王海蓮，張小棟，李鍇陽，李華聰

(1.西北工業(yè)大學 動力與能源學院，西安 710072； 2.西安交通大學 機械工程學院，西安 710049)

?

下肢外骨骼機器人控制的腦電感知方法研究

王海蓮1，張小棟2，李鍇陽1，李華聰1

(1.西北工業(yè)大學 動力與能源學院，西安 710072； 2.西安交通大學 機械工程學院，西安 710049)

將外骨骼機器人技術與BCI系統(tǒng)結合起來，使人體具有了外骨骼機器人的一系列優(yōu)良特性，同時使外骨骼機器人具備了人體的智能;首先，對外骨骼機器人技術與BCI技術的融合進行了可行性分析，說明了該方法的可行性;其次，通過實驗采集了6種想象運動的腦電信號，選取了C3、C4通道的腦電信號，并對其進行了去噪處理；然后，對經過預處理的六種想象運動的腦電信號通過小波變換進行了分解，提取了包括小波分解系數和能量系數的腦電信號小波特征；最后，針對所提取的小波特征，采用了最小二乘支持向量機對這6種想象運動模式進行分類處理。

外骨骼機器人；EEG；小波變換；最小二乘支持向量機

0 引言

腦機接口(Brain-Computer Interface，BCI)是一種不依賴于常規(guī)大腦信息輸出通路的全新信息交流系統(tǒng)和新穎的人機接口方式[1]，本文致力于將腦機接口技術與外骨骼機器人技術有效結合起來，利用人的智能來控制外骨骼機器人使其達到與人類想象動作協(xié)同的目的，著重開發(fā)一個人的意念驅動外骨骼機器人的EEG數據融合模式識別系統(tǒng)。該系統(tǒng)擁有EEG數據采集、信號預處理、小波包變換提取信號特征、特征融合、模式識別以及輸出識別結果等功能。與此同時，系統(tǒng)的各功能也是在實時或接近于實時的情況下完成，且能夠利用生物反饋作用提高系統(tǒng)的準確率和可靠性。

1 利用腦電信號進行下肢外骨骼控制的可行性分析

根據獲得腦電信號方法的不同把腦電信號分為自發(fā)腦電和誘發(fā)腦電兩大類。人在做出運動動作的前后，從大腦皮層上能夠記錄到大腦產生的與運動相關的電位活動，包括主動運動前1～2秒記錄到的運動準備電位(BP)和NS(Negative Slope)，在醫(yī)學上稱為運動關聯(lián)電位。這說明用自發(fā)腦電信號作為外骨骼機器人控制的信息源在理論上面也是可行的。在誘發(fā)腦電的研究領域，清華大學的程明等人已經成功地利用SSVEP實現了光標控制系統(tǒng)，并成功地實現了腦電的二維控制。然后進一步地將其用于假肢的控制，并取得了一定的成功。這也說明了用誘發(fā)腦電控制外骨骼機器人的可行性。

實驗中，先用聽覺誘發(fā)電位對受試者進行引導，當受試者進入想象運動狀態(tài)之后，停止聽覺刺激，以免引入不必要的噪聲信號，進行受試者自發(fā)的想象運動，從而最終采集自發(fā)腦電信號。由于自發(fā)腦電和誘發(fā)腦電在外骨骼機器人的控制中均是可行的，所以腦電采集方法也可以應用到外骨骼的控制當中。

2 用于控制下肢外骨骼運動的腦電信號采集與預處理

2.1 腦電信號的采集

EEG的電極的連接方式有單極導聯(lián)法和雙極導聯(lián)法。由于本研究需要16通道腦電信號變化的絕對值，所以采用單極導聯(lián)法。

關于頭皮電極的放置，多采用國際腦電圖學會建議采用的標準電極放置法，即10～20電極放置法，如圖1所示。該放置法中10～20指的是電極間的距離為冠狀線或矢狀線全長的10%或20%。

圖1 10～20國際標準電極放置法

實驗選擇C3、C4電極的腦電信號，它們位于大腦的初級感覺運動皮層功能區(qū)，是反映受試者在想象左右手運動時大腦狀態(tài)變化的最有效的信息，C3、C4位置的腦電包含了手運動功能代表區(qū)的大腦狀態(tài)，采集其通道的腦電信號能反映出受試者思維的運動想象特征。Cz作為參考電極，位于兩者之間。結合項目，共對6種想象人體運動模式進行了采集，分別為靜止，行走，跑步，下蹲起立，上斜坡，下斜坡。

2.2 腦電信號的預處理

根據信號降噪處理的光滑性和相似性準則，在信號預處理方面，選擇了默認閾值降噪處理方法對腦電信號進行預處理。如圖2所示。閾值由如下式給出：

(1)

