基于脑功能生物反馈的NAO 机器人控制研究

白岩峰

（天津渤海职业技术学院，天津 300400）

人的大脑神经元在活动时会产生微弱的电场波动，当大量神经元同步活动，神经元间信号能量积累到一定量时，中枢神经系统便会自发产生一种生物电信号——脑电波。脑电波要实现对外部设备的控制，则需要将脑电信号转化为机器能够识别的计算机指令，建立人脑与外部设备间的通讯与控制通路，这就需借助脑机接口(Brain-Computer Interface,BCI)[1]来完成，BCI 不依赖传统神经或肌肉组织，其功能实际上就是把人类大脑中产生的活动进行语言的翻译，最终实现对机器设备的控制或是完成人类与机器的交互。

脑机接口技术最早受到关注的是医疗康复领域，它的出现为一些失去运动能力或交流能力的残疾病患重新构建一条信息传导通路，从而使缺失的功能得以恢复成为可能。随着技术的不断发展，基于脑机接口的控制系统已不再局限于医学范畴，在日常生活、休闲娱乐等多个领域都有研究应用。

本研究以脑功能生物反馈在抑郁症预测及治疗领域的应用为基础，将脑信号采集系统与NAO 机器人控制相结合，提出一套脑机控制机器人运动的系统设计思路（如图1），意在引导受训者运用该系统进行脑控机器人特殊训练，产生优质目标脑电波信号，并借助脑机接口输出NAO机器人相应动作指令，使机器人做出正确动作反馈，达到抑郁症辅助治疗及预防的目的。

图1 脑机控制机器人系统设计框架

1 脑功能生物反馈

建立脑机接口首先要记录大脑活动信号。功能磁共振成像技术 (functional Magnetic Resonance Imaging,fMRI)、正电子发射断层成像技术(Positron Emission Tomography,PET)、脑 磁 图(Magetoencephalography,MEG)、光学成像技术和脑电图(Electroencephalogram,EEG)等技术是当前较成熟的记录大脑活动模式的方法。其中，功能磁共振和正电子发射断层成像这两种检测设备都比较昂贵和笨重；脑磁图的检测需要在屏蔽室进行，对使用环境要求极高；而光学功能成像技术是一种有损检测，该方法需要打开颅骨对大脑皮层进行成像，故仅适用于动物实验。

由于脑机接口是面向人类大脑的装置，考虑系统研究普适化及安全便捷等特性需求，故本研究采用脑电图测量技术，在脑功能生物反馈（一种用于消除心理或生理不适的生物反馈治疗的方法)的基础上展开研究。该方法是通过采集分析受训者的脑电信号，并使受训者经过一定时间的反复训练后，有意识地控制自身的脑电波模式，按自我意愿增加或减少脑电波节律信号，使大脑形成一种不断产生健康脑电波的“习惯”，从而消除病理过程、恢复身心健康。

2 脑电信号采集

脑电图（EEG）主要通过放置在头皮上的电极来记录大脑信号。EEG 记录可捕捉振荡的大脑活动或多种频率的“脑电波”，这些脑电波往往与大脑的不同功能状态相关联，不同的大脑意识状态所对应的脑电波不尽相同。

参照国际上脑电波重复节律分类，Alpha 波在8～13Hz（幅度在50μV 左右）范围内，当人处于清醒放松或者闭眼状态时，可以在枕叶区检测到，在深睡或激动、恐惧、愤怒状态下，则没有Alpha 波。Alpha 波是人类大脑先天具有的，现代科学认为，Alpha 波是人们进入学习和思考状态的最佳脑电波；运动领域专家研究发现，运动员在做一个完美动作之前，大脑中会产生大量的Alpha 波，提高大脑的Alpha 波不仅有助于提升大脑工作效率和创造力，还可减少压力、抵抗焦虑，提升免疫力；反之，紧张和焦虑状态会阻止大脑进入Alpha 脑波状态，降低人体免疫力，譬如，抑郁障碍人群的前额叶Alpha 波Renyi 熵显著高于正常人，前额叶区域活性较正常人显著降低，认知控制功能低下。Beta 波在13～30Hz（幅度在5～20μV）范围内，当人处于警觉或注意力集中的状态时，可以在顶叶和额叶检测到。Beta 波又称紧张波，适量的紧张波（低beta 波）有助于提高专注力，但脑波长期处于Beta 状态，能量消耗较大，人很容易疲倦，故视情况进行Alpha 波与Beta 波间的自主切换至关重要。

