上肢康復訓練機器人的腦機接口系統研究*

翟文文，楊玉娜，魯守銀，高諾

(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(BCI)技術可以在人腦與外界環境之間建立起聯系的通道[1]。其主要是通過對用戶的腦電信號進行特征提取和分類轉換為控制外界設備的特定命令。所以，嚴重運動殘疾的患者可以通過腦機接口技術實現對康復機器人的控制，更積極主動地參與康復治療[2]。

2003年，格拉茨技術大學的Gert Pfurtscheller研究小組第一次通過分析腦電信號控制功能性電刺激設備，使得患者可以使用癱瘓的手抓住圓筒[3]。2010年，格拉茨工業大學的腦-計算機接口實驗室又研制了一種基于典型相關分析的穩態視覺誘發電位(SSVEP)腦機接口，適用于控制2自由度的手和肘神經假體。在線實驗中，陽性預測值(positive predictive value， PPV)在69%～83%，假陰性率(false negative rate, FNR)在1%～17%[4]。2015年，意大利PERCRO實驗室提出了由MI-BCI觸發的完整的上肢機器人外骨骼，用于中風患者的抓握和釋放的康復[5]，實驗得到運動想象分類的正確率為(82.51±2.04)%。2017年，印度理工學院的Chowdhury等研究出一種結合EEG和肌電圖(electromyography，EMG)信號的新方法，使用光譜功率相關(spectral power correlation，SPC)來創建用于控制手外骨骼的混合BCI設備[6]，對用戶的抓握嘗試和靜止狀態進行分類，在成功檢測到抓握嘗試后，混合BCI觸發手外骨骼以執行手指屈伸運動。近年來，國內也逐漸開展了基于腦機接口的康復系統的研究。2017年，北京工業大學電子信息與控制工程學院的李明愛團隊研制了采用運動想象控制的腦機上肢運動康復系統[7]，完成手臂伸/屈動作，該系統的平均識別率為76.75%，固定時間窗為3～5 s。

雖然目前基于腦機接口的康復機器人已取得不少成果，但仍然面臨著諸多挑戰。目前，基于腦機接口的康復機器人應用還存在分析時間長，患者很難自主地控制康復訓練的節奏，并且多類識別率不高等一系列問題。針對上述問題，我們研究了基于Alpha波與SSVEP的混合腦機接口上肢康復訓練機器人系統，該系統可以通過腦電信號自主高效地控制具有雙臂的上肢康復訓練機器人進行肩內外旋，肩屈伸，肘內外旋，肘屈伸與腕屈伸五個自由度的運動。實驗結果表明，該系統用時較短，準確率較高，受試者可自主地控制康復訓練方式，驗證了該系統的可行性與有效性。

2 系統組成

基于Alpha波與SSVEP腦電信號的異步腦機接口的整體結構框圖見圖1，該系統由四部分構成：視覺刺激模塊、信號采集模塊、信號處理模塊和輸出控制模塊。本系統的信號采集模塊采集用戶閉眼或者注視頻閃產生的腦電信號至信號處理模塊進行分類識別，然后把分類結果發給上位機，進而控制上肢康復訓練機器人。

圖1基于Alpha波與SSVEP腦電信號的異步腦機接口結構框圖

Fig.1Block diagram of asynchronous brain-computer interface based on Alpha wave and SSVEP EEG signal

2.1 腦電采集模塊

腦電信號采集設備采用博睿康科技有限公司(Neuracle)的32導無線腦電采集系統[8]，包括32通道的電極帽、放大器以及無線路由器。實驗中，該設備的采樣頻率設為250 Hz，記錄電極為P3、P4、PO3、PO4、O1、O2、PZ、OZ、T5、T6，見圖2，導聯位置符合國際10-20標準，保持電極阻抗在5 kΩ以下。

2.2 視覺刺激模塊

本研究的視覺刺激模塊利用 MATLAB 的 Psychtoolbox (PTB) 工具箱實現[9]。視覺刺激模塊采用刷新率 60 幀/s的液晶顯示器, 分辨率設置為1 366×768 (像素)。刺激目標由大小為150×150 (像素)的6個白色方塊組成。六個頻閃刺激塊刺激頻率分別為8、15、12、10、9、13 Hz對應的功能分別為肩內外旋，肩屈伸，肘內外旋，肘屈伸，腕屈伸與停止。