其中:n為信號的長度，σ為噪聲強度。

圖2 6種運動想象腦電信號預處理

從圖2中很難區(qū)分這6種運動想象的腦電信號，為此必須探尋復雜的、適合非線性信號特征的提取方法。

3 基于小波變換的腦電信號小波特征提取方法

3.1 小波變換原理

小波分析是將時域和頻域結合起來的時頻分析方法。采用Mallat正交小波變換快速算法實現信號小波變換。

設φ(t)∈L2(R)(L2(R)為平方可積的實數空間，即能量有限的信號空間)，對于離散的情況，小波序列定義為：

(2)

對于任a,b∈Z意的函數f(t)∈L2(R)的離散小波變換為：

(3)

Mallat算法在小波分析中具有重要的地位。圖3為對序列進行5層離散小波分解，利用Mallat算法將濾波后的信號進行有限層的分解可以得到一系列的細節(jié)系數和逼近系數。

圖3 五級小波分解原理圖

3.2 小波基的選擇

小波變換是將信號在一個基中展開，體現信號特征。應用于外骨骼機器人的BCI控制中的EEG信號的特征提取，只要選擇與EEG信號的特征充分接近的小波基，便可以有效地提取EEG信號的特征[3]。

由于在EEG信號中包含著大量不同頻段的頻率信號，人們在做想象運動或做具體的動作時，α波和β波的變化較δ波、θ波、γ波更明顯，因此，在選擇小波基的過程中應該盡量選擇與α波和β波更相似的小波基。發(fā)現db6小波基與α波和β波的波形最為相似，故最終選擇了db6小波基。

3.3 小波變換的頻率分析

利用小波分解方法，把腦電信號分解成不同的頻帶組合，設數字信號的采樣頻率為fs，由采樣定理可認為信號最高頻率為fs/2，利用Mallat算法，如信號進行j級分解，則整個頻帶被分解為j+1個子頻帶，即：

(4)

離散小波變換將信號整個頻帶劃分為很多子頻帶，子頻帶分別對應于第j層系數cAj ,cDj , …,cD1。j為離散小波分解層數，fs為采樣頻率。重構子帶信號之后，就可以對其子帶能量進行分析。文中的2通道EEG采集系統(tǒng)采樣頻率為256 Hz，則每個通道包含的EEG頻率為0～128 Hz。將采集到的腦電信號進行5級小波分解，離散小波變換將信號劃分為子頻帶(0～4 Hz)、(4～8 Hz)、(8～16 Hz)、(16～32 Hz)、(32～64 Hz)、(64～128 Hz)，分別對應第5層系數cA5、cD5、cD4、cD3、cD2、cD1。對應關系如表1所示，可以看出的頻率范圍分別與腦電信號的δ波、θ波、α波、β波和γ波的頻率范圍大致相同，因此通過對cA5、cD5、cD4、cD3、cD2、cD1各頻帶的分析處理，即可以實現對δ波、θ波、α波、β波和γ波各頻帶的處理。根據所選擇C3、C4通道EEG數據經過5級小波分解后的小波系數cD4、cD3及其對應的能量值作為對多維特征向量提取的數據來源。

表1 五級小波分解與EEG頻帶對應關系

3.4 小波變換的能量值特征

假設信號在經過離散小波分解后頻率劃分為k個子頻帶，定義各子帶能量和為所有采樣點幅值的平方和，分別為P1,P2,…,Pk,k=1,2,…,7，則：

(5)

Xk(i)為第k段子頻帶第i(i=1,2,…,N)個采樣點的幅值，每段信號計算出7個能量值。

3.5 基于信號系數特征和能量值特征的腦電信號小波特征構建

除能量值之外，離散小波分解之后的系數也能反映一定的特征信息，把能量值和小波系數相結合作為表征運動想象的特征信號來進行分析。如圖3所示，對想象跑步的腦電信號運用離散小波變換進行5層db6小波分解，即可使用Matlab調用函數[C,L]=wavedec(s，5，‘db6’)，函數返回的近似系數和細節(jié)系數都存放在C中，L存放近似和各階細節(jié)系數對應的長度，其中L中前6行表示的分別為cA5、cD5、cD4、cD3、cD2、cD1對應系數在C中的長度，L的最后一行給出了原始信號的采樣點數。這樣就把系數C分為了6段。假設長度為n的有限長序列x(i)的均值Y定義如下：

(6)

基于前述的信號系數特征和能量值特征的物理意義，采用C3，C4通道EEG信號的α、β兩個頻帶所對應的小波系數cD4、cD3的系數均值和能量均值來構建腦電信號的小波特征向量Nk，其表示式為：

(7)

式(7)中，n11,n12,n13和n14分別表示C3通道EEG信號的α、β兩個頻帶所對應的小波系數cD4、cD3的系數均值和能量均值;n21,n22,n23和n24分別表示C4通道EEG信號的α、β兩個頻帶所對應的小波系數cD4、cD3的系數均值和能量均值。

