基于BCI的下肢辅助康复系统的研究
2013-12-02
(杭州电子科技大学计算机学院，浙江 杭州310018)
0 引 言
脑机接口(Brain-Computer Interface，BCI)技术是指在人脑和计算机或其它电子设备之间建立一种不依赖于脑的正常输出通路的全新对外信息交流和控制方式[1，2]。近年来，BCI技术发展迅速，从1995年到1999年，仅仅4年的时间，全世界从事脑-机接口的研究小组就从不超过6个上升到已超过20个[3，4]。2000年美国Duke 大学医学中心的研究人员与其合作者完成的Monkey Think，Robot Do 实验[5]，更开启了用思想去控制假肢运动的先河。本文利用人们运动想象时产生的脑电信号具有事件相关同步/事件相关去同步(Event-Related Synchronization/Event-Related Desynchronization，ERS/ERD)这一特性，通过分析左右手运动想象时的脑电信号来判断想象者的意图，从而实现对下肢辅助康复设备的控制。
1 基于运动想象的BCI控制原理
脑电信号(Electroencephalogram，EEG)是脑内众多神经元活动产生的生理电活动，反应了大脑的功能状态[6]。当人们做单侧肢体运动(如左手运动)时，大脑对侧主感觉运动皮层的μ 节律(8 13Hz)幅度明显减小，而同侧主感觉运动皮层的μ 节律幅度明显增大，这种现象称为ERS/ERD。研究表明:ERS/ERD是出现在与运动相关的特定频带的信号，该信号主要产生于感觉运动皮层，其信号的频谱特征如图1所示。
当想象左手运动时，如图1(a)中CP3通道(实心线表示)的数据在9-12Hz 频段表现为幅值升高，CP4通道(空心线表示)数据则表现为幅值的降低;当想象右手运动时，如图1(b)中情况正好相反。这也正符合想象脑电信号的ERD/EDS 特点:单边的肢体运动或想象运动，大脑对侧会产生事件相关去同步电位，大脑同侧会产生事件相关同步电位。
图1 频谱能量图
2 BCI 肢体康复系统框架设计
BCI 肢体康复系统框架设计大致可以分为EEG 信号特征离线分析和EEG 信号实时分析两部分。整体框架图如图2所示。
图2 BCI 肢体图康复系统
(1)EEG 信号特征离线分析
1)信号采集
准备好实验所需的设备，为受试者戴上电极帽，打好电极膏，保证各个电极的导通性良好后，打开实验过程提示界面，受试者根据实验员的提示，进行左右手的运动想象来控制下肢辅助康复设备，同时记录脑电信号。采集的脑电信号被脑电放大器放大，经过滤波、去噪、采样等预处理后，再通过A/D 转换将模拟信号数字化，并通过USB 接口传给计算机。
2)对采集的脑电信号进行离线分析
大脑感觉运动皮层电极分布如图3所示，电极的位置是按照国际标准导联10-20系统安放。利用Matlab 离线分析受试者的脑电数据，分析结果如图4所示，左脑控制着右手的运动，右脑控制着左手的运动，因此要在左、右脑各选一个电极作为参考电极。从图4可以看出，相对于其它14个通道，第14和第16通道对应CP3、CP4电极在9-12Hz 频段想象左手和想象右手时存在着非常明显的差别，因此，选取CP3、CP4 两个通道的脑电数据作为区分受试者想象左手还是右手运动的依据。
图3 感觉运动皮层电极分布图
图4 matlab 离线分析图
(2)EEG 信号实时分析
该部分主要分为3个模块:EEG 辅助模块、EEG数据分析处理模块、应用模块。
1)EEG 辅助模块
模块主要分两部分，网络通信部分和信息反馈部分。网络通信部分采用了TCP/IP 协议和串口通信协议。信息反馈部分不仅为实验员操作BCI系统提供指示，还能帮助实验员根据反馈信息来提示受试者改变想象运动，同时将设备的当前运行角度反馈给实验员。
2)EEG数据分析处理模块
模块是BCI系统的核心，负责对接收到的脑电信号进行实时特征提取，并实现单次分类和进行优化处理后的综合决策，具体的分析处理步骤如下:
①对CP3、CP4 两个通道的信号进行去均值处理，即分别用两个通道的信号值减去16个通道信号的平均值;
②分别取CP3、CP4 两个通道数据的N点样本值，利用FFT 进行快速傅里叶变换进行信号的特征提取。长度为N，序列为xn=x(n)的变换公式。
③计算每个样本点的幅值，然后除以N 得到CP3、CP4 两个通道的信号的功率谱P3、P4。信号xn=x(n)的功率谱计算公式。
式中，X*(k)为X(k)的共轭;
④对功率谱P3、P4 进行平滑处理，以降低数据变化;
⑤在9 12Hz 频段对P3、P4 求平均值得到P3'、P4'，并作差值运算，得出分类结果，实现单次分类。建立一个简单的基于功率谱能量为特征的左右手运动想象分类方法。
⑥对EEG 分析结果进行优化处理。即每5次分类即进行一次综合决策，设P3'-P4' ＞0的次数为P1，P3'-P4' ＜0的次数为P2，那么综合决策的公式。
此种方法能提高分类的准确性，更好的实现大脑对设备的有效控制。
3)应用模块
控制对象为下肢辅助康复控制器，如图5所示，受试者根据提示，分别想象左右手运动，来控制康复设备“屈”或者“伸”，从而达到辅助训练的功效。
图5 应用BCI系统实现对下肢辅助康复设备的控制
3 实验结果分析
选取受试者的4组实验数据分析，单次分类和综合决策两种分类方法的结果如表1所示。
表1 两种分类方法准确率统计
从表1可以看出，单次分类准确率达到80%左右，而采用综合决策后，分类准确率由原来的80%提高到了86%左右。单次分类处理时间近似为200/256≈0.78s(其中200为窗口数据，256为采样频率)，而综合决策时间用了大约(200+200(1-75%)(5-1))/256≈1.56s(其中75%为窗口重叠率)，比单次分类所需时间多了0.78s，所以采取合理的决策方法不仅可以提高准确率，而且从一定程度上可以减弱受试者因为疲态而对实验造成的影响。
4 结束语
本文大脑感觉运动区域产生的ERS/ERD 特征这一特性，实现BCI技术对下肢辅助康复设备的控制。但环境的干扰以及眼电和肌电等的干扰都对决策的准确性和实时性有很大的影响，因此，如何改进实验方案来优化系统是研究的方向。另外，该种方案还只是处于实验室阶段，如何更快更好的把该项技术应用到市场上，为瘫痪病人服务是最终的目的。
[1]Wolpaw J R，Birbaumer N，Heetderks W J.Brain-computer interface technology:A review of the first international meeting[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2000，8(2):222-225.
[2]程明，高上凯，张琳.基于脑电信号的脑-计算机接口[D].北京:清华大学，2000:113-118.
[3]Mason S G，Fatourechi M.A comprehensive survey of brain interface technology designs[J].Ann Biomed Eng，2007，35(2):137-169.
[4]杨立才，李佰敏，李光林.脑-机接口技术综述[J].电子学报，2005，33(7):1 234-1 241.
[5]Sandro M.Real brains for real robots[J].Nature，2000，40(8):305-306.
[6]李颖洁，邱意弘，朱贻盛.脑电信号分析方法及其应用[M].北京:科学出版社，2009∶1-11.
