董 娜，張文锜，吳志強(qiáng)

天津大學(xué) 電氣自動(dòng)化與信息工程學(xué)院，天津 300072

腦機(jī)接口（BCI）分析腦信號(hào)以了解可用于控制各種機(jī)器的人的意圖和狀態(tài)[1]。由此衍生的腦控技術(shù)，使得BCI的用戶可以通過(guò)思想輕松地控制各種電子設(shè)備，如：腦控輪椅[2]、腦控車[3-5]、腦控?zé)o人機(jī)[6]、腦控機(jī)器人[7]等。在BCI的眾多應(yīng)用中，腦控車輛（BCV）指通過(guò)腦機(jī)接口解析駕駛員的腦電信號(hào)進(jìn)而獲得控制命令的車輛[9]。

根據(jù)腦控駕駛員參與控制的連續(xù)性，可將基于EEG的腦控車輛分成兩類：（1）不連續(xù)的BCV；（2）連續(xù)BCV[10]。對(duì)于不連續(xù)型BCV，駕駛員的控制指令并不參與車輛的整個(gè)控制過(guò)程[11-12]或者車輛的整個(gè)控制過(guò)程不連續(xù)[13]。對(duì)于連續(xù)型BCV，駕駛員在整個(gè)駕駛過(guò)程中都參與車輛的橫向或縱向控制，且控制過(guò)程連續(xù)[14-16]。與不連續(xù)BCV 相比，顯然連續(xù)BCV 人為參與性更高。因此本文中選擇針對(duì)連續(xù)型BCV展開(kāi)設(shè)計(jì)。

對(duì)于目前的腦控車輛，制約其控制性能的主要因素是BCI本身的性能受限，其一是BCI可辨識(shí)指令數(shù)目受限，一旦變多，辨識(shí)準(zhǔn)確率會(huì)大大降低。其二是辨識(shí)準(zhǔn)確率隨受試者不同變化幅度較大，其三是BCI識(shí)別速度慢，難以做到實(shí)時(shí)控制。由于BCI 性能存在以上問(wèn)題，單獨(dú)使用大腦進(jìn)行控制的車輛性能必然受限。目前提高腦控車輛性能有兩種思路，一是提高BCI 本身性能，二是基于共享控制的思想為BCV添加輔助控制。在文獻(xiàn)[17]中基于模糊控制為腦控車輛設(shè)計(jì)了輔助控制器。但是，大腦控制只部分參與車輛控制，在其余部分車輛切換為自動(dòng)控制，本質(zhì)上屬于一種不連續(xù)型BCV。文獻(xiàn)[9]提出了一種針對(duì)于連續(xù)型BCV的基于模型預(yù)測(cè)控制（MPC）的輔助控制方案。在該方案中，其MPC 控制器中使用的模型是將大腦決策過(guò)程與簡(jiǎn)化的車輛模型一起建模得到的。然而，大腦決策過(guò)程本身是一個(gè)復(fù)雜的過(guò)程，導(dǎo)致難以對(duì)其準(zhǔn)確建模。

本文基于模糊邏輯提出一種以人的意圖為優(yōu)先的模糊腦控融合控制，用于在BCI性能受限的情況下提高BCV的控制性能。因?yàn)槟：刂撇恍枰唧w的數(shù)學(xué)模型，因此避開(kāi)了給大腦決策過(guò)程建模的問(wèn)題。其次，本文所提出的方法針對(duì)連續(xù)型BCV，腦控信號(hào)全程參與車輛控制，充分提高人的參與程度。

1 基于SSMVEP型BCI的腦控車輛系統(tǒng)