圖2 導聯位置圖Fig.2 Lead position

圖3 頻閃刺激設計Fig.3 Stroboscopic stimulus design

2.3 信號處理模塊

2.3.1異步性的實現范式 本系統通過檢測使用者枕部腦電信號Alpha 波的阻斷現象來切換空閑與工作狀態[10]，BCI系統不會對空閑狀態下的腦電信號進行分析處理。受試者通過閉眼產生Alpha波，系統檢測到Alpha波發出聲音提示并把Alpha波信號傳給上位機，從而進入工作狀態，受試者聽到聲音提示后看頻閃，BCI系統對聲音提示后接收到的SSVEP信號進行分析，得到分析結果傳給上位機，上位機對輪椅進行相應的控制，腦電信號分析流程圖見圖4。

2.3.2Alpha波信號分析 人在睜眼與閉眼狀態下，O1導處的Alpha波(8～12 Hz)幅值會有很大的區別[11]。閉眼狀態下Alpha波幅值要遠大于睜眼狀態。本研究用這個特征切換受試者的工作和空閑狀態。受試者閉眼一段時間(1～3 s)來進行狀態轉換，使其O1電極位置的腦電信號Alpha波幅值增加，BCI系統收到此信息后切換到工作狀態。在本研究中，Alpha波的檢測是按照以下步驟實現的：

圖4 腦電信號分析流程圖Fig.4 Flow chart of EEG signal analysis

(1)對于一個受試者收集20個試驗EEG信號，其中包括10個閉眼狀態試驗和10個睜眼狀態試驗，每次試驗持續3 s。

(2)將每個試驗傳送到頻域，并在每個試驗中取8～12 Hz之間的信號幅度M。

(3)根據式(1)計算Alpha波的閾值。

(1)

(4)對于一段新獲取的腦電數據，如果其8～12 Hz幅度為M，則可以根據式(2)計算當前狀態state。

(2)

如果state等于1，表示系統已檢測到Alpha波并且可以切換到工作狀態。 如果state等于-1，則表示沒有Alpha波，系統保持空閑狀態。

2.3.3SSVEP波信號分析

(1)預處理

本研究使用50 Hz陷波濾波器來消除高頻或工頻干擾。

(2)CCA理論

典型相關分析(canonical correlation analysis，CCA)是通過計算多通道腦電(EEG)信號與構造的參考正余弦信號之間的相關系數，求兩個信號的最大相關性[12]。

用CCA算法對EEG信號分析時，假設有k個頻率刺激時，X為測得的EEG信號，Y為模擬刺激頻率的參考信號，見式(3)：

(3)

其中，Nh是諧波數量，fk是刺激頻率，Fs是采樣率，M是信號樣本數。對兩個多維信號X、Y來說，CCA方法是找一組矢量WX，WY，使這組矢量可以讓向量x，y之間的相關系數達到最大，其中x=XTWX，y=YTWY。

(4)

在式(4)中，對WX，WY求得相關系數ρ的最大值，分別計算不同fk時的ρ，即最大的ρ對應的頻率為SSVEP的響應頻率。

2.4 上肢康復訓練機器人

上肢康復訓練機器人采用雙臂五自由度的機器人，該機器人的結構主要有上肢左、右雙臂主動訓練裝置、底座三部分組成，系統結構見圖5。上肢左、右雙臂主動訓練裝置能夠實現肩內外旋，肩屈伸，肘內外旋，肘屈伸，腕屈伸五個自由度的運動。腕部輔助康復結構采用電機帶動把手直接旋轉進行運動。為減輕前端重量，采用步進電機，要求體積小的同時滿足力矩需求。交流伺服電機具有動態性能好、控制精度高等優點，能夠實現對機器人的精確控制。所以手腕、肘部屈伸采用步進電機，其余三個關節采用伺服電機。

