腦波控制的智能醫療輪椅系統

李瑛達 周海波 楊易青

摘 要：設計一款采用腦電波技術進行腦機交互的輪椅系統，用于方便殘疾人的日常出行和腿傷患者的治療康復。通過使用美國NeuroSky神念科技有限公司的TGAM模塊傳感器，對模塊佩戴者額葉腦波信號進行實時檢測，通過算法分析得到腦波α波、β波、θ波、δ波的能量值，并根據RawData原始數據計算得出眼動次數。程序將眼動次數處理為具體的數字信號，從而控制輪椅，實現輪椅的前進、停止、轉向功能。該系統可廣泛運用于游戲、虛擬現實、兒童多動癥診斷輔助治療等領域。

關鍵詞：腦波檢測;小波變換;TGAM模塊;藍牙傳輸;陀螺儀;嵌入式

中圖分類號：TP391.8 文獻標識碼：A 文章編號：2095-1302（2019）05-00-04

0 引 言

腦-機接口（Brain Computer Interface，BCI）即“腦機融合感知技術”，是用于實現采集大腦腦波并將之處理后，通過數字信號實現對外部設備進行控制的一種技術。在計算機的發展中，人機交互一直是計算機領域探索的經典課題，人的大腦會在不同的行動下產生相應、有規律的腦電信號變化，通過對這些信號的機器學習處理，并使之數字化，從而使用此類數字信號實現通過意念完成復雜的人機交互的研究一直是熱門的研究課題。

本文系統選用美國NeuroSky神念科技有限公司的TGAM模塊傳感器，對模塊佩戴者額葉腦波信號進行實時檢測，以此獲取佩戴者的腦波數據，通過算法分析佩戴者的eSense“專注度”指數、eSense“放松度”指數和眨眼時產生的腦波變化峰值數字信號，控制輪椅完成常規操作，如輪椅的前進、停止、轉向以及應急停止等功能。通過非手動方式幫助特殊殘障患者進行安全的日常出行活動，滿足患者的出行需求。

1 系統框架

本文系統使用TGAM模塊傳感器、Bluetooth模塊，陀螺儀、WiFi模塊組合作為頭戴設備，采集腦波信號，通過Bluetooth，WiFi通道輸出信號;使用基于嵌入式設備Android系統上的串口專用APP接收Bluetooth，WiFi信號加以矯正分析后，向嵌入式設備串口發出特定腦波所對應的相應指令;單片機識別指令后控制電動輪椅完成各種指令對應的行為。

2 腦波分析與處理

2.1 腦波特征腦波（brainwave）是人腦內細胞活動產生的電位變化顯示在儀器上生成的波形。人類腦電波時時刻刻都在不停地產生、變化，無論人體做什么，甚至在睡覺時也會不停地產生腦電波。人類主要的腦波波形可分為α波、β波、θ波以及δ波，這些波形的變化會反映出一個人當前狀態下大腦的狀態，如緊張與否、注意力集中與否等。上述腦波正常情況下波動范圍為2.8～45.9 Hz，α波與β波為較多使用的波形，通過波形阻斷分析可得出眨眼產生的眨眼腦電波，波形如圖1所示。腦波的種類、頻率、特性見表1所列。

2.2 腦波檢測方式

腦波的檢測與采集方式大致分為頭皮層次腦電波采集、皮下電位采集、神經元放電采集三類。目前精準采集度最高的是皮下電位采集，但由于需要專業的醫療設備以及皮下電極植入，設備價格高昂，實驗成本高。本文選擇基于頭皮層次電位采集的方式，其對人體無損害，價格也相對適中。基于頭皮層次電位采集的原理為：通過額葉上的電位變化，即大腦產生的腦電波（Electroencephalography，EEG）的變化獲取原始腦波數據，采集時兩個電極一正一反分別夾于采集者的雙耳，第三個電極貼于測試者前額，以采集腦電信號的變化。這種方式雖然有許多局限性，但因為其操作簡單，對人體無任何傷害，所以適合進行人體腦電的采集和應用。

使用腦波檢測軟件Mind Viewer檢測到的相應波形如圖2所示。

2.3 腦波的預處理與采集

由于頭皮層次腦電波采集存在外界因素的干擾，且采集對象不同時差別也會較大，因此如何解決干擾問題是腦電波采集的重中之重。人類頭皮上能夠采集到的電壓為±50 μV，而通過對腦波特征的分析可知，人類腦波正常情況下波動范圍為2.8～45.9 Hz，因此本文首先考慮剔除2.8～45.9 Hz之外的波動信號，將[2.8，45.9] Hz區間內的腦波信號作為主要提取對象。