1.1 整體框架

腦控車輛整體框架如圖1所示。整體的工作流程：首先，腦控駕駛員依靠車輛狀態(tài)和環(huán)境信息決策一個(gè)腦控指令（方向盤向左，方向盤向右，方向盤保持）。然后通過(guò)用戶界面施加相應(yīng)的刺激。駕駛員通過(guò)注視用戶界面中的3個(gè)旋轉(zhuǎn)頻率不同范式圖案來(lái)產(chǎn)生代表3種轉(zhuǎn)向命令的EEG 信號(hào)。3 個(gè)范式圖案如圖2 所示，左、中、右側(cè)圖案分別對(duì)應(yīng)左轉(zhuǎn)、保持、右轉(zhuǎn)。采集到的EEG信號(hào)經(jīng)過(guò)信號(hào)的處理與分類后，通過(guò)發(fā)送裝置發(fā)送。通過(guò)信號(hào)轉(zhuǎn)換模型，將駕駛員的腦控指令轉(zhuǎn)換為具體的方向盤轉(zhuǎn)角，最終輸出到被控車輛。

表3 左轉(zhuǎn)指令的監(jiān)督模糊規(guī)則表Table 3 Supervision fuzzy rules for turning left instruction

圖1 腦控車輛整體框架Fig.1 Overall framework of BCV

圖2 SSMVEP刺激范式Fig.2 SSMVEP stimulation paradigm

1.2 SSMVEP

傳統(tǒng)的SSVEP型BCI，常采用光閃爍或圖形翻轉(zhuǎn)等刺激方式，易造成使用者視覺(jué)疲勞、降低大腦響應(yīng)和辨識(shí)準(zhǔn)確率。本文采用一種基于旋轉(zhuǎn)視覺(jué)感知的穩(wěn)態(tài)運(yùn)動(dòng)誘發(fā)電位（SSMVEP）型BCI[18]，可提高信噪比，降低使用者視覺(jué)疲勞。范式圖案通過(guò)PSYCHTOOLBOX 工具箱編程繪制范式圖案紋理，改變紋理旋轉(zhuǎn)角度來(lái)實(shí)現(xiàn)旋轉(zhuǎn)范式運(yùn)動(dòng)，如圖2所示。

2 模糊腦控融合控制

2.1 整體方案基本思想

由于BCI指令識(shí)別可能出現(xiàn)錯(cuò)誤，并且在進(jìn)行腦控操作時(shí)，操作者也可能因?yàn)槠?、注意力不集中等?wèn)題而發(fā)出錯(cuò)誤指令。因此對(duì)于腦控車系統(tǒng)而言，如想讓駕駛員的腦控指令全程參與車輛的控制過(guò)程，首先要對(duì)駕駛員發(fā)出的腦控指令進(jìn)行監(jiān)督評(píng)估。為此，本文引入FDES監(jiān)督理論解決這個(gè)問(wèn)題。

其次，在得到了駕駛員腦控指令的正確程度以后，還需要結(jié)合具體的控制機(jī)制以實(shí)現(xiàn)對(duì)該指令的具體實(shí)施以及錯(cuò)誤糾正。為此，在監(jiān)督評(píng)估腦控指令的正確程度的同時(shí)，本文基于模糊邏輯，設(shè)計(jì)了一個(gè)自動(dòng)控制器，該控制器會(huì)實(shí)時(shí)根據(jù)車輛當(dāng)前狀況進(jìn)行首次模糊推理輸出一個(gè)自動(dòng)決策。為了使腦控車輛能夠盡可能地尊重駕駛員的主觀意圖，接著將監(jiān)督評(píng)估后得到的腦控指令的正確程度與控制器輸出的自動(dòng)決策進(jìn)行第二次模糊推理以得到腦控車輛的最終決策，即根據(jù)腦控指令的正確程度對(duì)自動(dòng)決策作出更符合人意圖的調(diào)整。當(dāng)駕駛員的控制命令正確時(shí)，那么予以執(zhí)行，即在自動(dòng)決策的基礎(chǔ)上加重；當(dāng)駕駛員的控制命令錯(cuò)誤程度不嚴(yán)重時(shí)，那么只對(duì)其進(jìn)行限制，即在自動(dòng)決策的基礎(chǔ)上減輕；當(dāng)駕駛員的控制命令錯(cuò)誤嚴(yán)重時(shí)，此時(shí)才進(jìn)行糾正，即輸出自動(dòng)決策不變。

