脑电信号识别及其在机械手臂控制中的应用*

刘刚，李晓欧，2△

（1.上海理工大学医疗器械与食品学院，上海200093；2.上海健康医学院，医疗器械学院，上海201318）

1 引 言

脑机接口（brain computer interface，BCI）技术是指不依赖于正常脑部神经和肌肉响应，而直接通过人脑与计算机交流的通道。自1929年Hans Berger发现脑电信号以来，人们一直设想是否可以利用EEG来实现各种外部通讯和控制［1］。随着科技进步，脑机接口技术使得这一设想成为可能。基于脑电信号对机械手臂的控制研究，一方面要能够将大脑发出的信息转换为机械手臂的驱动命令；另一方面，应该让外部信息（如视觉刺激）可以直接传入大脑，通过视觉刺激直接刺激大脑神经来产生脑电信号。对于上肢运动能力较弱的患者，设计脑机接口控制系统时，应考虑到其自身的生理状况，有针对性地补偿其不足，发挥其主观能动性。一般上肢运动障碍的患者思维与正常人无异，因而可以通过分析其大脑对肢体运动的控制意图，获取其脑电信号的思维活动，转化成控制外部机械手臂的命令，进而帮助他们实现自主控制的意愿，其研究价值和实施的可行性得到越来越多的研究机构及相关科研人员的密切关注［2-4］。

在脑电控制机械手臂的研究中，田京提出了一种基于经验模态分解（empirical mode decomposition，EMD）小波阈值消噪、模糊熵算法提取特征并用支持向量机分类的方法来控制假手［5-10］。以上方法克服了传统EMD去噪无法保留高频成分中有用信息的缺陷，避免了近似熵及样本熵使用二值函数方法缺乏连续性、对阈值的取值敏感、容易导致熵值突变的问题。基于以上理论，本研究采用共空间模式滤波提取特征，结合支持向量机进行分类，并利用网格搜索法选取最优参数，这种方法比用脑电的频带能量作为特征的方法具有更好的泛化能力，最后通过实验方式验证了此方法用于控制机械手臂的可行性。

将脑机接口技术运用于对机械手臂的控制，以辅助上肢行动不便的人士提升自由活动度，补偿弱化的机体功能，提高自主生活质量，对于如何使得残疾患者摆脱日常生活困扰有着重大意义。

2 系统结构

基于脑电信号的上肢运动控制系统需要实现视觉刺激时脑电信号的在线采集、特征提取和分类、串口通信技术、机械手臂控制等功能。系统的硬件部分由脑电电极帽、脑电导联线、脑电放大器、PC机、串口通信线和机械手臂组成。采集开始时，运行在PC机上的刺激图片（向上箭头、向下箭头、十字、黑屏）刺激患者想象上肢运动，通过脑电采集帽和脑电放大器采集此时的脑电信息，经特征提取和模式分类后，通过串口通信技术把分类的标签发送到机械手臂VC控制平台，机械手臂VC控制平台接收标签并启动相应的程序发送控制命令，控制机械手臂运动，系统结构见图1。

图1 机械手臂控制系统结构图Fig 1 Mechnical arm contral system diagram

3 信号处理

3.1 脑电信号预处理

在脑电信号预处理中，可以利用导联数比较多的特点对脑电数据进行空间滤波来提高脑电信号的信噪比。本研究采用公共平均值参考（common average reference，CAR）的空间滤波方法，可以发现，CAR的作用是为去除共有的空间低频成分，突出空间分布上高度集中的脑电成分。在CAR方法的基础上，我们再对信号进行滤波处理，以此滤除工频干扰和肌电干扰。图2和图3分别是预处理之后的C3、C4导联的脑电信号。

3.2 CSP特征提取

公共空间模式（common space pattern，CSP）是一种空间滤波方法，能够抽取受试者特殊的、有差别的脑部空间模型，提取人的EEG有效特征，特别对两类数据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两个运动特征，因此选用CSP算法用于特征提取。在本次试验中将单个任务的实验数据表示为一个N×T维的矩阵E，其中N代表测量的通道数，而T代表每个通道的采样点数。对想象手臂向上和向下两个动作的脑电信号分别进行数据采集，CSP运算步骤如下：