圖4 想象跑步腦電信號五級小波分解

同理，將其它運動模式的腦電信號進行小波分解，也能求出信號系數特征和能量均值，即可構建基于信號系數特征和能量值特征的腦電信號小波特征，并將之作為分類器的輸入信號，實現對運動模式進行分類。

4 基于最小二乘支持向量機的運動想象腦電信號分類方法

RBF核函數將樣本非線性地映射到高維空間，且因為僅含有參數σ2而具有更小的模型選擇復雜度[4]，將作為首選。為得到泛化能力良好的最小二乘支持向量機，首先應該選擇適宜的參數σ2，將數據映射到合適的特征空間，然后針對該特征空間尋找合適的懲罰因子γ以使最小二乘支持向量機的置信范圍和經驗風險具有最佳比例。

由于懲罰因子γ和核函數參數σ2是影響最小二乘支持向量機性能的主要原因，為了提高分類的準確率，就必須對該參數對(γ,σ2)進行優(yōu)化。基于CSA的優(yōu)化算法[5]，對最小二乘支持向量機分類器的參數進行了優(yōu)化，得出最優(yōu)化后的參數對(γ,σ2)為(0.641 26, 1.733 4)。

在此基礎上，對包括靜止、行走、跑步、下蹲起立、上斜坡和下斜坡等6種想象運動腦電信號進行分類處理,得出如表2所示的分類效果，其中平均識別率為66.67%、最高識別率達到69.44%，達到較高識別水平。

表2 分類效果

5 結論

外骨骼機器人技術與BCI系統(tǒng)結合起來，使人體具有了外骨骼機器人的一系列優(yōu)良特性，同時使外骨骼機器人具備了人體的智能。本文在當前大多數研究者都致力于將兩類想象任務通過BCI作用于外骨骼機器人的基礎上，展開了用于下肢外骨骼機器人控制的六種人體運動模式(包括靜止、行走、跑步、下蹲起立、上斜坡和下斜坡)的腦電感知方法研究，并取得了以下主要結論。

1)在信號預處理方面，基于小波變換的閾值降噪處理方法，對采集到的腦電信號進行預處理，符合信號降噪處理的光滑性和相似性準則。

2)在特征提取方面，應用小波變換特征提取，結合能量值特征，能夠構建一種反映腦電信號非線性、時變的小波特征。

3)在對腦電信號進行分類方面，運用最小二乘支持向量

機對六種想象運動腦電信號進行分類處理，得出了平均識別率為66.67%、最高識別率達到69.44%的分類識別效果。

[1] 劉會勇，趙 青.下肢外骨骼助行機器人研究現狀及發(fā)展趨勢[J].機械設計與制造，2013,8(8)：146-148.

[2] 蔣 靖.下肢助力外骨骼機構設計與研究[D]. 哈爾濱：哈爾濱工業(yè)大學，2012.

[3] 董長虹，高 志.小波分析工具箱原理與應用[M]. 北京:國防工業(yè)出版社，2007.

[4] 張海軍.支持向量機方法在腦功能信號分析與識別中的應用研究[D]，西安：西北工業(yè)大學，2007.

[5] 劉 沖，趙海濱.基于CSP與SVM算法的運動想象腦電信號分類[J], 東北大學學報，2010，31(8)：1098-1101.

EEG Sensing Method Study for Lower Extremity Exoskeleton Robot Control

Wang Hailian1, Zhang Xiaodong2, Li Kaiyang1, Li Huacong1

(1.School of Power and Energy, Northwestern Polytechnical University, Xi′an 710072, China;2.School of Mechanical Engineering, Xi′an Jiaotong University, Xi′an 710049, China)

Combining the exoskeleton robotics with the BCI system can make the human body not only has series of excellent features of the exoskeleton robot, but also the exoskeleton robot can have human intelligence. First of all, the feasibility of the exoskeleton robot technology integrates with the BCI technology was analyzed. Secondly, six motion patterns of EEG method which was used for the control of exoskeleton robot were conducted and the EEG signals of six kinds of imagined movement were collected in the experiment;C3andC4channels of EEG signals were selected. Thirdly, the signals which have been pre processed via Wavelet transform were decomposed, and the wavelet coefficients and energy coefficients for the feature extraction were extracted. Finally, the method of LS-SVM was used to classify and output the six imagined movement patterns.

lower extremity exoskeleton robot; EEG ; wavelet transformation; LS-SVM

2015-11-30；

2016-01-08。

“視聽覺信息的認知計算”重大研究計劃項目(91420301)；國家高技術研究發(fā)展計劃(863計劃)項目(SS2015AA041002)。

王海蓮(1983-)，女，吉林松原人，博士研究生，主要從事航空宇航科學與技術方向的研究。

張小棟(1967-),男，陜西西安人，教授，博士生導師，主要從事智能檢測、診斷與控制技術方向的研究。

1671-4598(2016)06-0095-03

10.16526/j.cnki.11-4762/tp.2016.06.026

TP242.3

A