基于上述思想，本文設(shè)計(jì)了一個(gè)模糊腦控融合控制器來(lái)輔助駕駛員完成對(duì)腦控車輛的控制，該控制器的整體控制框圖如圖3所示。

圖3 模糊腦控融合的輔助控制機(jī)制Fig.3 Auxiliary control mechanism of fusion brain control based on fuzzy logic

2.2 自動(dòng)模糊控制

在圖3所示的模糊腦控融合的輔助控制機(jī)制下，首先，以車輛距道路中心線的偏差e，以及偏差的變化率de為輸入量，在設(shè)置好的模糊規(guī)則庫(kù)2 下，會(huì)基于模糊推理輸出一個(gè)自動(dòng)控制決策。該過(guò)程為基于模糊邏輯的自動(dòng)模糊控制過(guò)程，其作用是為最終決策的制定提供一個(gè)決策的基準(zhǔn)。

輸入變量為車輛距道路中心線的偏差e、偏差的變化率de，輸出變量為車輛方向盤轉(zhuǎn)角u。e的模糊集為{NB，NM，NS，ZO，PS，PM，PB}，對(duì)應(yīng)于{偏左較大，偏左中，偏左較小，零，偏右較小，偏右中，偏右較大}。de模糊集為{NB，NM，NS，ZO，PS，PM，PB}，對(duì)應(yīng)于{負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大}。輸出u的模糊集為{NB，NM，NS，ZO，PS，PM，PB}對(duì)應(yīng)于{向左嚴(yán)重偏轉(zhuǎn)，向左中等偏轉(zhuǎn)，向左輕微偏轉(zhuǎn)，方向盤保持，向右嚴(yán)重偏轉(zhuǎn)，向右中等偏轉(zhuǎn)，向右輕微偏轉(zhuǎn)}。隸屬度函數(shù)具體如圖4所示。

圖4 自動(dòng)模糊控制輸入輸出的隸屬度函數(shù)Fig.4 Membership functions of input and output of automatic fuzzy control

其中e的基本論域?yàn)閇-10，10]（單位：m），模糊論域?yàn)閇-5，5]，量化因子Ke為0.5；de的基本論域?yàn)閇-2，2]，模糊論域?yàn)閇-2，2]，量化因子Kde為1；u的基本論域?yàn)閇-720，720]（單位：°），模糊論域?yàn)閇-10，10]，比例因子Ku為72。

如該系統(tǒng)模糊規(guī)則庫(kù)R共有n條規(guī)則，用Rn表示第n條規(guī)則：

則模糊關(guān)系為：

系統(tǒng)總的控制規(guī)則R為：

整體控制規(guī)則表如表1所示。

表1 自動(dòng)模糊控制規(guī)則表Table 1 Automatic fuzzy control rule table

合成運(yùn)算°采用取大-取小法，當(dāng)輸入變量e、de分別取模糊集A、B時(shí)，經(jīng)模糊推理得到輸出量U可表示為：

采用重心法去模糊化得到最終輸出u：

2.3 腦控指令監(jiān)督模式

對(duì)于腦控車系統(tǒng)而言，需要監(jiān)控的事件是駕駛員發(fā)出的腦控指令的正確程度。

本文所設(shè)計(jì)的腦控車系統(tǒng)主要針對(duì)其橫向方向上的運(yùn)動(dòng)，其模糊自動(dòng)機(jī)描述為：

其中系統(tǒng)狀態(tài)代表車輛轉(zhuǎn)向程度，分別代表左轉(zhuǎn)程度、保持方向盤程度、右轉(zhuǎn)程度：

由于腦控指令數(shù)量有限，認(rèn)為事件集P并非模糊事件，即每次腦控指令到來(lái)時(shí)，以固定角度左或右轉(zhuǎn)。事件集P由Pc可控事件和Puc不可控事件組成：