图2 C3导联预处理示意图Fig 2 C3 lead preprocessed diagram

第一步：分别计算2类脑电信号采集的协方差，公式如下：

图3 C4导联预处理示意图Fig 3 C4 lead preprocessed diagram

其中，Eu、Ed分别代表想象向上和向下的数据矩阵，trace（Eu×ETu）表示矩阵的对角线元素之和。

第二步：求出混合空间的协方差：

第三步：求出混合空间协方差矩阵的特征值和特征向量：

其中，U为混合协方差矩阵的特征向量，A为对角线元素为混合协方差矩阵特征值的对角矩阵。

第四步：白化处理：

对Cu和Cd分别进行白化 ：

第五步：利用白化后SU、Sd具有相同的特征向量的特点，经特征值分解后可得：

并且 y1+y2=I，其中 I为单位阵，y1、y2为 Su、Sd对应的特征值对角矩阵，B为Su和Sd共同的特征向量。由于两类矩阵的特征值相加总和为1，所以当Su的特征值最大时，Sd的特征值最小；反之，当Su的特征值最小时，Sd的特征值最大。将白化后的EEG信号投影在特征向量B的前m和后m列特征向量上，就可以得出最佳的分类特征。

第六步：求出提取特征所需的空间滤波器：

则单次实验的脑电数据E可以变换为Z=WE。

第七步：求出运动想象的特征值：

将变换后的信号 Zp（p=1，2，…，2m，2m＜N）做如下变化后作为特征值：

式中var（Zp）表示Zp信号的方差。

3.3 支持向量机分类

支持向量机（support vector machine，SVM）是建立在统计理论中结构风险最小原理上的一种自监督神经学习方法，它通过适当的非线性映射将输入向量映射到一个高维的特征空间，使得数据总能被一个高维的平面分割，而最优分类面的意思是此高维的分类面不仅能将两类数据正确分开，而且分开的间隔最大。

其中，n为支持向量的个数，ai为 Lagrange乘子。从而最优超平面可表示为：

约束于：

其中，δi为松弛变量，C为惩罚因子。C越大，表示对学习集上的识别度越高，而‖w‖越大，样本到超平面的距离减小，因此，可以通过调节C来选择出一个最优的超平面。

在非线性问题上，可以通过非线性转化为另一个空间中的线性问题，再构造出一个最优超平面，相应的最优决策函数变为：

式中，K（xi，x）为内核函数，满足 Mercer定理，选择不同的核函数可以构造不同的支持向量机分类器。常用的核函数有线性核函数、多项式核函数、径向基核函数等等，本研究采用径向基核函数：

核参数γ和惩罚因子C是影响支持向量机性能的主要参数，γ的取值影响支持向量机中样本数据在高维特征空间分布的复杂程度，而惩罚因子C负责调节支持向量机的经验风险和置信范围的比例，因此，γ和C的取值很大程度上影响了脑电信号的识别率。本研究采用交叉验证选取最优参数，其基本思想是让参数C和γ在某一限定范围内均匀离散取值，即采用网格划分的方式进行参数调整。本研究通过网格搜索得到最佳的C=2^（-1）和γ=2^6，最大分类正确率为90.0%。

4 机械手臂控制

4.1 机械手臂工作原理

机械手臂由执行机构、驱动机构和控制机构三部分组成。执行机构由手部、腕部、臂部、手臂等部件组成。驱动机构采用ELMO无刷伺服驱动器驱动。控制机构由每个关节的控制单元模块组成，并与总控制器相连，由PC机作为总控制器，利用上位机操作软件来发出控制命令，控制命令的选取由MATLAB分类识别的动作标签决定，分类识别的动作标签通过串口发送至上位机操作平台。

在本次设计中，用到的硬件设施有Elmo无刷伺服驱动器、旋转电机和光电式旋转编码器。伺服驱动器用来控制电机转动，电机每接收到1个脉冲，就会旋转1个脉冲对应的角度，从而实现位移，电机的转动带动编码器旋转。光电编码器是用来测量转速并配合PWM技术可以实现快速调速的装置，光电式旋转编码器通过光电转换，可将输出轴的角位移、角速度等机械量转换成相应的电脉冲以数字量输出。

在旋转的过程中可以检测到电机旋转的角速度和角位移并反馈到机械手臂控制结构中。应用Elmo的Composer软件工具可以设置和调整伺服驱动器，Composer软件基于Windows操作系统，能使用户迅速方便的设定伺服驱动器，以达到对自己电机的最佳应用，并且，在电机的旋转过程中可以实时监控电机转动的角速度和角位移。

4.2 机械手臂设计

设计的机械手臂由5个关节构成，用5个电机分别带动5个活动关节转动，可以在两个平面的水平和垂直方向运动，见图4。在启动机械手臂运动之前，应用Composer软件设置每一次脉冲发过来时电机转动的转速与位移。当控制机械手臂运动的信号发出后，传感部件将物体的位置信号传递给控制器，然后控制器发出控制信号控制电机转动，电机带动关节旋转。图4中各个控制关节单元模块与总控制器相连，由PC机作为总控制器，利用上位机软件发送控制命令。本研究设计的机械手臂利用CAN总线作为各个关节模块的控制网络，各个关节模块为控制网络中的一个节点，将这5个关节模块搭建在CAN总线上，每个节点的关节模块通过CAN总线接口连接在CAN Bus上，各节点从CAN总线接收所需要的数据包，通过对总线的检测与控制，完成所需要的功能。同时，编码器也将机械手臂动作的实时信息通过CAN接口传送到CAN Bus上，形成闭环控制系统。系统的控制流程见图5。