采用基于TRIOMC464的運功控制系統，在運動過程中，各關節上的角度傳感器反饋當前位置到運動控制器形成閉環，確保關節運動的精度。上位機實時觀測機器人主從臂各關節運動角度，結合限位開關，實現多種安全保護功能，并且本系統設計為雙臂式，增強雙臂協調能力，提高患者的運動能力。上肢康復機器人在得到腦電信號分析結果后進行相應的動作，并重復動作，直至接收到閉眼命令后回歸原位。

圖5 上肢康復機器人控制系統結構圖Fig.5 Structural chart of control system for upper limb rehabilitation robot

3 在線實驗與結果

3.1 在線實驗

本實驗共選取5名年齡18～30周歲的健康受試者(3男2女)，在安靜、舒適的環境中進行。受試者被要求在注視刺激閃爍的時間內盡量避免過度眨眼，眼睛距離視覺刺激模塊約0.5 m。本實驗應用圖3的視覺刺激界面。實驗前，5名受試者均先進行離線實驗，采集Alpha信號，計算閾值。圖6是受試者讓機器人動作一次并停止的實驗過程示例。首先受試者佩戴腦電帽坐在屏幕前，屏幕上的頻閃塊閃爍。受試者閉眼1 s，機器人收到閉眼信號后暫停并發出提示音，然后注視讓機器人動作的相應頻閃塊1 s，機器人收到動作命令后進行相應的動作，受試者自己決定運動時間(示例為8 s)。當受試者想停止當前運動時閉眼1 s，機器人接收到閉眼信號暫停運動并發出提示音，接著受試者注視停止的頻閃塊關閉機器人。在一次實驗中受試者可以控制機器人進行多種運動然后關閉機器人，每位受試者每輪實驗要求發出20次命令(包括停止)，每人進行5輪實驗，實驗中記錄下發出的正確命令數以及發出命令所用的時間。真實實驗場景見圖7。

圖6實驗過程示例

Fig.6Experimental process

圖7 實驗場景圖Fig.7 Experimental scene

3.2 實驗結果

(a)

(b)

(c)

(d)

(e)

圖8實驗結果,其中(a-e)分別描繪了5名受試者在5次實驗中發出的正確命令數以及發出命令所用的平均時間窗

Fig.8Experimental results,(a-e) depicted the correct number of commands and the average time window used by five subjects in five experiments

圖8中的(a)-(e)分別描繪了5名受試者在5次實驗中發出的命令數以及發出命令所用的平均時間窗，每位受試者在5輪實驗中共發出100個命令。從圖中可以看出，每位受試者發出一個命令所用的時間窗均在2.5 s左右，并且受試者A與受試者B均有一輪實驗發出的20個命令全部正確且未出現識別錯誤。每位受試者可按自己的想法控制上肢康復機器人的動作方式以及動作時間。表1記錄了受試者發出的總命令數，正確命令數以及正確率，五位受試者的分類準確率最高可達94%。系統實時采集EEG信號幾乎無延時。此結果說明，本研究基于SSVEP與alpha波的腦機接口系統分析程序準確率較高，分析速度快，并且能讓患者實現對上肢康復訓練機器人的自主控制。

表1 受試者的實驗正確率Table 1 Experimentation correctness of subjects

4 結論

本研究闡述并驗證了基于SSVEP與Alpha腦機接口的上肢康復訓練機器人是一個行之有效的方案。另外，上肢康復機器人的各關節安裝有限位傳感器，以確保能夠及時保護患者手臂，防止對手臂造成傷害。實驗結果證明，本系統在分析用戶的腦電信號方面有較高的準確性，并且用時較短。受試者可以按照自己的節奏控制基于混合腦機接口的上肢康復訓練機器人系統，根據自己的意愿控制訓練動作與訓練時間，實現了系統的異步性。

雖然本研究提出的基于SSVEP與Alpha腦機接口的上肢康復訓練機器人方案實現了異步性，有效解決了信號分析時間長與準確度不高等問題，但是在以下幾方面仍有待進一步提高：提高腦電信號分析的魯棒性； 增加受試者對上肢康復訓練機器人運動角度的控制，提高受試者對機器人的控制能力。隨著腦機接口技術的不斷完善，本系統會在嚴重運動障礙的患者的訓練康復方面具有良好的應用前景。