基于VR 的下肢康复机器人控制策略

2020-03-02 13:00孙伟SUNWei
价值工程 2020年36期
关键词:电信号特征提取虚拟现实

孙伟SUN Wei

(重庆交通大学机电与车辆工程学院,重庆400074)

0 引言

近年来,随着人口老龄化以及意外事故的不断增加,偏瘫、孤独症、帕金森等引起的下肢肢体运动功能障碍的患者也在逐年增加[1]。相比以往康复训练的治疗方法,将虚拟现实技术与脑-机接口技术相结合的理论研究越来越成熟,并且开始应用到运动康复医疗领域,患者能够在虚拟现实场景中进行运动功能的恢复、眼手脚协调以及空间定位等多种康复训练,从而达到运动康复的目的[2]。

本文在VR 场景视、听觉刺激诱发和运动想象的基础背景下,利用虚拟场景刺激大脑产生特殊的电位变化,再通过信号采集设备的传感器采集该原始脑电信号[3],该信号与表达思维意图的肢体运动相对应,然后将采集到的脑电信号经过特征提取后,再对这些特征信号进行模式识别,最后转化为外部设备的控制指令,进行有效的康复治疗。

1 控制系统结构

本文使用Unity3D 开发虚拟现实场景,采用EMOTIV EPOC 作为脑电信号采集器,使用EMOTIVPRO 作为数据采集软件,下肢康复机器人关节作为系统控制终端。其控制系统流程如图1 所示。

图1 控制流程图

2 脑电信号采集和处理

2.1 信号采集

在运动健身keep 的虚拟现实场景中,用脑电设备EMOTIV EPOC 分别对通过语音提示看人物下肢体动作并运动想象前后交叉小跳、开合跳、左右小跳、高抬腿四组动作进行脑电信号的数据采集,其中前后交叉小跳采集结果如图2 所示。

图2 原始脑电信号

在图2 中,通过脑电传感器采集到有不同通道波形变化的原始脑电信号,特定的动作一一对应特定的脑电信号,以此表征对应的运动思维意图。

2.2 信号处理

2.2.1 特征提取

由于脑电信号具有非平稳性的特点,而小波变换具有多分辨率分析的特点,在时域和频域都具有表征信号局部特征信息的能力。因此本文采用小波变换对脑电信号进行特征提取。

由于db 小波的解析形式没有确定的式子表达,但双尺度差分方程的系数hn可以用比较简单的解析形式来表达:设P(y)=,其中是二项式系数,那么hn就可以用如下的形式表示:

其中

然后用小波函数db5 对信号y 进行5 尺度分解,因此对每一组分别提取通道3,4,5,13(脑电信号变化明显的通道)的信号,并对信号分别进行5 层小波分解和重构,最后得到可以表征四组特定动作思维意图的特征向量。

2.2.2 模式分类

为保留小波变换后的所有特征,且减少参数的大小、消除指标之间量纲的影响,用Mapminmax 函数对数据进行归一化处理,使不同维度之间的特征在数值上有一定的比较性。Mapminmax 函数一般表达式为:

若每行数据相同,即xmax=xmin,,除数为0,则此时数据不变。将数据归一化到0 和1 之间,即yϵ[0,1],则表示为:

构造训练样本x_train、测试样本x_test,然后测试模型,将预测类别与真实类别进行比对,若完全吻合,即可作为四组动作的模式分类结果。

3 虚拟现实场景验证

本文以运动健身keep 为例进行动画效果演示,以正常人作为测试者对信号采集进行验证,实验测试时序以开合跳为例,测试时序为:0-1s 测试者保持静默状态;1-4s场景中显示面板出现动作即将开始的3s 倒计时语音提示;4-8s 测试者注视虚拟场景中下肢运动动态画面并想象做同样的动作。与此同时,通过电极帽对整个测试过程进行实时脑电信号采集。

由于采集到的四组脑电数据中3,4,5,13 通道信号变化明显,因此分别提取每组该四个通道的信号,并对信号分别进行5 层小波分解获取特征向量,处理结果如图3 所示。

图3 四组信号特征提取结果

然后将每组信号构造100 个样本做训练集,25 个样本做测试集,其次对数据集进行归一化处理,再输入随机森林分类器进行训练,最后测试分类器,测试结果如图4所示。

图4 模式分类结果

在图4 中,四组动作依次代表的四个类别通过构造训练集和测试集进行训练测试,最终四组动作的真实类别(红色星号)与预测类别(蓝色圆圈)完全重合,即分类结果预测正确。

综上所述,实验结果表明,在虚拟现实场景的视、听觉刺激并运动想象的情景下,采用脑电设备进行脑电信号数据采集,然后经过特征提取和模式分类可以有效区分出交叉小跳、开合跳、左右小跳、高抬腿四组动作的思维意图,最后转化为控制指令。

4 结论

本文提出一种基于VR 的下肢康复机器人控制策略,基于虚拟现实技术建立虚拟现实场景,在视、听觉和运动想象刺激下产生特殊的脑电信号,通过电极帽将脑电信号转化成数字信号传输到脑电采集设备进行信号采集,然后从采集的信号中提取出能够表达思维意图的特征信号,再进行模式分类,最后将思维意图转化为下肢康复机器人关节的控制指令,进行康复训练。并通过实验验证了基于虚拟现实场景,采用脑电控制方法进行下肢康复机器人控制策略的有效性。

猜你喜欢
电信号特征提取虚拟现实
基于联合聚类分析的单通道腹部心电信号的胎心率提取
基于Code Composer Studio3.3完成对心电信号的去噪
基于Daubechies(dbN)的飞行器音频特征提取
基于随机森林的航天器电信号多分类识别方法
REALITY BITES
Bagging RCSP脑电特征提取算法
虚拟现实技术向科幻小说借灵感
基于MED和循环域解调的多故障特征提取
基于生物电信号的驾驶疲劳检测方法
浅谈虚拟现实