基于穩(wěn)態(tài)視覺誘發(fā)電位腦機接口的智能輪椅系統(tǒng)研究*

高諾，翟文文，魯加興，吳林彥，魯守銀

(山東建筑大學信息與電氣工程學院，濟南 250101)

1 引 言

腦機接口/腦機交互(brain computer/machine interface, BCI/BMI)是繞過大腦外周神經(jīng)和肌肉的參與，由腦信號實現(xiàn)大腦與外部設備直接的通信和控制，其在智能輪椅控制領域的一個重要應用是腦控智能輪椅(brain controlled wheelchair, BCW)技術，即用感知、思維意圖控制智能輪椅的研究[1]。該研究是腦科學、信息科學與控制科學交叉跨學科研究，這一技術有望為嚴重運動殘疾患者提供一種新的通信和控制通道，擴展其活動范圍，從而改善他們的生活質量[2]。

2015年，清華大學高上凱團隊成功實施了一種非入侵式基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機接口拼寫系統(tǒng)。測試對象的在線拼寫性能當中，平均拼寫率是每分鐘50～60字，信息傳輸率在每秒4.5～5.5 bits，與現(xiàn)有的無創(chuàng)BCI拼寫系統(tǒng)相比，是一個巨大的進步[3]。該團隊還開發(fā)了基于SSVEP腦機接口的智能家居系統(tǒng)，有利于殘疾患者管理家庭環(huán)境[4]。國外，美國的 Wright 空軍基地運用穩(wěn)態(tài)視覺誘發(fā)電位腦機接口技術來控制飛行模擬器[5]。加利福利亞大學Wang團隊開發(fā)了基于SSVEP腦機接口的移動電話系統(tǒng)，用移動電話顯示視覺刺激，使系統(tǒng)更加方便易攜[6]。2015年，McLaren 發(fā)布了F1概念車MP4-X，司機佩戴頭盔來控制汽車移動[7]。

但是，目前腦機接口在智能輪椅的應用還存在轉彎角度不好控制[8]、信號分析準確率不高等一系列問題[9]?；诖耍狙芯吭O計實現(xiàn)了一個基于SSVEP的腦機接口系統(tǒng)，并與麥克納姆輪輪椅相結合，該系統(tǒng)可以通過腦機接口控制輪椅的前進、后退、左向與右向運動。實驗結果證實，該系統(tǒng)可以用較短時間，較高的準確率完成平面內(nèi)任意位置的移動，證實了該系統(tǒng)的可行性與有效性。

2 系統(tǒng)實現(xiàn)

本研究提出的基于SSVEP的腦機接口智能輪椅的整體結構框圖見圖1，該系統(tǒng)由四部分構成：視覺刺激模塊、EEG信號采集系統(tǒng)、EEG信號分析程序和輪椅控制系統(tǒng)。視覺刺激界面產(chǎn)生不同的頻率刺激，EEG信號采集系統(tǒng)完成用戶SSVEP信號的采集與放大功能，EEG信號分析程序完成SSVEP信號的頻率分類功能，輪椅控制系統(tǒng)完成輪椅不同方向的運動功能。下面分別進行闡述。

圖1基于SSVEP的腦機接口智能輪椅結構框圖

Fig1FlowchartofintelligentwheelchairbasedonSSVEP

2.1 頻率刺激界面

當受到外界圖形或閃光等視覺刺激時，大腦皮質枕葉區(qū)神經(jīng)細胞會自發(fā)產(chǎn)生特定的電活動變化，稱為視覺誘發(fā)電位(visual evoked potential, VEP )[10]。SSVEP相對于其他腦電信號 ( 例如 P300、運動想象) 而言，具有無需訓練[11]、識別準確率高、數(shù)據(jù)傳輸率高等特點，更適合應用于BCI系統(tǒng)中[7]。

本研究的視覺刺激模塊利用MATLAB的Psychtoolbox (PTB) 工具箱實現(xiàn)，很好地解決了LCD刷新率受限的不足。視覺刺激模塊采用刷新率 60 幀/秒的液晶顯示器, 分辨率設置為1366×768 (像素)[12]。刺激目標由大小為150×150 (像素)的4個白色方塊組成。本系統(tǒng)中, 刺激目標從上下左右閃爍頻率分別為8、12、 10和14 Hz。系統(tǒng)開啟后，輪椅控制中心通過發(fā)送信號控制頻閃開啟，頻閃開始時刻以后1 s內(nèi)被試者根據(jù)其控制意圖一直看頻閃(見圖2(a))，1 s后EEG分析程序得出分析結果發(fā)送給控制中心，控制中心把結果反饋給頻閃，此時頻閃接收反饋、停止閃爍并把反饋對應區(qū)域顏色變藍。反饋時長1 s。反饋結束后，控制中心控制輪椅做相應的移動，頻閃模塊再次閃爍，被試進入下一個命令發(fā)送期。視覺刺激界面反饋狀態(tài)見圖2(b)。