2.4 腦波的分析計算

腦波信號的主要分析方法為傅里葉變換（FFT）算法。使用傅里葉變換將腦波信號由時域轉換到頻域，獲得腦電波信號的頻率、功率等參數。但僅經過傅里葉變換產生的頻域數據只能顯示出單一時刻的頻率、功率變化，數據特征效果單一，不能很好地分析腦波信號，所以后續通過統計分析、快速傅里葉變換、小波變換、馬拉特（Mallat）算法等方法處理腦波。

馬拉特算法從空間概念上抽象地說明了小波多分辨率共性，隨著尺度由大到小變更，在各尺度上能夠由粗到細地展現圖像的差異特點。在大尺度空間里，可觀察圖像輪廓;在小尺度空間里，可觀察圖像細節[1]。設f是要處理的信號，Hjf為分辨率2j下f的最佳逼近，則Hjf可進一步分解為f在分辨率2j-1下的近似Hj-1f以及位于分辨率2j-1與2j之間的細節Dj-1之和。分解過程如圖3所示。

首先對信號進行分解，分解公式為：

分解過程的系數表達式為：

使用尺度方程使小波變換具有短支撐集、正交性、對稱性等特性，尺度方程公式為：

小波函數為：

本文采集的腦波信號頻率位于[2.8，45.9]區間，因此把區間外的頻率所對應的小波系數設為0，將區間內的頻率小波系數重構后得到可用信息。信號重構公式為：

重構過程的系數表達式為：

經過變換，得到原始腦波的高頻系數與低頻系數，并由此獲取相應的重構信號。對這些重構信號不同層的FFT進行分析，可以獲得與α波、β波、θ波及δ波相似的信號，如圖4所示。

鑒于表1中不同的腦電波波形具有不同的頻段，本文選取三個人進行測試，獲取α波、β波、θ波及δ波的平均能量值。平均能量值計算公式為：

對此三位被采樣者分別進行采樣計算，得到的α波、β波、θ波、δ波四種波形的平均能量值見表2所列，這些值分別取自三位被采樣者處于疲勞狀態、平常狀態、注意力集中狀態的情況。

將表中數據以直方圖的形式直觀地展示出來，直方圖如圖5所示。

以四種波形為參照，通過圖5和表2分析，不難發現：

（1）疲勞狀態下δ波能量值最高;

（2）α波能量值在平常狀態下能量值最低;

（3）β波能量值在疲勞狀態和注意力集中狀態下能量數值相差不大且高于平常狀態;

（4）θ波能量值在疲勞狀態下最高。

再以δ波能量作為參考，尋找δ波能量值較大的數據，去除疲勞狀態的波形數據后，通過α波、β波能量值的變化可以發現精神越集中的情況，α波與β波的能量值越高，基于此就可使用數據值的前后變化分析得出一個人的精神集中度變化，且通過平均值，可以粗略地估量精神集中時α波與β波腦波范圍分別在[40，80]、[30，70]區間內。與此同時，在精神集中的狀態下，當人在眨眼活動時，α波能量值會出現大的波動，波動的規律為α波能量值呈快速指數型升高到一個峰值后，迅速下降至精神集中狀態時α波能量值之下，形成一個波谷，之后能量值逐漸趨于精神集中狀態時的能量值。眨眼狀態下α波的變化如圖6所示。

2.5 TGAM模塊腦波的提取

50 Hz，并將其打包成一組數據包。模塊每秒會發送出513個包，數據包有小包和大包兩種。小包的固定格式是AA AA 04 80 02 xxHigh xxLow xxCheckSum，數據前AA AA 04 80 02 是恒定的，后三個字節是不斷改變的，xxHigh和xxLow組成了原始數據RawData，xxCheckSum就是校驗和。所以一個小包里只包含了一個對開發者有用的數據，即RawData。

通過以下公式可求得專注度Attention、 放松度Meditation、信號強度Signal等值。

3 腦機互動的輪椅系統

系統設計主要包含三部分：第一部分為頭戴設備，主要負責采集腦波信號，通過藍牙模塊將腦波信號發送至Android串口通信程序;第二部分為ARM處理器的串口通信應用程序，將腦波信號進行分析與處理，轉化為指令發送至單片機;最后一部分為單片機微控制器系統，接收到指令后，根據解析結果控制輪椅完成行為動作。基于腦-機互動的輪椅系統如圖7所示。

