基于意識任務的機器人腦控系統
2017-8-2 來源：西北工業大學 作者：謝松云，段緒，馮懷北，孟雅，陳剛
摘要: 目前機器人的控制系統基本需要雙手遙控，對殘疾人等無法提供便利，提出了一種全新的腦電信號( electroencephalography，EEG) 控制機器人方法。采用無需外界刺激的意識任務誘發特征EEG，通過便攜式腦電設備采集 EEG，經過特征提取與指令分類，實現對機器人的控制。針對意識任務需要被試進行大量的訓練，設計了離線訓練系統。針對 EEG 信噪比較低的問題，研究了意識任務下EEG 處理方法。最后設計了在線機器人腦控系統，利用想象左手運動、想象右手運動、想象單詞生成分別控制機器人左轉、右轉與前進，利用眨眼信號控制機器人停止。實驗結果表明，從準確率、舒適度兩方面來看，基于意識任務的機器人腦控系統有效實現了機器人的控制。
關鍵詞: 腦控系統; 機器人控制; Emotiv Epoc; 意識任務; LTCFB-CSP 算法
腦控系統的核心是腦機接口( brain computer in-terface，BCI) 技術，是測量中樞神經系統的活動并將它轉換成用來代替和增強中樞神經系統輸出的人工輸出系統?；?EEG 的 BCI 技術應用最為廣泛。BCI 分為主動式 BCI 與被動式 BCI。被動式 BCI 通過收集大腦以及其他生理信號來解析認知與心理精神狀態，通常運用在高危以及需要注意力長時間集中的地方。主動式 BCI 通過安裝在頭皮固定位置處的電極，檢測到相應的神經元活動彌散到頭皮上的電勢分布，然后解讀電勢信號的分布，解碼一些運動意圖信息，將這些運動意圖信息相應編碼，就可以控制外部的設備，為人們提供一種全新的與外界交互的能力。主動式 BCI 最常用于殘疾人輔助設備，如腦控輪椅、腦控義肢、通過 EEG 控制經顱磁刺激對受損的肌肉進行康復治療與殘疾人輔助機器人等。目前，讓 BCI 新技術走出實驗室，服務廣大有需求的患者和特殊的人群成為 BCI 研究的新挑戰［1］。
想象運動與想象單詞生成都是意識任務的一種。想象運動表示有意識的想象一個運動意圖?？梢栽跊]有外界刺激的情況下誘發出事件相關同步 /去同步特征波。被試在一段時間內根據提示的首字母拼寫一連串單詞，拼寫的過程是由幾個不同的腦區同時作用的結果。如拼寫單詞“top”時，顳葉語言區、額葉中回區和視覺區等大腦相應區域會被激活，這就是想象單詞生成所解碼的特征波［2］。根據以上研究背景，本文首先給出腦控系統的總體方案，包括離線訓練階段與在線系統設計; 利用功率譜估計與表面拉普拉斯拓撲圖證明了意識任務下 EEG 的特征; 再對 EEG 處理方法進行研究; 最后通過在線實驗評估了系統的性能，使被試利用想象運動、想象單詞生成等意識任務分別控制機器人的不同動作。
1.基于意識任務的機器人腦控系統的總體方案
基于意識任務的機器人腦控系統分為離線訓練階段與在線機器人控制階段。利用想象左手運動、想象右手運動、想象單詞生成等分別控制機器人左轉、右轉與前進。在訓練階段通過特定的實驗范式與結果反饋使被試誘發出的意識任務特征 EEG 更加穩定與準確，訓練完成后對離線數據進行處理，計算出每個被試特定的空間濾波器投影矩陣與分類器模型。在線實驗階段，在 BCI2000 平臺的基礎上配置各個模塊，設計實驗并完成對機器人的控制。系統的總體方案示意流程如圖 1 所示。
圖 1 基于意識任務的機器人腦控系統
1．1 離線訓練階段
實驗范式如圖 2 所示［3］，被試聽到“beep”提示音后，提示一個實驗試次的開始，過 2 s 會聽到隨機出現的“lefthand”來提示被試想象左手運動、“right-hand”來提示想象右手運動，或提示要拼寫單詞的首字母的聲音，這時被試開始執行意識任務，任務持續時間為 4 s，緊接著為 4 s 試次間休息。需要注意的是，當被試聽到“beep”提示音后須集中注意力，身體各部分不能動，當任務提示聲響起時被試不能眨眼。實驗共包含 60 個試次，每種任務出現 20 次。每次任務結束時屏幕上會出現“YES”或“NO”的反饋，“YES”代表想象正確，“NO”代表想象錯誤。當被試的訓練正確率達到 70%以上時，訓練結束，帶事件標簽的 EEG 數據被保存在計算機中。接著用離線數據中執行任務的部分做離線分析。首先分析意識任務下 EEG 的特征。在初級感覺運動皮層不處理感覺信息或運動輸出時，會表現出一種大約 8～12 Hz 頻率與 18～25 Hz 頻率的節律性運動，這種運動被稱為 μ 節律與 β 節律。當單邊
