劉剛，李曉歐，2△

（1.上海理工大學醫(yī)療器械與食品學院，上海200093；2.上海健康醫(yī)學院，醫(yī)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(jīng)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(fā)現(xiàn)腦電信號以來，人們一直設想是否可以利用EEG來實現(xiàn)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?qū)⒋竽X發(fā)出的信息轉(zhuǎn)換為機械手臂的驅(qū)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(jīng)來產(chǎn)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(tǒng)時，應考慮到其自身的生理狀況，有針對性地補償其不足，發(fā)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(zhuǎn)化成控制外部機械手臂的命令，進而幫助他們實現(xiàn)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(jīng)驗模態(tài)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(tǒng)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(shù)方法缺乏連續(xù)性、對閾值的取值敏感、容易導致熵值突變的問題?；谝陨侠碚?，本研究采用共空間模式濾波提取特征，結(jié)合支持向量機進行分類，并利用網(wǎng)格搜索法選取最優(yōu)參數(shù)，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(zhì)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(tǒng)結(jié)構

基于腦電信號的上肢運動控制系統(tǒng)需要實現(xiàn)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(tǒng)的硬件部分由腦電電極帽、腦電導聯(lián)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(jīng)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(fā)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(fā)送控制命令，控制機械手臂運動，系統(tǒng)結(jié)構見圖1。

圖1 機械手臂控制系統(tǒng)結(jié)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(lián)數(shù)比較多的特點對腦電數(shù)據(jù)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(fā)現(xiàn)，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(lián)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(shù)據(jù)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(shù)據(jù)表示為一個N×T維的矩陣E，其中N代表測量的通道數(shù)，而T代表每個通道的采樣點數(shù)。對想象手臂向上和向下兩個動作的腦電信號分別進行數(shù)據(jù)采集，CSP運算步驟如下：

圖2 C3導聯(lián)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(xié)方差，公式如下：

圖3 C4導聯(lián)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(shù)據(jù)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(xié)方差：

第三步：求出混合空間協(xié)方差矩陣的特征值和特征向量：

其中，U為混合協(xié)方差矩陣的特征向量，A為對角線元素為混合協(xié)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(jīng)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?。环粗?，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(shù)據(jù)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(tǒng)計理論中結(jié)構風險最小原理上的一種自監(jiān)督神經(jīng)學習方法，它通過適當?shù)姆蔷€性映射將輸入向量映射到一個高維的特征空間，使得數(shù)據(jù)總能被一個高維的平面分割，而最優(yōu)分類面的意思是此高維的分類面不僅能將兩類數(shù)據(jù)正確分開，而且分開的間隔最大。

其中，n為支持向量的個數(shù)，ai為 Lagrange乘子。從而最優(yōu)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(diào)節(jié)C來選擇出一個最優(yōu)的超平面。

在非線性問題上，可以通過非線性轉(zhuǎn)化為另一個空間中的線性問題，再構造出一個最優(yōu)超平面，相應的最優(yōu)決策函數(shù)變?yōu)椋?/p>

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

核參數(shù)γ和懲罰因子C是影響支持向量機性能的主要參數(shù)，γ的取值影響支持向量機中樣本數(shù)據(jù)在高維特征空間分布的復雜程度，而懲罰因子C負責調(diào)節(jié)支持向量機的經(jīng)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(yōu)參數(shù)，其基本思想是讓參數(shù)C和γ在某一限定范圍內(nèi)均勻離散取值，即采用網(wǎng)格劃分的方式進行參數(shù)調(diào)整。本研究通過網(wǎng)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(zhí)行機構、驅(qū)動機構和控制機構三部分組成。執(zhí)行機構由手部、腕部、臂部、手臂等部件組成。驅(qū)動機構采用ELMO無刷伺服驅(qū)動器驅(qū)動?？刂茩C構由每個關節(jié)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(fā)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(fā)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(qū)動器、旋轉(zhuǎn)電機和光電式旋轉(zhuǎn)編碼器。伺服驅(qū)動器用來控制電機轉(zhuǎn)動，電機每接收到1個脈沖，就會旋轉(zhuǎn)1個脈沖對應的角度，從而實現(xiàn)位移，電機的轉(zhuǎn)動帶動編碼器旋轉(zhuǎn)。光電編碼器是用來測量轉(zhuǎn)速并配合PWM技術可以實現(xiàn)快速調(diào)速的裝置，光電式旋轉(zhuǎn)編碼器通過光電轉(zhuǎn)換，可將輸出軸的角位移、角速度等機械量轉(zhuǎn)換成相應的電脈沖以數(shù)字量輸出。

在旋轉(zhuǎn)的過程中可以檢測到電機旋轉(zhuǎn)的角速度和角位移并反饋到機械手臂控制結(jié)構中。應用Elmo的Composer軟件工具可以設置和調(diào)整伺服驅(qū)動器，Composer軟件基于Windows操作系統(tǒng)，能使用戶迅速方便的設定伺服驅(qū)動器，以達到對自己電機的最佳應用，并且，在電機的旋轉(zhuǎn)過程中可以實時監(jiān)控電機轉(zhuǎn)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(jié)構成，用5個電機分別帶動5個活動關節(jié)轉(zhuǎn)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(fā)過來時電機轉(zhuǎn)動的轉(zhuǎn)速與位移。當控制機械手臂運動的信號發(fā)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(fā)出控制信號控制電機轉(zhuǎn)動，電機帶動關節(jié)旋轉(zhuǎn)。圖4中各個控制關節(jié)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(fā)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(jié)模塊的控制網(wǎng)絡，各個關節(jié)模塊為控制網(wǎng)絡中的一個節(jié)點，將這5個關節(jié)模塊搭建在CAN總線上，每個節(jié)點的關節(jié)模塊通過CAN總線接口連接在CAN Bus上，各節(jié)點從CAN總線接收所需要的數(shù)據(jù)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(huán)控制系統(tǒng)。系統(tǒng)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(fā)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(fā)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(zhuǎn)，同時，編碼器實時記錄電機運轉(zhuǎn)的角速度與位移，將手臂實時狀態(tài)信息再通過CAN總線接口發(fā)送到CAN Bus上，從而實現(xiàn)對機械手臂的控制與實時監(jiān)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(jié)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(lián)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(lián)的腦電數(shù)據(jù)作為實驗數(shù)據(jù)，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(nèi)部電子器件干擾以及環(huán)境電磁干擾等影響，所以在采集數(shù)據(jù)時應關閉手機、空調(diào)等干擾設備。盡量讓室內(nèi)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(xiàn)，實驗開始時，受試者正視刺激界面的正中央，根據(jù)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(xù)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(tài)，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(tài)，隨后十字架圖片消失，如此循環(huán)刺激直至刺激結(jié)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(jié)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(fā)現(xiàn)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(jié)果見圖9。

為了克服單次實驗分類識別結(jié)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(jié)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(huán)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(jié)果Table 1 Classification result

6 小結(jié)

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(zhì)，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(tài)，并把這種運動想象任務下的運動標簽發(fā)送到機械手臂控制平臺，啟動相應的程序發(fā)送控制命令，通過CAN總線實現(xiàn)對電機運轉(zhuǎn)的控制，并且利用Composer軟件實現(xiàn)機械手臂運動的實時監(jiān)測。

本研究設計了基于腦電信號的上肢運動控制系統(tǒng)，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(huán)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?qū)崿F(xiàn)上下運動，還能實現(xiàn)抓、握等其它功能。