，提出一種基于深度學(xué)習(xí)與Matlab/

Simulink聯(lián)合仿真控制方法。該方法建立具有多個自由度的下肢外骨骼機(jī)器人樣機(jī)模型，并進(jìn)行運動學(xué)仿真，驗證模型的合理性。利用EEGLAB對SSVEP信號進(jìn)行濾波預(yù)處理，通過FFT變換將信號從時域轉(zhuǎn)換到頻域，提取SSVEP信號的頻域特征。結(jié)合深度學(xué)習(xí)理論對特征進(jìn)行分類，將分類結(jié)果轉(zhuǎn)換成控制指令，控制仿真模型進(jìn)行運動。實驗結(jié)果表明，該方法控制的平均準(zhǔn)確率達(dá)到了79.8%，驗證了其可行性。

關(guān)鍵詞：腦機(jī)接口；SSVEP；深度學(xué)習(xí)；下肢外骨骼機(jī)器人；Matlab/Simulink

中圖分類號：TN911.7；TP242.3? ? 文獻(xiàn)標(biāo)志碼：A? ? 文章編號：1671-0797（2024）07-0042-04

DOI：10.19514/j.cnki.cn32-1628/tm.2024.07.011

0? ? 引言

近年來，隨著現(xiàn)代醫(yī)療技術(shù)的進(jìn)步，人類的平均壽命不斷延長，導(dǎo)致人口老齡化危機(jī)加劇[1]。在這一背景下，中風(fēng)發(fā)病率預(yù)計將呈上升趨勢，為提高患者的運動能力，機(jī)器人在康復(fù)領(lǐng)域得到了廣泛的應(yīng)用，尤其是下肢外骨骼機(jī)器人[2]。這類機(jī)器人具有針對性訓(xùn)練神經(jīng)和肌肉系統(tǒng)的能力，為患者康復(fù)提供了一種有效途徑。

下肢外骨骼機(jī)器人是一種特殊的可穿戴機(jī)器人，其融合了控制、機(jī)械和其他相關(guān)技術(shù)。傳統(tǒng)的外骨骼控制主要包括位置控制、力控制和位置力混合控制。然而，傳統(tǒng)方法通常采用被動輔助訓(xùn)練模式，互動性較差。為提高人機(jī)交互性，研究人員嘗試通過腦電檢測患者的活動意圖。通過分析大腦活動時電信號的變化，利用計算機(jī)將電信號轉(zhuǎn)換成控制信號，使穿戴者通過意念控制外部設(shè)備，例如腦控輪椅和腦控外骨骼[3]。盡管2014年巴西世界杯上展示了一種由美國杜克大學(xué)研發(fā)的腦控外骨骼，但目前這一技術(shù)仍在基礎(chǔ)研究階段，存在控制難度大、動作幅度小和不夠精準(zhǔn)等問題。

針對上述腦控機(jī)器人的控制精度問題，為進(jìn)一步提高機(jī)器人的控制準(zhǔn)確性，本文以下肢外骨骼機(jī)器人康復(fù)助力為研究背景，構(gòu)建了一種基于SSVEP信號的下肢外骨骼機(jī)器人控制系統(tǒng)。本文旨在探討腦機(jī)接口技術(shù)在外骨骼機(jī)器人控制中的融合，改善傳統(tǒng)康復(fù)機(jī)器人的被動訓(xùn)練模式，并提高人機(jī)交互性。

1? ? 系統(tǒng)構(gòu)成

1.1? ? 框架

基于SSVEP信號的下肢外骨骼機(jī)器人控制系統(tǒng)框架如圖1所示。受試者穿戴外骨骼設(shè)備，作為被控制端提供助力。EEG記錄采用德國Brain Products（BP）公司生產(chǎn)的64導(dǎo)腦電設(shè)備，包括：BrainAmps放大器和64導(dǎo)Ag/AgCl電極帽。電極基于國際標(biāo)準(zhǔn)導(dǎo)聯(lián)10-20系統(tǒng)（10-20 electrode system）安置，采集頻率設(shè)置為1 000 Hz。信號通過串口傳輸至上位機(jī)進(jìn)行分析處理，生成控制指令。然后，通過串口將指令發(fā)送至外骨骼模塊，以驅(qū)動Simulink/Simscape中的仿真模型運動。外骨骼模塊一次只接收一個控制指令，且每個控制指令之間的時間間隔固定。

1.2? ? 下肢外骨骼機(jī)器人模塊

機(jī)器人通過串口接收腦控命令，髖、膝、踝關(guān)節(jié)各設(shè)1個自由度，實現(xiàn)跟隨穿戴者運動軌跡而運動。使用預(yù)先采集的下肢運動步態(tài)數(shù)據(jù)設(shè)置機(jī)器人各關(guān)節(jié)驅(qū)動函數(shù)。基于德長三維步態(tài)與運動分析系統(tǒng)監(jiān)測3名成年男性在平地行走時的步態(tài)，獲取關(guān)節(jié)數(shù)據(jù)，并擬合光滑處理。選取最佳步態(tài)曲線作為機(jī)器人模塊的輸入。Simulink模型細(xì)節(jié)如圖2所示，動力學(xué)仿真過程如圖3所示。

1.3? ? 腦電信號采集模塊

采集模塊由腦電帽、放大器、電極線等組成，同時配備專用的腦電采集和分析軟件BrainVision Recorder和Brain Vision Analyzer2.0，能夠連續(xù)采集受試者各部位的腦電信號。由于實驗研究重點集中在視覺功能區(qū)域的腦電變化，因此選擇大腦頂葉和枕葉區(qū)域的30個電極，導(dǎo)聯(lián)序號為34～42及44～64，參考電極為Cz，如圖4所示。