其中Pc可控事件代表接收到駕駛員的腦控指令：

pL、pH、pR代表接受到3種腦控指令，左轉(zhuǎn)、保持方向盤、右轉(zhuǎn)。而Puc代表未接受到腦控指令，即腦控指令發(fā)送間隔。在接受到一個(gè)腦控指令后，直到下一個(gè)指令到達(dá)，Pc的狀態(tài)才會(huì)變更為接收到下一個(gè)腦控指令的狀態(tài)。Pc的初始值為pH。

為模糊狀態(tài)轉(zhuǎn)換函數(shù)，具體表現(xiàn)為IF-Then 形式的模糊規(guī)則語(yǔ)句所表達(dá)的模糊推理過(guò)程的集合：

并使得下式成立：

其中為合成運(yùn)算。

系統(tǒng)的初始狀態(tài)為。

模糊監(jiān)控器為，是其對(duì)應(yīng)的模糊語(yǔ)言。此時(shí)設(shè)為事件發(fā)生程度的約束項(xiàng)，在這里表示接收到腦控信號(hào)的正確程度。Pc(p)為當(dāng)前發(fā)生的可控的事件，則監(jiān)控行為可表示為：

這里由偏差e及偏差變化率de通過(guò)表2至表4中的模糊規(guī)則進(jìn)行模糊推理確定。

表2 保持指令的監(jiān)督模糊規(guī)則表Table 2 Supervision fuzzy rules for holding on instruction

表4 右轉(zhuǎn)指令的監(jiān)督模糊規(guī)則表Table 4 Supervision fuzzy rules for turning right instruction

由偏差e和偏差變化率de經(jīng)公式（1）至（6）得出，其模糊集為{Bad，Mid，Good}，對(duì)應(yīng)于{錯(cuò)誤程度嚴(yán)重，錯(cuò)誤程度一般，正確}?！蔥-1,1]。為了方便表示，后續(xù)統(tǒng)一用Γ來(lái)代表駕駛員腦控指令的正確程度，Γ的隸屬度函數(shù)如圖5所示。

圖5 Γ 的隸屬度函數(shù)Fig.5 Membership function of Γ

2.4 模糊腦控融合決策過(guò)程

在得到腦控指令的正確程度Γ以后，本文中將這一結(jié)果與2.2節(jié)中自動(dòng)模糊控制器的輸出進(jìn)行二次模糊推理，根據(jù)Γ所確定的腦控指令的正確程度對(duì)自動(dòng)決策進(jìn)行更符合人意圖的調(diào)整，得到腦控車輛的最終決策。該過(guò)程的具體思路為：

（1）當(dāng)經(jīng)過(guò)監(jiān)督評(píng)估后，腦控指令的正確程度較高（Γ為Good）時(shí)，此時(shí)執(zhí)行腦控指令，并對(duì)自動(dòng)決策的程度進(jìn)行加重。比如自動(dòng)決策為向左輕微偏轉(zhuǎn)（NS），此時(shí)腦控指令為左轉(zhuǎn)并且經(jīng)過(guò)監(jiān)督評(píng)估后判斷為正確（Good），則最終決策由自動(dòng)決策的向左輕微偏轉(zhuǎn)（NS）加重為向左中等偏轉(zhuǎn)（NM）。

（2）當(dāng)經(jīng)過(guò)監(jiān)督評(píng)估后，腦控指令出錯(cuò)，但是錯(cuò)誤程度一般（Γ為Mid）時(shí)，此時(shí)雖然不執(zhí)行指令，但出于最大程度尊重人主觀想法的原則，會(huì)把自動(dòng)決策的程度減輕。比如自動(dòng)決策是向右中等偏轉(zhuǎn)（PM），此時(shí)腦控指令為左轉(zhuǎn)并且經(jīng)過(guò)監(jiān)督評(píng)估后判斷為錯(cuò)誤程度一般（Mid），則最終決策由自動(dòng)決策的向右中等偏轉(zhuǎn)（PM）減輕為向右輕微偏轉(zhuǎn)（PS）。

