基于脑电波控制的智能轮椅系统

常 宇，杨 风，郝 骞

(中北大学，太原 030051)

0 引 言

由于交通事故、疾病等原因，一些患者永久地丧失了行为能力。而目前市场上的大部分代步工具都需要用户对控制杆或者按键进行操作，怎样为这类人群提供一个可靠的代步工具，使他们重获自由，是如今急需解决的难题之一。而随着对脑电波的不断研究深入，许多专家提出了利用脑电波信号来实现对轮椅的控制，即依靠患者的意念来控制轮椅的运动。这使得肢体功能有障碍的人群重新获得了自理能力，并且能够实现与外界的互动交流。文献[1]采用改进的滑动窗口算法以及K-近邻算法对脑电波信号数据流进行数字滤噪、特征提取、模式识别等处理后，实现了对轮椅运动轨迹的控制。文献[2]利用BCI2000开源软件结合MFC程序，将脑电波信号的采集、识别、分类和传输合成一个平台，简化了硬件电路，实现了脑电波信号控制轮椅的目标。但是同时又出现了一个新的问题，那就是现有的实验研究都需要频繁地利用脑电波控制，这对于本身就容易产生疲劳的重度肢体功能不健全的患者来说，无疑会造成极大的精神负担。

基于此，本文研究一种结合脑电波控制与自动导航的新型轮椅系统，这种轮椅可以依靠自动导航系统到达所选目的地，无需用户频繁地发出控制指令，因而可以在很大程度上减轻用户的脑力负荷。实验表明，这种脑控轮椅系统具有广阔的应用前景。

1 脑电波简述

现代科学研究表明，当人们处在工作、学习、玩游戏、听音乐等一系列活动中时，人脑中的神经细胞也在活动着，其产生的节奏即为脑电波[3]。人在不同的精神状态下产生的脑电波频率变动很大[4]，范围大约从0.4～30 Hz，不同的脑电波与人的精神状态的对应关系如表1所示。

表1 不同的脑电波信号与人的精神状态的对应关系

由表1可见，依据频率的不同，脑电波可分为δ波(0.4～4 Hz)，θ波(4～8 Hz)，α波(8～14 Hz)，β波(14～30 Hz)，其中，α波又可以更精确地分为慢速α波(8～9 Hz)、中间α波(9～12 Hz)、快速α波(12～14 Hz)。

2 脑电波信号处理

脑电波信号采集装置采集到的信号通常会掺杂一系列的噪声，包括其它生物电以及采集环境、工频信号的干扰，在对脑电波信号进行特征模式识别之前，首先需要去除噪声干扰信号。

2.1 脑电波信号消噪

2.1.1 脑电波信号消噪的传统算法

通常，一个含噪声的一维脑电波信号模型可以表示：

s(k)=f(k)+εe(k)k=0,1,…,n-1 (1)

式中：s(k)为含噪声信号；f(k)为原始脑电波信号；e(k)为噪声；ε为噪声系数的标准偏差。传统小波分解的步骤：

(1) 输入原始脑电波信号；

(2) 小波分解；

(3) 阈值处理；

(4) 小波重构；

(5) 得到去噪后的脑电波信号。

2.1.2 脑电波信号消噪的改进算法

传统的小波变换算法很可能会使去噪后的脑电波信号失真，信噪比低，为了得到更加有效纯净的信号，这里选择改进后的小波变换进行消噪。它的主要特点是第二个母小波按照1/2的倍数平移，具有较高的采样密度[5]。首先对信号进行分解重构，示意图如图1所示。

图1 信号分解重构示意图

图1中，l(n),b(n),h(n)分别表示小波的低通、带通和高通滤波器。其中，尺度系数与小波系数可由下式得到：

(2)

式中：x(t)代表原始信号；cj(n)表示分解第j级得到的尺度系数；d1,j(n)，d2,j(n)分别表示分解第j级所得到的第1、2个小波系数。另外，尺度函数和母小波函数被以下条件约束：

(3)

式中：Φ(t)为基函数；ψ1(t),ψ2(t)分别代表两个小波函数。最后要实现重构，还需满足下式的要求：

(4)