該系統利用TGAM腦波模塊制作的頭戴設備檢測輪椅使用者額葉短時間內α波、β波以及由RawData原始數據計算得出的眨眼信號變化情況，并使用陀螺儀進行命令矯正，腦波信號通過藍牙傳輸，輔助的陀螺儀信號通過WiFi傳輸，兩種信號同時傳送到基于ARM嵌入式開發板Android系統的處理APP進行分析、計算、矯正處理，過濾出精神集中度、精神放松度、眨眼次數，以及旋轉頭部產生的波動等有效數據。腦波核心模塊如圖8所示，腦波模塊供電圖如圖9所示。根據腦波分析得出的“精神越集中的情況下α波與β波的能量值會越高”的結論，判斷佩戴者的精神集中度，對輪椅發出是否上電的信號，以此保證使用者在清醒放松的狀態下安全地使用輪椅。若在使用過程中α波、β波的信號值下降到一定范圍，則輪椅強制斷電，由此實現腦-機安全控制。考慮到人在自然環境下的正常眨眼動作可能會影響到眨眼次數的統計，在固定時間內（一般采用3 s）取RawData原始數據計算得出眨眼次數的區間，如在3 s時間段內眨眼

3～4次發送停止信號，5次及以上發送前進信號，以此提高命令的準確性，實現腦-機精準控制。目前輪椅已基本實現，如圖10所示。經測試，大腦進入集中狀態的時間因人而異，但對于整個系統的影響非常小，經過多次熟悉使用，操控者均可使用腦電波完成對輪椅的操控。

4 結 語

本文設計了一款基于腦電波技術與單片機的輪椅交互系統。通過選用美國NeuroSky神念科技有限公司的TGAM模塊傳感器，經過電路設計、焊接裝配，制作出腦波檢測頭戴模塊，對模塊佩戴者額葉的腦波信號進行實時檢測并通過公式轉換為數字信號，以此控制輪椅。實驗結果表明，通過Fast Fourier Transfer和Kalman Filter等算法，能夠計算得到腦波的α波、β波、θ波、δ波，并使用RawData原始數據計算得出眨眼次數，進而獲得大腦腦波的變化，結合APP的處理，通過串口發送對應指令到基于51單片機的輪椅，實現通過腦波操作輪椅的基本使用功能。本文系統所使用的腦波控制部分的設計也可應用于一些特殊領域，如游戲、虛擬現實、兒童多動癥診斷輔助治療等。

參 考 文 獻

[1]張洪照.基于腦波檢測和物聯網技術的殘疾人自助系統[D].廈門：集美大學，2016.

[2]秦學斌，張一哲，汪梅.腦波信號控制軌道小車系統的研制[J].計算機工程與應用，2017，53（11）：260-264，270.

[3]劉瓏，李勝，王軼卿.基于小波包變換的腦電波信號降噪及特征提取[J].計算機工程與科學， 2015（4）：790-795.

[4]姚文坡，劉鐵兵，戴加飛，等.腦電信號的多尺度排列熵分析[J].物理學報，2014，63（7）：419-425.

[5] LOPEZ-GORDO M A，PELAYO F，FERNANDEZ E，et al.Phase-shift keying of EEG signals： application to detect attention in multitalker scenarios[J].Signal processing，2015，117（12）：165-173.

[6]張璐琳.基于腦-機接口的控制及虛擬場景應用研究[D]. 哈爾濱：哈爾濱工程大學，2013.

[7] MUSHA T，MATSUZAKI H，KOBAYASHI Y.EEG markers for characterizing anomalous activities of cerebral neurons in NAT （Neuronal Activity Topography）method[J].IEEE transactions on biomedical engineering，2013，60（8）：2332-2338.

[8] TOMITA Y， VIALATTE F B，DREYFUS G，et al. Bimodal BCI using simultaneouly NIRS and EEG [J]. IEEE transactions on biomedical engineering， 2014，61（4）：1274-1284.

[9] NGUYEN T，KHOSRAVI A，CREIGHTON D，et al.EEG signal classification for BCI applications by wavelets and interval type-2 fuzzy logic systems[J].Expert systems with applications. 2015，42（9）：4370-4380.

[10]陳東偉，吳方，王震，等.基于腦-機接口的智能小車系統設計與實現[J].信息技術，2013（6）：80-82，87.

[11]王登，苗奪謙，王睿智.一種新的基于小波包分解的EEG特征抽取與識別方法研究[J].電子學報，2013（1）：193-198.