（3）當(dāng)經(jīng)過(guò)監(jiān)督評(píng)估后，腦控指令出錯(cuò)，并且錯(cuò)誤程度嚴(yán)重（Γ為Bad）時(shí)，此時(shí)則糾正該指令，輸出自動(dòng)決策的結(jié)果。比如自動(dòng)決策為向右嚴(yán)重偏轉(zhuǎn)（PB），此時(shí)腦控指令為左轉(zhuǎn)并且經(jīng)過(guò)監(jiān)督評(píng)估后判斷為錯(cuò)誤程度嚴(yán)重（Bad），則最終輸出仍為向右嚴(yán)重偏轉(zhuǎn)（PB）。

按照上述決策思路得到了表5 所示的融合模糊規(guī)則表（L、H、R分別代表左轉(zhuǎn)指令、保持指令和右轉(zhuǎn)指令，L_Good代表腦控指令為左轉(zhuǎn)并經(jīng)過(guò)監(jiān)督評(píng)估后判斷為正確）。

表5 融合模糊規(guī)則表Table 5 Fusion fuzzy rule table

3 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證本文所提方案的有效性，本章中搭建了腦控車系統(tǒng)實(shí)驗(yàn)平臺(tái)，設(shè)計(jì)并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

實(shí)驗(yàn)中硬件部分腦機(jī)接口采用SSMVEP型BCI，信號(hào)采集使用天津大學(xué)人工智能與網(wǎng)絡(luò)科學(xué)研究所設(shè)計(jì)的便攜式腦電采集設(shè)備配合40 通道的腦電極帽，傳輸采用無(wú)線WiFi，軟件部分為Carsim 與Matlab 聯(lián)合仿真平臺(tái)。實(shí)驗(yàn)平臺(tái)如圖6所示。

圖6 實(shí)驗(yàn)平臺(tái)Fig.6 Experiment platform

實(shí)驗(yàn)道路如圖7，道路寬度設(shè)置為10 m，超出視為超界。以起點(diǎn)為原點(diǎn)，行駛方向?yàn)閤軸，道路中心線的軌跡可分成2段彎道部分及2段直線部分：

圖7 實(shí)物道路Fig.7 Experimental road

小車的初始狀態(tài)為方向盤轉(zhuǎn)角為0°，縱向速度2 m/s并全程保持不變。腦控指令發(fā)送周期為4 s，腦控指令分為3種：左轉(zhuǎn)、右轉(zhuǎn)、保持方向盤。未加入模糊腦控融合控制器時(shí)，每次收到腦控轉(zhuǎn)向指令，小車方向盤以90°固定角轉(zhuǎn)動(dòng)直到接收到下一個(gè)腦控指令。加入模糊腦控融合控制器后，腦控指令僅給出人的意圖（左轉(zhuǎn)、右轉(zhuǎn)或者保持方向盤）即可，具體方向盤轉(zhuǎn)角，由控制器依據(jù)人的意圖以及當(dāng)前的車輛信息給出。SSMVEP 刺激頻率分別為14 Hz、16 Hz和18 Hz。

實(shí)驗(yàn)被試者4名，4人均視力正?；虺C正后正常、精神狀態(tài)良好、沒(méi)有大腦相關(guān)疾病。實(shí)驗(yàn)分為離線和在線過(guò)程，首先通過(guò)離線實(shí)驗(yàn)確定了這4名受試者各自的離線BCI識(shí)別準(zhǔn)確率分別為73.8%、80%、84.2%、91.4%。

在線實(shí)驗(yàn)的腦控駕駛?cè)蝿?wù)為控制小車從起點(diǎn)沿路線行駛一圈回到起點(diǎn)，讓BCI識(shí)別準(zhǔn)確率不同的4名被試者分別在無(wú)融合控制器的輔助下和有融合控制器的輔助下進(jìn)行這一任務(wù)。