2.2 EEG信號采集系統(tǒng)

本系統(tǒng)采用的腦電信號采集設備是博?？悼萍加邢薰?Neuracle)的32通道無線腦電采集系統(tǒng)[11-12]，包括32導電極帽、無線腦電放大器以及無線路由器。EEG信號由用戶產(chǎn)生，通過電極帽進行采集，由無線Wifi傳送到EEG無線腦電放大器端，信號經(jīng)放大后傳輸?shù)胶罄m(xù)的分析程序里進行信號分析。

圖2視覺刺激界面，其中(a)為視覺刺激界面工作狀態(tài)，(b)為視覺刺激界面反饋狀態(tài)

Fig2Visualstimulationinterface, (a)istheworkingstateofthevisualstimulationinterface, (b)isthefeedbackstateofvisualstimulationinterface

2.3 EEG信號分析程序

2.3.1預處理 EEG預處理提高對EEG信號處理的準確性。對信號進行2～40 Hz的帶通濾波，消除高頻及工頻干擾。濾波算法采用5階Butterworth濾波器[13]。

2.3.2CCA理論 典型相關分析(canonical correlation analysis, CCA)是多元統(tǒng)計學的組成部分，是研究兩組變量間相互關系的統(tǒng)計分析方法[14-15]。對兩個多維信號X，Y來說，CCA方法試圖找到一組矢量Wx，Wy，這一組矢量可以使向量x，y之間的相關系數(shù)達到最大，其中x=XTWx，y=YTWY。上述目的可以通過解決以下優(yōu)化問題得到解決：

(1)

對Wx，Wy，求得最大的ρ，即是得到了最大的典型相關系數(shù)。

將CCA算法應用于SSVEP信號的分析時，X可以被設定為一組多通道腦電信號，Y被設定為一組參考信號，如式(2)：

(2)

(2)式中，N是諧波數(shù)量，f是刺激頻率。

2.3.3實現(xiàn)算法 本研究計算CCA分辨頻率的方法為重疊投票的方式。詳細說來，重疊是指每40 ms給系統(tǒng)送入一個trial數(shù)據(jù)，這段數(shù)據(jù)是從該時刻起向前數(shù)一秒時間段的數(shù)據(jù)段。這樣對于一秒數(shù)據(jù)的定義不是將連續(xù)的數(shù)據(jù)直接截斷成一個個1 s一段的trial數(shù)據(jù)，而是相鄰trial間的數(shù)據(jù)段是有重疊部分的，見圖3，每隔40 ms取一個trial的數(shù)據(jù)。每一個trial的數(shù)據(jù)利用CCA方法進行頻率的分析，得到一個目標頻率。最后決策采用的是投票方式，也就是當前時刻的決策結果是前面25次連續(xù)決策得出的結論，25次決策中有超過半數(shù)結果相同即認為是當前決策結果，并向輪椅控制中心發(fā)送命令。所以信號的輸出會有1 s的時間延遲。這樣的策略更保證了系統(tǒng)判別的正確率，防止一次腦電突變影響判別的結果。

圖3在線數(shù)據(jù)重疊方法

Fig3Onlinedataoverlapmethod

2.4 輪椅控制系統(tǒng)

輪椅的控制系統(tǒng)是Trio控制系統(tǒng)。Trio運動控制器的特點是用幾條簡單的指令就可以完成復雜的多軸協(xié)調(diào)運動。采用Mecanum輪作為輪椅的車輪，輪椅的前后方分別裝有2個Mecanum輪，每個Mecanum輪的驅動是由自身單獨的電機完成。特別的，Mecanum輪的移動方位特別靈活，可以在平坦的路面上全方向移動[16-18]。Mecanum輪之所以能在平面上自由移動，是由于它獨有的構造。Mecanum輪的輪胎上是由很多類似圓柱形的小柱子組合而成，小柱子的個數(shù)是由特定的設計參數(shù)來決定的，Mecanum輪的結構見圖4[16-18]。

圖4 Mecanum輪的結構

3 實驗設置與實驗結果

實驗共選取6名年齡18～24周歲的健康受試者，包括4名男性與2名女性，在安靜、光照亮度略低的環(huán)境中進行。實驗對象坐在麥克納姆輪的輪椅上，眼睛距離視覺刺激模塊約0.5 m。實驗前，受試者均不需要接受SSVEP腦機接口的訓練，受試者僅需明確需要完成的任務以及刺激界面中4個目標閃爍塊的功能。