圖 2 訓練階段的實驗范式
肢體運動或想象運動時，對側初級感覺運動皮層區域活躍起來，μ 與 β 頻率的節律性活動表現為幅度的降低，稱為事件相關去同步( event-related desyn-chronization，EＲD) ; 反之，其同側皮層區域受到抑制，μ 與 β 頻率的節律性活動表現為幅度升高，稱為事件相關同步( event-related synchronization，EＲS) 。想象運動因為其較明顯的 EＲD/EＲS 現象被用在BCI 技術中。想象單詞生成時，不同腦區的激活在特征上表現為相應腦區 α 頻段的升高［4］。
圖 3 3 種任務下 2 個導聯處 EEG 的功率譜密度
利用離線數據計算 3 類意識任務的功率譜估計，如圖 3 所示，被試在單詞意識任務下 α 節律的功率遠高于其他 2 種任務。在大腦左半球 F3 導聯處，被試想象左手運動時 μ 節律與 β 節律的功率都略高于想象右手運動。在大腦右半球 F4 導聯處，μ 節律與 β 節律的功率表現兩者正好相反。圖 4 為被試想象運動時的表面拉普拉斯 EＲD 拓撲圖，每個圖代表4 s 腦電信號的平均值，當進行一側手部想象運動時，對側初級感覺運動區域出現 EＲD 現象。以上分析證明了本文采用的 Emotiv Epoc 作為便攜式采集設備的可行性。
圖 4 左手想象運動( 左) 與右手想象運動( 右) 的 EＲD 拓撲圖
1．2 在線機器人腦控系統設計
如圖 1 中在線階段所示，系統中硬件包括腦電采集設備 Emotiv Epoc，一臺筆記本電腦，以及一個樂高機器人。軟件包括 BCI2000 與 MATLAB。整個系統由腦電設備采集信號，筆記本電腦處理信號并輸出指令控制機器人運動。由 BCI2000 平臺完成信號接收、信號處理和應用驅動之間的通信。BCI2000包括以下 3 個模塊。
1) 數據采集模塊: 將 Emotiv Epoc 記錄的信號經過預處理后打包傳遞給信號處理模塊。信號的導聯數目為 14，每次發送的數據包長度設置為 3 s。每段數據都經過 1～70 Hz 帶通濾波器與 50 Hz 陷波濾波器去除工頻干擾。
2) 數據處理模塊: 此模塊通過調用 MATLAB 腳本來執行。將訓練階段訓練好的投影矩陣 W 與分類器模型傳遞給在線處理過程。在線腦電數據首先經過帶通濾波器組，再通過空間濾波器 W，對濾波后數據按維度求方差，最后通過分類器模型進行在線分類，處理過程運算時間約 1．5 s，完全可以在下一個數據包到來之前完成運算。
3) 機器人模塊: 將數據處理模塊輸出的指令通過機器人 MATLAB 工具包編程轉換，轉換后的指令通過 WIFI 傳遞給機器人，控制機器人進行動作。預設機器人直線行走速度為 0．2 m/s，并預設路線。包含 8 個左轉彎、8 個右轉彎、3 次停止與 3 次直線行走。
2.基于意識任務的腦電信號處理方法
的研究與實現意識任務下特征 EEG 的特征提取與模式識別算法的優劣直接影響了機器人腦控系統的性能。算法部分采用離線訓練所得數據進行研究，并將算法運用于在線腦控系統中，每個被試都需要用離線數據計算出特定的算法參數。意識任 務 下 特 征 EEG 的 特 征 提 取 方 法 有Pwelch 功率譜估計分類方法、空間濾波器方法、交叉 相 關 方 法 等。 共 空 間 模 式 (common spatialpattern，CSP ) 是一種空間濾波器，用 CSP 方法可以從多導聯腦電信號中計算出頭皮的特定激活區［5］。它被證明在分類想象運動時有很好的分類效果。本文將基于局部時間相關的濾波器組共空間模式算法( local temporal correlation based filter bank commonspatial pattern，LTCFB-CSP ) 運用在 3 種任務的特征提取中。方案流程圖如圖 5 所示，具體步驟如下:
圖 5 意識任務下特征 EEG 的信號處理方法
第 1 步 預處理。使用 EEGLAB 工具包對數據進行預處理，包括壞導聯去除與去偽跡兩步，設計9 個切比雪夫Ⅱ型濾波器將整段數據濾波后得到 9段子信號，濾波器參數為最優化參數，對每個子信號的 2～12 個采樣點內腦電數據求相關。
第 2 步 特征提取。打亂試次間順序，70%作為訓練集，30%作為測試集; 采用成對組合方法將三分類問題轉化為二分類問題后通過共空間模式方法求出投影矩陣，將腦電信號投影到維數為 6 的空間中，并構造出特征矩陣。
第 3 步 指令分類。采用支持向量機作為分類器，核函數選擇線性核函數。對線性核函數中的懲罰因子 c 參數進行優化。如表 1 所示，最終的分類結果經過 10 次隨機交叉驗證得出。
表 1 3 類意識任務的最終分類準確率 /%
將 LTCFB-CSP 算法與其他 3 種 CSP 改進算法FBCSP 、LTCCSP 、ＲCSP-A 比較，結果如圖 6 所示，可見就分類準確率而言，LTCFB-CSP 算法有更優越的性能［5-6］。
圖 6 不同算法對意識任務下特征 EEG 的分類結果
3.機器人腦控系統實現與在線實驗結果
如圖 7 所示，實驗場所為室內 3 m×4 m 空地中，實驗選擇晚上相對安靜的環境。實驗前給被試佩戴 Emotiv Epoc 腦電帽，信號采樣率設為 128 Hz，參考電極為左側乳突。讓被試舒適地坐在椅子上，要求被試熟悉機器人的行走路線并記住指令的順序。選擇經過訓練后的一名被試進行在線實驗，被試性別男，年齡 24 歲，視力通過佩戴眼鏡矯正至正常視力。啟動 BCI2000 平臺，配置好相關參數后開始實驗。實驗過程中，被試通過意識任務與眨眼肌電信號控制機器人繞過障礙物，走完預定路線。根據 4 次實驗測試驗證，本系統基本能有效地控制機器人完成預設的路線。
圖 7 基于腦機接口的機器人系統實驗實例
1) 準確率。Kappa = ( acc－1 / N) / ( 1 － 1 / N) 。acc代表指令執行的正確率，N 表示要分類的特征腦電類別數。如表 2 所示，實驗一共進行了 8 次。其中“左轉”指令一共執行了 64 次，正確 46 次; “右轉”指令一共執行了 64 次，正確 48 次，“直走”指令執行了 24 次，正確 18 次; “停止”指令執行了 24 次，正確 22 次。每種指令的正確率分別為 71．8%、75%、75%、91． 7%。4 個指令的平均準確率為 78． 3%，Kappa = 0．71。3 類意識任務控制指令的平均準確率為 73．9%。
表 2 在線實驗中每個指令的分類結果
2) 舒適度。實驗結束后，根據被試的實驗反饋，表示訓練階段時間適中，無需視覺刺激; 在線實驗階段腦電帽較舒適，意識任務與機器人的真實運動較類似，容易想象。因此本論文搭建的腦機接口系統舒適度高。
4.結論
針對腦機接口中腦電設備的便攜問題與腦機接口系統的實用性問題，證明了意識任務下 EEG 具有較明顯的特征，研究了特征 EEG 處理方法并將該方法運用于在線機器人腦控系統中，設計了基于意識任務的便攜式機器人腦控系統，最后搭建在線系統的各個模塊，設計并完成實驗。機器人腦控系統準確率達到了 78．3%，響應時間控制在 3 s，被試通過意識任務繞過障礙物，完成預設的路線。
投稿箱：
如果您有機床行業、企業相關新聞稿件發表，或進行資訊合作，歡迎聯系本網編輯部， 郵箱：skjcsc@vip.sina.com
如果您有機床行業、企業相關新聞稿件發表，或進行資訊合作，歡迎聯系本網編輯部， 郵箱：skjcsc@vip.sina.com