脑电波可以自主切换控制吗？研究结果显示，射箭运动员随着训练时间的增加，大脑中alpha 波的数量会随着射箭水平的提高而增加，可见，Alpha 波的产生及增加可以通过训练实现，而基于生物反馈训练的研究对受训人员的心理健康和脑功能提升具有重要意义。从技术指标来看，脑电信号有极高的时间分辨率（小于0.5ms），这一特点有助于通过脑电信号构建实时的控制系统，这为脑控机器人的实践研究奠定了基础。

本研究采用三导脑电采集系统，使用医用贴式湿电极，电极被置于Fp1、Fpz 和Fp2 位于前额的位置，3 个采集位置同时采集脑电信号，避免头发干扰和电极接触阻抗的干扰，将脑电作为生物信息的反馈信号，检测受训者脑电的Alpha 波和Beta 波，进行生物反馈研究（见图2）。

图2 脑电信号采集示例图

3 脑电信号处理

脑电信号强度极其微弱，极易受到干扰，且随着受训者的状态发生改变，空间电磁辐射、人体与电极间的接触阻抗、人体噪声等因素会造成信号的不稳定，干扰到信号，故本研究采用的脑电传感器集成了脑电信号质量评估算法，将受训者多种伪迹可能性考虑其中，通过预评估和正式评估相结合的方法对信号质量进行精细量化评估，确保信号采集的有效性。

采集了脑电信号之后，首先通过放大电路对脑电信号进行放大，采用截止频率小于0.1Hz高通递归滤波器（滤掉直流分量），抑制基线漂移；运用软硬件工频陷波器抑制工频50Hz 的干扰；采用FIR 带通滤波器保证脑电信号的幅频特性和相频特性；使用基于离散小波变换和自适应噪声抵消的眼电去噪算法，跟踪原始脑电信号的变化状态，获得与纯净脑电信号基本吻合的脑电信号；通过对信号采集模块获得的脑电信号进行模式识别分类，进而分析识别受训者脑电信号所传达的大脑意念。

主要操作步骤为：首先进行特征提取，包括对时域和频域特征的提取，选用基于小波包分析的方法消除干扰及生理伪差，采用数据融合算法、频谱分析和神经网络等新型数字信号处理方法，提取更为精确的特征信息。

提取到脑电特征之后，完成分类器的设计，分类器与分类准确率息息相关，处理的数据包括训练数据和测试数据两类，其中，训练数据的目标是通过学习构建一种紧凑的或对后续分析有用的统计模型。本研究是在多分类方法的基础上进行的，用K-最近邻和朴素贝叶斯分类器进行分析实践，待完成了分类器的机器学习之后，信号处理模块便可对采集模块输入的脑电信号进行分类识别，估计大脑的意图。

4 脑控机器人

设计采用基于虚拟现实的生物信息反馈系统，不以解读人的思维为目标，而是通过脑机接口实现对控制对象的控制和人机交互，从而增强受训者在不同意识状态下对自身有益脑电波的控制，更好地完成大脑的工作。研究开发的脑机接口输出信号的控制对象具有多样性，可以是智能机器人、智能小车、机械臂等，输出的控制命令也各有不同。

本文以NAO 机器人为受控研究对象，通过机器人脑控系统，受训者可经过一段时间的训练，主动改变大脑状态来调节脑电Alpha 波和Beta波的电位信号，从而使用脑机接口与外界建立有效通信，完成对外部设备的控制，由控制器实现脑机接口输出信号转化为控制对象的控制命令（如NAO 机器人行走、站立、坐下等），控制器不仅将受训者大脑意图转换为机器人的控制指令，而且因受控NAO 机器人自身具有一定程度的智能属性，可由控制器完成机器人与人脑控制之间的相互协同及智能共享，反馈机器人的运行状态，帮助受训者根据控制效果调整脑电信号，伴随机器人脑机控制准确性的提升，达到心理健康及脑功能提升的训练目的。

5 结语

NAO 机器人作为世界学术领域广泛应用的一款智能机器人，能够与人亲切互动，已在自闭症儿童的干预治疗等领域有深入研究[2]。以NAO 机器人为受控对象，将医学脑功能生物反馈与之相结合，纳入人工智能情感计算等内容的研究，旨在为AI 智能化抑郁障碍预测及生物反馈治疗的应用实践提供借鉴。