腦電信號采集器的采樣頻率設置為250 Hz，記錄電極為Pz、P3、P4、PO3、PO4、PO7、O1、Oz、O2、PO8以及參考電極Cz，接地電極為FPz，導聯(lián)位置符合國際10～20標準，實驗中保持電極阻抗在5 kΩ以下。EEG分析系統(tǒng)在MATLAB平臺上實現(xiàn)的，不只在線采集數(shù)據(jù)并且可以保存數(shù)據(jù)以便之后對數(shù)據(jù)做離線分析。

實驗場景：實驗路徑為一個“井”字，見圖5。每兩個相鄰點的距離為2 m。輪椅初始狀態(tài)為靜止狀態(tài)，運行狀態(tài)為勻速運動，運行速度為1 m/s。實驗流程：為用戶確定起始點和目標點，用戶根據(jù)起點與終點進行路徑規(guī)劃，并通過注視頻率刺激模塊的相應方向模塊控制輪椅的運動方向，控制輪椅由起點運動到終點。EEG分析程序每2 s產(chǎn)生一個命令，前1 s產(chǎn)生命令，后1 s反饋確認。輪椅向指定方向移動。在輪椅移動過程中，用戶進行下一個命令的注視過程。若被試者在某點發(fā)出錯誤命令，則通過看頻閃按原路返回此地點。六名被試者每人實驗五次，記錄下來被試者在每條行進路徑中發(fā)送的命令數(shù)、發(fā)送的正確命令數(shù)以及到達本條路徑終點所用時間。實驗結果見表1，腦機接口輪椅實驗場景見圖6。

圖5 腦機接口輪椅實驗路徑安排

Fig5BCIwheelchairexperimentalpatharrangement

圖6 腦機接口輪椅實驗場景圖

被試行進路徑發(fā)送命令數(shù)發(fā)送正確命令數(shù)到達目的地所用時間正確率(正確命令數(shù)/總命令數(shù))(%)AA-I-J-G541492.3A-I-K-C3310A-I-J-L-D4412A-I-J-L-K-B7619 A-I-K-L-E-L-J-G7718BA-I-J-G-J-L-D661593.5A-I-K-L-E6517A-I-K-L-D4411A-I-K-L-D-L-J-G9823A-I-K-B-K-L-E6617CA-I-K-L-J-F761993.8A-I-J-G-J-L-D6616A-I-J-L-K-C5513A-I-J-L-K-I-J-F7718A-I-H-I-K-C7618DA-I-J-L-D-L-E661593.7A-I-K-L-D6516A-I-J-L-K-B5514 A-I-J-F-J-L-D6616A-I-J-G-J-L-K-B9823EA-I-J-L-K-C-K-I-H10 924 92.3A-I-J-F-J-L-K-B7 719A-I-K-C-K-L-J-F9 821A-I-K-L-E4 411A-I-J-L-E-L-K-C9 823FA-I-K-B-K-L-E6 616 94.11A-I-J-L-E-L-K-B9 822A-I-J-L-D-L-E6 615A-I-K-C-K-L-E8 719A-I-J-L-K-B5 514

由表1 的實驗結果可以看出，每一名被試的五次實驗結果中，都有三次發(fā)送出完全正確的控制命令，控制輪椅按照被試擬定的路徑進行運動。系統(tǒng)處理1 s數(shù)據(jù)的時間可達到毫秒級，系統(tǒng)實時采集EEG信號幾乎無延時，被試者無需訓練。這個結果說明，本項目的基于SSVEP的腦機接口分析程序頻率分辨率較高，準確率較高。同時，基于麥克納姆輪的智能輪椅可以不用考慮左轉、右轉及轉彎角度的問題，直接從起點運動到平面內(nèi)的任意位置。

4 總結

本研究給出了基于SSVEP腦機接口的智能輪椅的總體設計方案，并且通過在線實驗驗證了智能輪椅的可行性及有效性。為了提高智能輪椅的實用性與靈活性，本研究選取帶有麥克納姆輪的輪椅，并且在輪椅上安置避障傳感器。實驗結果證明，本研究提出的智能輪椅運動系統(tǒng)可以較為準確地分析用戶所要發(fā)出的控制命令(準確率>90%)，并可以在不考慮轉彎及轉彎角度的前提下，按照用戶意圖將智能輪椅運動到平面內(nèi)的任意位置，為智能輪椅的運動提供了一個行之有效的方案。

雖然本研究提出的智能輪椅方案有效解決了輪椅轉彎及轉彎角度的問題，并且SSVEP信號分析的準確率也較高，但是在以下幾方面仍有待進一步提高：(1)提高腦電信號分析的魯棒性，將高準確率穩(wěn)定下來；(2)縮短每一個控制的識別時間，提高被試的在線駕馭感受；(3)增加被試對智能輪椅速度的控制，提高被試對輪椅的控制能力。

隨著腦機接口技術的不斷發(fā)展和科研工作者的深入研究，基于SSVEP腦機接口的智能輪椅系統(tǒng)將逐步完善，并將在各個領域擁有更加廣闊的應用前景。