吳浩鎮(zhèn) 徐家駿 曹芳淇 彭 芳

（電子科技大學(xué)中山學(xué)院，廣東中山 528402）

穩(wěn)態(tài)視覺誘發(fā)電位腦機接口的方法主要有：功率譜密度分析（Power Spectrum Density Analysis，PSDA），典型線性相關(guān)分析（CCA）。PSDA 對SSVEP信號分類的準(zhǔn)確率偏低，受噪聲影響波動大且不穩(wěn)定[1]。本文采用CCA分析轉(zhuǎn)換成控制信號，以Topic為橋梁傳遞到機械臂，實現(xiàn)基于SSVEP的BCI對7自由度的機械臂的控制。

1 系統(tǒng)總體設(shè)計

1.1 總體框架

腦機接口是一種基于腦電信號的全新的人機交互方式，受試者佩戴電極帽，由視覺刺激引發(fā)腦電信號，將采集的腦電信號分析轉(zhuǎn)換為控制信號傳到機械臂以實現(xiàn)腦控機械臂。

本文中機械臂采用Franka公司的PANDA械臂，該機械臂通過話題通訊接收來自MATLAB的腦電信號，運用笛卡爾運動規(guī)劃實現(xiàn)機械臂的運動規(guī)劃。腦電數(shù)據(jù)的采集采用COMPUMEDICS 公司的Graeleeg可穿戴腦電采集設(shè)備。

1.2 腦電-機械臂通訊

BCI通信原理如圖1所示，通過ROS MASTER在MATLAB機和ROS機兩邊互相創(chuàng)立一個節(jié)點，并且通過話題通訊在節(jié)點之間傳遞信息，實現(xiàn)信息傳輸。當(dāng)Graeleeg腦電機采集一個腦部信號時，并通過MATLAB轉(zhuǎn)變成有用的控制信號時候，通過Topic橋梁，使得MATLAB的控制信號可以發(fā)布出去[2]。

圖1 腦控機械臂通信原理

當(dāng)有信息發(fā)布時，ROS的訂閱節(jié)點訂戶不斷訂閱話題，當(dāng)需要訂閱的話題名與MATLAB機發(fā)布的話題名一致時，兩者建立連接并開始數(shù)據(jù)的傳送，然后通過程序去判斷控制信號并控制PANDA機械臂的相關(guān)運動。

2 腦電信號采集與識別

2.1 視覺刺激界面設(shè)計

視覺刺激通過MATLAB的Psychtoolbox工具包編寫程序?qū)崿F(xiàn)，基于采樣正旋編碼方法在顯示器上實現(xiàn)所需的刺激頻率，在基于SSVEP的BCI系統(tǒng)中，誘發(fā)SSVEP信號的刺激源頻率范圍為4～50 Hz。不同的刺激頻率會極大地影響SSVEP信號的強度。在6個頻率塊的刺激頻率間隔1 Hz。

視覺刺激一共分為兩個階段：刺激階段和分析階段。在刺激階段中，按預(yù)定刺激頻率閃爍2 s后停止，隨后將腦電信號截取保存等待分析結(jié)果，完成后將分析得到的頻率匹配對應(yīng)的頻率塊并標(biāo)以紅色。

2.2 數(shù)據(jù)采集

當(dāng)人眼受到固定頻率超過4 Hz的視覺刺激時，大腦皮質(zhì)活動將被調(diào)節(jié)，而腦電信號頻率又可細(xì)分為低頻段（＜15 Hz）、中頻段（15～30 Hz）、高頻段（＞30 Hz），低頻刺激誘發(fā)的SSVEP會在較短的時間內(nèi)達到穩(wěn)態(tài)，且刺激后不會即刻消失。故本文采用9～14 Hz的刺激頻段，利用MATLAB與Curry8（腦電信號采集套件）構(gòu)成通訊以實時獲取數(shù)據(jù)。當(dāng)視覺刺激程序啟動時，數(shù)據(jù)開始收集隨后進行預(yù)處理。