改进的小波变换具体步骤：

(1) 对含噪声的脑电波信号作改进小波变换分解，得到一系列多尺度小波系数；

(2) 对系数进行阈值收缩处理；

(3) 对各尺度系数进行重构；

(4) 得到去噪后的脑电波信号。

实验选取2 s时间内的原始脑电波信号波形进行去噪处理，如图2所示，纵坐标为脑电波信号的幅值(微伏)。

图2 原始脑电波信号波形图

经过改进的小波变换法去噪处理后的波形图如图3所示。

图3 改进小波变换去噪后脑电波信号波形图

对比图2和图3可以发现，经过改进小波法处理后的脑电波信号波形比原始信号的波形更加平滑，明显消除了高频毛刺信号的干扰。

2.2 脑电波信号特征提取

脑电波信号的特征提取选择目前较为成熟的共空间模式(以下简称CSP)算法。该算法的基本原理是通过训练空间滤波器，找到最优的空间投影，从而使两类信号能量之差最大，实现分类[6]。具体的步骤如下：

(1) 分别计算两类脑电波信号Xm，Xl的协方差矩阵Rm，Rl以及混合协方差矩阵R：

(5)

(6)

(7)

式中：trace(X)表示矩阵X对角线上所有元素之和，m和l表示两类试验的试验次数。

(2) 构造白化矩阵P并对其特征值Sm,Sl进行分解：

(8)

(9)

(10)

式中：∑表示特征值对角矩阵；Ub是特征向量矩阵。

(3) 选取其中几个较大的特征值作为特征向量；

(4) 利用特征向量构造空间滤波器Fm,Fe,并获取CSP投影矩阵。

(11)

(12)

则两类原始脑电波信号经过空间滤波器滤波后得到的源信号：

Sm=FmX

(13)

Sl=FlX

(14)

最后可得两个类别的特征：

(15)

(16)

将二分类CSP算法用到本文四个类别分类时，可以首先进行两两配对，共得到6对，再对每一对形成的特征进行统计。

2.3 脑电波信号模式识别

脑电波信号的识别选择模糊支持向量机(以下简称FSVM)，该算法能克服支持向量机抗噪性差的缺点，基本思想是对输入样本中的噪声设置较小的隶属度，削弱这些噪声样本带来的干扰作用，从而提升系统分类的准确性。

首先，FSVM相比于传统支持向量机的训练样本，增加了一项隶属度mi，并称训练集为模糊训练集。

S={(x1,y1,m1),(x2,y2,m2),…,

(xi,yi,mi),…,(xn,yn,mn)}

(17)

式中：xi∈Rn，yi为模糊数，mi为隶属度，0

由此可得到最优分类面问题：

(18)

式中：εi是分类误差项。引入拉格朗日乘子αi(i=1,…,n)，将式(18)转化为一个优化问题：

(19)

最后可得到决策函数：

(20)

试验所用到的脑电波数据集来自于5位18～25岁的健康受试者，其中，每位受试者均采集了180组脑电波信号，随机选取90组作为测试样本，另外90组作为训练样本，进行特征提取以及模式识别后得到的分类结果如表2所示。

表2 脑电波信号识别分类结果

由表2可知，基于CSP特征提取法的测试集的平均识别率为80.8%，训练集的平均识别率为85.8%。试验证实，采用本文的算法能够得到良好的分类效果。

3 轮椅路径研究

当用户通过脑机接口选择了目的地后，为了使轮椅能够利用自动导航系统到达目的地，必须要对轮椅进行室内的路径规划。由于蚁群算法是一种基于种群寻优的启发式搜索算法[7]，也是一种鲁棒性强、自组织的算法，通过正反馈、分布式协作来寻找最优路径，能够更加快速、更加合理地找到优化的答案[8]，所以本文对基于蚁群算法的路径规划进行研究。

基于蚁群算法的路径规划流程图如图4所示。

图4 基于蚁群算法的路径规划流程图

蚁群算法具体步骤如下：

(1) 利用栅格法建立环境模型；

(2) 初始化参数；

(3) 在起点放置m只蚂蚁，并在当前禁忌表tabu中存入起点；

(4) 每只蚂蚁按照状态转移的概率进行下一个节点的选择，同时修改禁忌表，更新蚂蚁的状态，直到所有蚂蚁均到达目的地；

(5) 得到本次的最优路径后对原信息素进行动态更新；

(6) 判断迭代次数是否达到设定的最大值，若未达到，则执行Nc+1，跳转到步骤(3)，否则输出最优路径，算法结束。

最后，在MATLAB软件上仿真，仿真空间20×20，黑色栅格为空间中的障碍物区域，具体的参数设置：起点为左上栅格，终点为右下栅格，空间中设有9个障碍物，仿真结果如图5所示，由图5可知，该算法能够使轮椅从起始点顺利地达到目的地。