實(shí)驗(yàn)統(tǒng)計(jì)的指標(biāo)為：完成腦控駕駛?cè)蝿?wù)的時(shí)間，駕駛?cè)^(guò)程的平均側(cè)向偏差、最大側(cè)向偏差、超界行駛率（超界行駛時(shí)間與完成任務(wù)總時(shí)間的比值）、超界的次數(shù)。實(shí)驗(yàn)結(jié)果如表6。

表6 加入融合控制器后的腦控車輛控制性能Table 6 Control performance of BCV after adding fusion controller

為了使最后結(jié)果表現(xiàn)得更加明顯，本文制成了柱狀圖及折線圖進(jìn)行展示如圖8所示，并給出了車輛軌跡圖如圖9所示。

圖8 添加與未添加融合控制器結(jié)果對(duì)比Fig.8 Control performance of BCV with or without fusion controller

通過(guò)數(shù)據(jù)可知，本文所提方法可以有效改善腦控車輛的控制性能。對(duì)于4名受試者而言，即使其BCI識(shí)別準(zhǔn)確率差異很大，但在加入融合控制器以后，車輛的最大偏差分別降低了94.5%、95.6%、95.1%、95%，車輛的平均偏差分別降低了93.6%、94.8%、94.8%、93.8%，任務(wù)完成時(shí)間分別減少了8.9%、12.5%、9.3%、15.4%，而超界行駛率都降為0，證明了本文所提方法的普適性和有效性。

進(jìn)一步給出車輛的行駛軌跡圖如圖9所示。

圖9 車輛軌跡圖Fig.9 Trajectory of BCV

由車輛行駛軌跡圖，可進(jìn)一步看出，由于BCI 辨識(shí)時(shí)間較長(zhǎng)，單獨(dú)由腦控控制的車輛調(diào)節(jié)比較滯后，因此偏離預(yù)設(shè)軌跡嚴(yán)重；且由于BCI 辨識(shí)命令數(shù)量受限，因此在有限的指令下難以做到精細(xì)的調(diào)節(jié)，單獨(dú)由腦控控制的車輛軌跡也不夠平滑。而在加入融合控制器后，腦控車輛的控制精度明顯提高，整體軌跡平滑，不會(huì)突變。也可以看到在直道部分，車輛并不完全貼合軌跡，證明了該方案在保證控制精度的同時(shí)能夠尊重人的主觀意圖。

4 結(jié)語(yǔ)

實(shí)驗(yàn)結(jié)果表明，加入融合控制器后的BCV 的控制性能得到了明顯改善。對(duì)于不同被試者，車輛的最大偏差和平均偏差均減少了90%以上，且在設(shè)定安全限制為10 m 情況下將超界行駛率控制為0。提出的控制器將有限的駕駛員控制命令細(xì)化拓展為更細(xì)微的調(diào)整，在指令非嚴(yán)重錯(cuò)誤時(shí)結(jié)合當(dāng)前車況予以執(zhí)行，并在指令嚴(yán)重錯(cuò)誤時(shí)可以進(jìn)行糾正。在盡量尊重人主觀意圖的前提下，有效彌補(bǔ)了當(dāng)前BCI準(zhǔn)確率隨受試者不同變化幅度較大，辨識(shí)時(shí)間及辨識(shí)命令數(shù)量也受限的問(wèn)題。但對(duì)于腦控指令的監(jiān)督嚴(yán)格程度及最終決策貼合人意圖程度上，根據(jù)實(shí)際需求可以進(jìn)一步調(diào)整所設(shè)置的模糊規(guī)則。如何確定一個(gè)最佳模糊規(guī)則以實(shí)現(xiàn)讓尊重人的意圖程度和控制精度的統(tǒng)一是今后的研究方向。