图4 机械手臂示意图Fig 4 Mechanical arm diagram

图5 总体控制流程Fig 5 Total contral flow

与机械手臂对应的是VC控制平台的设计，VC控制平台连接着机械手臂的硬件设施，通过基于VC平台的控制界面，主要包括初始化、接收串口信息、发送控制指令功能。机械手臂的VC控制界面通过串口接收到SVM分类的动作标签，再启动对应的程序发送指令，电机通过CAN总线接口从CAN Bus上收到指令后开始运转，同时，编码器实时记录电机运转的角速度与位移，将手臂实时状态信息再通过CAN总线接口发送到CAN Bus上，从而实现对机械手臂的控制与实时监测。机械手臂VC控制界面见图6。

本文中，因脑电信号的分类识别结果用于选择机械手臂的控制指令，因此，对运动想象脑电信号的动作识别直接影响机械手臂能否正确运动。

图6 机械手臂控制界面Fig 6 Mechnical arm coutral surface

5 实验设计分析

5.1 实验平台

本次实验是按照国际脑电图学会标定的10～20电极导联定位标准，选用 FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6、Sp1、Sp2、Fz、Cz、Pz、Oz导联的脑电数据作为实验数据，采样率为512 Hz，实验场景见图7。

本次实验的受试者来源于上海理工大学的5名男同学，年龄20岁-25岁，有自主意识活动，均为健康人。

图7 实验场景示意图Fig 7 Test scenario diagram

5.2 实验要求

由于脑电信号微弱，容易受到如工频干扰、采集设备内部电子器件干扰以及环境电磁干扰等影响，所以在采集数据时应关闭手机、空调等干扰设备。尽量让室内光线柔和，避免分散受试者注意力。受试者在实验时要集中注意力在刺激界面上，中途避免说话以及眼部的各种运动，以减少其对脑电信号的影响。

5.3 实验流程

刺激界面由向上箭头、向下箭头、十字架和黑屏4种图片随机出现，实验开始时，受试者正视刺激界面的正中央，根据界面中随机显示的提示进行想象活动，当显示向上箭头时，要求受试者想象手臂向上运动，显示向下箭头时，要求受试者想象手臂向下运动。每次刺激持续9 s，在训练开始时，前4 s显示黑色空白屏幕让受试者放空思维，静息状态，第5 s开始随机显示向上或者向下的箭头，此时受试者应按提示开始想象。从第6 s至第9 s刺激界面显示一个十字图片，此时间段受试者一直处于第5 s提示任务的想象状态，随后十字架图片消失，如此循环刺激直至刺激结束，实验模式见图8。

图8 脑电实验时序图Fig 8 Brain electrical experiment sequence chart

5.4 实验分类结果

对机械手臂上下两种运动的特征分别贴上1和-1两个标签，给想象手臂向上运动的特征贴上标签1，给想象手臂向下运动的特征贴上标签-1。分别想象向上和向下两种动作各50组，通过实验发现想象手臂向上运动的脑电信号识别率为94%，想象手臂向下运动的脑电信号识别率为86%，想象手臂向上和向下两类运动想象的平均识别率即为90%，分类结果见图9。

为了克服单次实验分类识别结果具有的偶然性，我们分别对5个正常人进行了实验，得到的分类结果见表1。从表1可以看出因每个人的集中想象能力的差异以及环境等外在因素的影响，使得每位受试者运动想象的平均分类精度略有差异。通过对5位受试者的识别率进行求取平均值，可得本次实验的总平均识别率为86.1%，具有良好的分类效果。

表1 分类结果Table 1 Classification result

6 小结

CSP空间滤波具有排除相同任务成分，提取不同任务成分的特质，因此在研究脑电信号控制机械手臂上下运动的过程中，利用CSP方法提取的特征具有明显的差异，对特征的分类更具有针对性。本研究通过对脑电信号采集、预处理、CSP滤波提取特征向量、SVM分类等方法识别出预定的运动想象状态，并把这种运动想象任务下的运动标签发送到机械手臂控制平台，启动相应的程序发送控制命令，通过CAN总线实现对电机运转的控制，并且利用Composer软件实现机械手臂运动的实时监测。

本研究设计了基于脑电信号的上肢运动控制系统，将BCI技术应用于对机械手臂的运动控制，为未来将BCI技术应用于残疾人对外部环境的控制打下基础。因此，下一步的工作重点是提高机械手臂的运动自由度，让机械手臂不仅能够实现上下运动，还能实现抓、握等其它功能。