2? ? 實驗設(shè)計

針對實驗中的數(shù)據(jù)采集環(huán)節(jié)，由于采集要求嚴(yán)苛，故采用清華大學(xué)提供的Benchmark公開SSVEP數(shù)據(jù)集，替代數(shù)據(jù)采集環(huán)節(jié)[4]。該數(shù)據(jù)集共有64個活動電極記錄35名受試者的腦電信號。SSVEP刺激通過一個虛擬鍵盤實現(xiàn)，包含40種刺激頻率，信號采樣率為250 Hz，數(shù)據(jù)采集過程如圖5所示。

2.1? ? 數(shù)據(jù)預(yù)處理與特征提取

本節(jié)使用數(shù)據(jù)集的后30個受試者數(shù)據(jù)訓(xùn)練模型，用前5人數(shù)據(jù)進(jìn)行離線控制測試。為實現(xiàn)機(jī)器人啟動和停止的二分類，選取W和S兩類數(shù)據(jù)，頻率分別為14.4 Hz和10.4 Hz，每類210個樣本。鑒于深度學(xué)習(xí)模型對數(shù)據(jù)量的需求，對于導(dǎo)聯(lián)挑選后的數(shù)據(jù)進(jìn)行兩次數(shù)據(jù)劃分?jǐn)U充：去除刺激前后0.5 s數(shù)據(jù)，以1.5 s時間窗和0.5 s步長對信號進(jìn)行分段。對每導(dǎo)聯(lián)信號進(jìn)行FFT處理，取單邊頻率信息，并分類提取實部和虛部。按照原導(dǎo)聯(lián)順序排列，拼接成60×188×1大小的特征矩陣。網(wǎng)絡(luò)使用的信號長度為1.5 s，采樣頻率為250 Hz，并將兩類標(biāo)簽設(shè)為1和-1。

2.2? ? 分類算法設(shè)計

本文設(shè)計的深度學(xué)習(xí)分類模型如圖6所示。該模型由6個層組成，包括1個輸入層、4個卷積層、1個全連接層和1個輸出層。模型通過卷積操作提取FFT變換得到的頻率和相位特征。卷積操作包括卷積、加偏置和激活三個步驟。卷積核對輸入特征進(jìn)行卷積，加偏置后，再經(jīng)過激活函數(shù)，得到特征映射矩陣。該模型使用ReLU函數(shù)作為激活函數(shù)，因為它具有計算簡單、避免梯度消失等優(yōu)點。

模型使用Matlab軟件編程，Adam優(yōu)化器訓(xùn)練，學(xué)習(xí)率為0.000 1，迭代批次數(shù)為150，批大小為100。硬件設(shè)備為：

1）CPU：Intel（R） Core（TM） i5-9600KF，內(nèi)存：16 GB；

2）GPU：NVIDIA GeForce GTX 1650；

3）顯存：4 GB。

3? ? 結(jié)果

每名受試者參與同類的SSVEP有6個試次，通過數(shù)據(jù)劃分?jǐn)U充為48個樣本。前5人劃分的數(shù)據(jù)作為測試集，后30人數(shù)據(jù)作為訓(xùn)練集，并進(jìn)行交叉驗證。具體識別結(jié)果如表1所示。

由表1可知，5名受試者SSVEP信號分類的平均準(zhǔn)確率為79.8%，其中3人超過80%，證明了本文設(shè)計的基于SSVEP信號的外骨骼機(jī)器人控制系統(tǒng)的有效性。

4? ? 討論

本文以BrainAmp腦電采集系統(tǒng)和Benchmark開源數(shù)據(jù)集為基礎(chǔ)，構(gòu)建下肢外骨骼機(jī)器人控制系統(tǒng)，并通過離線實驗進(jìn)行驗證。該系統(tǒng)通過SSVEP信號控制機(jī)器人移動，指令判別平均準(zhǔn)確率達(dá)79.8%，驗證了系統(tǒng)的有效性。研究選用大腦頂葉和枕葉的30個電極，在保證BCI（腦機(jī)接口）性能的同時，降低了計算量，為設(shè)計廉價可穿戴腦機(jī)接口提供了參考。

5? ? 結(jié)束語

本文構(gòu)建了基于SSVEP信號的下肢外骨骼機(jī)器人控制框架，并通過離線實驗證實了其有效性，該系統(tǒng)有望在未來實際康復(fù)治療中應(yīng)用。未來的研究將專注于提高系統(tǒng)的實時性，為腦機(jī)接口技術(shù)在外骨骼機(jī)器人中的應(yīng)用提供理論基礎(chǔ)和技術(shù)支持。

[參考文獻(xiàn)]

[1] 和明杰.中國與世界人口老齡化進(jìn)程及展望對比研究[J].老齡科學(xué)研究，2023，11（12）：36-51.

[2] TIAN D K，LI W T，LI J K，et al.Self-balancing exoskeleton robots designed to facilitate multiple rehabilitation training movements[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2024，32：293-303.

[3] WANG F，WEN Y Z，BI J Y，et al.A portable SSVEP-BCI system for rehabilitation exoskeleton in augmented reality environment[J].Biomedical Signal Processing and Control，2023，83：1.1-1.10.

[4] WANG Y J，CHEN X G，GAO X R，et al.A benchmark dataset for SSVEP-based brain–computer interfaces[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2016，25（10）：1746-1752.

收稿日期：2024-02-27

作者簡介：陳熙來（1997—），男，湖北人，碩士研究生，研究方向：下肢外骨骼機(jī)器人、腦機(jī)接口。

通信作者：叢佩超（1980—），男，吉林人，博士，副教授，研究方向：智能化移動機(jī)器人的自主導(dǎo)航與控制問題。