图5 基于蚁群算法的运动轨迹

4 系统的硬件设计

4.1 控制原理

利用脑电波传感器ThinkGear AM芯片采集脑电波信号并进行放大滤波，通过蓝牙发送数据到PC端，在PC端上安装Processing软件用来显示脑电波数据及波形图，然后通过PC端的蓝牙串口连接核心控制板上相同型号的蓝牙模块，控制板根据得到的脑电波数据，经过对数据去噪、特征提取识别等处理后得到用户希望的目的地，最后依靠路径的规划，智能轮椅能够无碰撞且准确地到达目的地。

4.2 硬件模块

4.2.1 核心控制模块

本文选用意法半导体公司的32位ARM微控制器STM32F103ZET6处理器为核心控制模块，其内核是Cortex-M3，最高工作频率72 MHz，闪存存储器容量为512 KB，具有功耗低、性能高、计算性能强以及中断系统响应先进等特点[9]，广泛应用于电力电子系统、应用控制、医疗、编程控制器等多个方面。

4.2.2 直流电机模块智能轮椅系统能够平稳安全地载用户到达目的地，不仅对其核心控制器的选择具有很高的要求，而且，电机的选择是否合适也决定了系统能否高效地工作。本文根据实际需求，选择了维护方便、结构简单的无刷直流伺服电动机，它具有传统直流电动机调速范围广、运行效率高等优点，并且随着现代工业的快速发展，已经被广泛地应用于诸多领域，例如电子工业、航空航天、自动化控制等。

4.2.3 脑电波传感器模块

本文选用美国Neurosky(神念科技)公司研发的ThinkGear AM芯片，该芯片为单EEG脑电通道[10]，很微弱的脑电波信号都可被检测到，直接与干电极相连，可采样512 Hz的原始脑电波信号[11]，具有UART接口，无奇偶校验，拥有先进的消除噪声以及抗干扰功能，正在被大规模的电子产品所应用。

4.2.4 蓝牙模块

本文的蓝牙模块选择HC-05主从一体模块，引出接口有TXD，RXD，VCC，GND，LED，KEY，当KEY为高电平时进入AT状态。该模块拥有传统的蓝牙技术功能，具有UART，SPI，USB等多个接口，模块内置8 Mbit Flash，功能强大，不仅成本低、外观精美，而且还具有低功耗、高性能等特点。它的工作模式有两种：其一为自动连接模式，当模块处于该模式时，数据的传输依据预先已经设定好的方式[12]；其二为命令响应工作模式，在该模式下，模块的控制参数和控制命令可根据用户发送的AT指令设置。

4.2.5 驱动模块

本文的驱动模块选择由STMicroelectronics制造商生产的L298N模块，它是一种双H桥电机驱动芯片，两个H桥可以供应的电流均为2 A，功率部分应保证2.5～48 V的电压，逻辑部分5 V供电，接收5 V TTL电平。起动性能良好，对电机的控制十分方便，广泛应用于机器人以及智能小车的设计中。

4.2.6 超声波模块

本文的测距模块选择HC-SR04超声波传感器，它可以测量的距离范围大致为2～400 cm，最小距离可精确到3 mm。超声波测距的基本工作原理：首先触发测距，然后模块内部发送方波并检测信号的返回情况，若有信号返回，输出高电平，则其保持的时间就是超声波从发射到遇到障碍物返回的时间[13]。测试的距离为(高电平时间×声速)/2。该模块具有计算简便，易于实时控制的优点，而且测量精度能达到一般的实用性要求，应用广泛，尤其在移动机器人的研发项目上更加普遍。

5 系统的软件设计

系统软件部分可分4个步骤：首先对系统进行初始化，然后采集脑电波数据，并对数据进行分析处理，最后通过转换后的控制参数对轮椅的运动加以操控。系统的程序流程如图6所示。系统初始化完成后，脑电波传感器采集的脑电波数据经过蓝牙发送到核心控制板STM32F103ZET6并解析，可得到用户的专注程度以及信号的质量等[14]。不同的专注度对应发送到轮椅的不同参数，也就是不同的目的地，具体的量化关系如表3所示，用户通过一定的训练后即可控制专注度的高低。

图6 系统的程序流程图

专注度范围发送至轮椅的参数目的地15～351厨房36～552卧室56～753卫生间>754客厅

6 结 语

本文将采集的脑电波信号经蓝牙传输到核心控制板，并利用改进小波变换法、共空间模式法以及模糊支持向量机对信号数据处理后，转换成控制信号，实现了对智能轮椅的基本操控目的。相比于普通轮椅，该轮椅解决了部分重度残疾病人无法手动操作的难题，使他们重获自由，而且结合路径规划，只需用户在选择目的地时集中注意力，在轮椅运动过程中，避免了用户因长时间不间断地依靠脑力控制发送指示信号而引起的身体不适，对以后更加深入地研究脑电波控制技术具有一定的参考价值。