2.3 數(shù)據(jù)預(yù)處理

腦電信號屬于非平穩(wěn)隨機信號，容易受到各種噪聲干擾。對獲取的初始數(shù)據(jù)的噪聲和干擾進行處理，將采樣率從MATLAB中得到的1 024 Hz降至256 Hz，然后進行帶通濾波和50 Hz陷波濾波去除干擾，利于后面數(shù)據(jù)分析。圖2為原始腦電數(shù)據(jù)，圖3為濾波后數(shù)據(jù)，濾波后對比特征明顯。

圖2 9 Hz降采樣（256 Hz）后數(shù)據(jù)

圖3 帶通濾波50 Hz陷濾波后數(shù)據(jù)

本文使用巴特沃斯濾波器和雙線性變換方法來設(shè)計濾波器。由于腦電信號中存在倍頻干擾，設(shè)計陷濾波器濾除經(jīng)低通濾波后腦電信號的倍頻干擾。陷濾波器的本質(zhì)是IIR帶阻濾波器，其基本設(shè)計方法與帶通濾波器類似。設(shè)置1個周期，過濾通過低通濾波器后的多個峰值噪聲[3]。

2.4 數(shù)據(jù)分析

CCA是研究兩組變量之間相關(guān)性的統(tǒng)計分析方法，為了從整體上掌握兩組指標(biāo)之間的相關(guān)性，分別從兩組變量中提取兩個具有代表性的綜合變量u1和v1（分別為兩組變量的線性組合），利用這兩個綜合變量之間的相關(guān)性來反映兩組指標(biāo)之間的整體相關(guān)性。研究相關(guān)系數(shù)ρ(u，v)并在組合中尋找最大相關(guān)系數(shù)的線性組合。

本文采用現(xiàn)有的典型相關(guān)分析方法在通用的正弦余弦模板上進行單次實驗，利用正弦余弦構(gòu)造Yi作為參考信號。

從X和Y尋求變量x1和x2（N×P矩陣，p1≤p2）。形式化表示如x=由于CCA對數(shù)據(jù)的線性依賴性，將X、Y投影到1維，而對應(yīng)的投影向量或線性系數(shù)向量分別為a、b，定義u=aTx1，v=bTx2，可算出u和v的方差和協(xié)方差：

通過尋求a、b，使式（3）中結(jié)果最大化，以得出最大相關(guān)系數(shù)對應(yīng)的頻率。

3 機械臂的笛卡爾運動規(guī)劃與模型建立

3.1 笛卡爾運動規(guī)劃

相對關(guān)節(jié)運動規(guī)劃，關(guān)節(jié)運動規(guī)劃出來的運動是無規(guī)律可循的，而笛卡爾運動規(guī)劃則可以按照要求在工作空間范圍內(nèi)去規(guī)劃相應(yīng)的運動路線。笛卡爾運動規(guī)劃是當(dāng)給定機械臂的末端姿態(tài)時，它會通過逆運動學(xué)解出各個關(guān)節(jié)的角度。

本文研究的課題由于需要精確控制機械臂的運動距離，故采用笛卡爾運動規(guī)劃來實現(xiàn)路徑規(guī)劃。機械臂運動規(guī)劃末端可以看成一條直線，故可選用定時插補法和定距插補法對其相應(yīng)的軌跡點進行插補。由于定距插補規(guī)劃出來的軌跡不是很平滑，故采用定時插補法，只需在相同時間內(nèi)對運動規(guī)矩進行插補，當(dāng)時間取值足夠小時，其末端運動規(guī)矩可以相應(yīng)地近似光滑。

3.2 機械臂模型的建立

首先，機械臂需要建立一個URDF模型，該模型是用參數(shù)形式去描述機械臂的關(guān)節(jié)與連桿參數(shù)、慣性矩陣、外觀和碰撞屬性等一系列參數(shù)之間的聯(lián)系。

在URDF模型建立之后，需要配置MOVEIT。通過使用MOVEIT的配置助手對其進行相關(guān)的配置。首先，建立碰撞免檢矩陣，有助于減小機械臂的運動規(guī)劃時間；其次，創(chuàng)建機械臂的虛擬關(guān)節(jié)與建立機械臂的運動規(guī)劃組；最后，定義機械臂位置、末端執(zhí)行器、跟被動關(guān)節(jié)。在完成以上步驟后，即可生成機械臂的配置文件。

3.3 笛卡爾程序的設(shè)計

把全部的路徑規(guī)劃點添加到Waypoints數(shù)組中，然后進行路徑規(guī)劃，設(shè)置終端步進值為0.01，即每隔1 cm計算能否走直線的運動規(guī)劃，并添加跳躍閾值與避障規(guī)劃，對全部路徑點的運動規(guī)劃進行逆運動學(xué)求解，把逆運動學(xué)成功的路線比例值賦值給Fraction，在100次逆運動學(xué)求解過程中，如果有1次Fraction的值為1，即笛卡爾運動規(guī)劃成功并開始執(zhí)行該路徑點的運動規(guī)劃。反之，則笛卡爾運動規(guī)劃失敗，并把失敗的Fraction值反饋給MOVEIT。

4 實驗分析

本文對腦電數(shù)據(jù)的采集與處理、與機械臂的通訊控制進行分析，招募6個年齡在21～24之間并且身體狀況良好的男性受試者，視力情況均為矯正后視力正常。

對原始數(shù)據(jù)進行256 Hz降采樣和濾波減小干擾，利于后期的數(shù)據(jù)分析。將處理后的數(shù)據(jù)代入公式（1）（3）計算，得到刺激頻率。

在15 Hz頻率下改變不同通道采集5次，對所得數(shù)據(jù)進行CCA分析的效果如表1所示。64通道在相關(guān)性上要優(yōu)于其他通道，但在其所得結(jié)果正確率不如8通道，故最終選擇8通道數(shù)據(jù)采集。

表1 不同通道15 Hz刺激5次得到的數(shù)據(jù)

對6名受試者數(shù)據(jù)分析結(jié)果，在8通道9 Hz采集10次，10～14 Hz各采集5次。由CCA識別結(jié)果，識別的正確率平均為91.85%。

為了確保機械臂能夠正確流暢地按照指令進行操作，在實驗過程中，也在Topic通訊下對機械臂的實時性進行分析，即在不同頻率下分別對機械臂連續(xù)發(fā)送3個控制指令，看機械臂能否正確按照指令執(zhí)行命令。

Topic通訊下PANDA機械臂的極限接收頻率為3 Hz，而1個腦電信號采集與分析過程大概則需要2～3 s，因此，判斷機械臂可以正確流暢地按照腦電信號執(zhí)行相應(yīng)的控制指令。

通過笛卡爾運動規(guī)劃，可使得無規(guī)律可循的運動規(guī)矩讓機械臂在三維空間下走出我們要求的相應(yīng)運動路線，但笛卡爾運動規(guī)劃會使機械臂運動不穩(wěn)定，因此，需要降低其速度，以此來實現(xiàn)機械臂的穩(wěn)定運行。

5 結(jié)語

本文基于SSVEP的BCI，規(guī)劃了腦控機器人運動方向的控制策略。在刺激呈現(xiàn)畫面數(shù)量和刺激目標(biāo)數(shù)量一定的情況下，優(yōu)化布局，適當(dāng)增加間距或刺激時間，可以提高正確識別率。同時在ROS平臺下，基于笛卡爾運動規(guī)劃下的運動規(guī)劃穩(wěn)定性與速度呈反比，可以通過編程調(diào)節(jié)速度來尋求較合適的運動平衡點。在刺激呈現(xiàn)時間、視覺傳遞時間和測試平臺環(huán)境相同的條件下，多位受試者在SSVEP刺激下實現(xiàn)高準(zhǔn)確率控制機器臂。