基于稳态视觉诱发电位脑机接口的智能轮椅系统研究*

高诺，翟文文，鲁加兴，吴林彦，鲁守银

(山东建筑大学信息与电气工程学院，济南 250101)

1 引 言

脑机接口/脑机交互(brain computer/machine interface, BCI/BMI)是绕过大脑外周神经和肌肉的参与，由脑信号实现大脑与外部设备直接的通信和控制，其在智能轮椅控制领域的一个重要应用是脑控智能轮椅(brain controlled wheelchair, BCW)技术，即用感知、思维意图控制智能轮椅的研究[1]。该研究是脑科学、信息科学与控制科学交叉跨学科研究，这一技术有望为严重运动残疾患者提供一种新的通信和控制通道，扩展其活动范围，从而改善他们的生活质量[2]。

2015年，清华大学高上凯团队成功实施了一种非入侵式基于稳态视觉诱发电位的脑机接口拼写系统。测试对象的在线拼写性能当中，平均拼写率是每分钟50～60字，信息传输率在每秒4.5～5.5 bits，与现有的无创BCI拼写系统相比，是一个巨大的进步[3]。该团队还开发了基于SSVEP脑机接口的智能家居系统，有利于残疾患者管理家庭环境[4]。国外，美国的 Wright 空军基地运用稳态视觉诱发电位脑机接口技术来控制飞行模拟器[5]。加利福利亚大学Wang团队开发了基于SSVEP脑机接口的移动电话系统，用移动电话显示视觉刺激，使系统更加方便易携[6]。2015年，McLaren 发布了F1概念车MP4-X，司机佩戴头盔来控制汽车移动[7]。

但是，目前脑机接口在智能轮椅的应用还存在转弯角度不好控制[8]、信号分析准确率不高等一系列问题[9]。基于此，本研究设计实现了一个基于SSVEP的脑机接口系统，并与麦克纳姆轮轮椅相结合，该系统可以通过脑机接口控制轮椅的前进、后退、左向与右向运动。实验结果证实，该系统可以用较短时间，较高的准确率完成平面内任意位置的移动，证实了该系统的可行性与有效性。

2 系统实现

本研究提出的基于SSVEP的脑机接口智能轮椅的整体结构框图见图1，该系统由四部分构成：视觉刺激模块、EEG信号采集系统、EEG信号分析程序和轮椅控制系统。视觉刺激界面产生不同的频率刺激，EEG信号采集系统完成用户SSVEP信号的采集与放大功能，EEG信号分析程序完成SSVEP信号的频率分类功能，轮椅控制系统完成轮椅不同方向的运动功能。下面分别进行阐述。

图1基于SSVEP的脑机接口智能轮椅结构框图

Fig1FlowchartofintelligentwheelchairbasedonSSVEP

2.1 频率刺激界面

当受到外界图形或闪光等视觉刺激时，大脑皮质枕叶区神经细胞会自发产生特定的电活动变化，称为视觉诱发电位(visual evoked potential, VEP )[10]。SSVEP相对于其他脑电信号 ( 例如 P300、运动想象) 而言，具有无需训练[11]、识别准确率高、数据传输率高等特点，更适合应用于BCI系统中[7]。

本研究的视觉刺激模块利用MATLAB的Psychtoolbox (PTB) 工具箱实现，很好地解决了LCD刷新率受限的不足。视觉刺激模块采用刷新率 60 帧/秒的液晶显示器, 分辨率设置为1366×768 (像素)[12]。刺激目标由大小为150×150 (像素)的4个白色方块组成。本系统中, 刺激目标从上下左右闪烁频率分别为8、12、 10和14 Hz。系统开启后，轮椅控制中心通过发送信号控制频闪开启，频闪开始时刻以后1 s内被试者根据其控制意图一直看频闪(见图2(a))，1 s后EEG分析程序得出分析结果发送给控制中心，控制中心把结果反馈给频闪，此时频闪接收反馈、停止闪烁并把反馈对应区域颜色变蓝。反馈时长1 s。反馈结束后，控制中心控制轮椅做相应的移动，频闪模块再次闪烁，被试进入下一个命令发送期。视觉刺激界面反馈状态见图2(b)。

2.2 EEG信号采集系统

本系统采用的脑电信号采集设备是博睿康科技有限公司(Neuracle)的32通道无线脑电采集系统[11-12]，包括32导电极帽、无线脑电放大器以及无线路由器。EEG信号由用户产生，通过电极帽进行采集，由无线Wifi传送到EEG无线脑电放大器端，信号经放大后传输到后续的分析程序里进行信号分析。

图2视觉刺激界面，其中(a)为视觉刺激界面工作状态，(b)为视觉刺激界面反馈状态

Fig2Visualstimulationinterface, (a)istheworkingstateofthevisualstimulationinterface, (b)isthefeedbackstateofvisualstimulationinterface

2.3 EEG信号分析程序

2.3.1预处理 EEG预处理提高对EEG信号处理的准确性。对信号进行2～40 Hz的带通滤波，消除高频及工频干扰。滤波算法采用5阶Butterworth滤波器[13]。

2.3.2CCA理论 典型相关分析(canonical correlation analysis, CCA)是多元统计学的组成部分，是研究两组变量间相互关系的统计分析方法[14-15]。对两个多维信号X，Y来说，CCA方法试图找到一组矢量Wx，Wy，这一组矢量可以使向量x，y之间的相关系数达到最大，其中x=XTWx，y=YTWY。上述目的可以通过解决以下优化问题得到解决：

(1)

对Wx，Wy，求得最大的ρ，即是得到了最大的典型相关系数。

将CCA算法应用于SSVEP信号的分析时，X可以被设定为一组多通道脑电信号，Y被设定为一组参考信号，如式(2)：

(2)

(2)式中，N是谐波数量，f是刺激频率。

2.3.3实现算法 本研究计算CCA分辨频率的方法为重叠投票的方式。详细说来，重叠是指每40 ms给系统送入一个trial数据，这段数据是从该时刻起向前数一秒时间段的数据段。这样对于一秒数据的定义不是将连续的数据直接截断成一个个1 s一段的trial数据，而是相邻trial间的数据段是有重叠部分的，见图3，每隔40 ms取一个trial的数据。每一个trial的数据利用CCA方法进行频率的分析，得到一个目标频率。最后决策采用的是投票方式，也就是当前时刻的决策结果是前面25次连续决策得出的结论，25次决策中有超过半数结果相同即认为是当前决策结果，并向轮椅控制中心发送命令。所以信号的输出会有1 s的时间延迟。这样的策略更保证了系统判别的正确率，防止一次脑电突变影响判别的结果。

图3在线数据重叠方法

Fig3Onlinedataoverlapmethod

2.4 轮椅控制系统

轮椅的控制系统是Trio控制系统。Trio运动控制器的特点是用几条简单的指令就可以完成复杂的多轴协调运动。采用Mecanum轮作为轮椅的车轮，轮椅的前后方分别装有2个Mecanum轮，每个Mecanum轮的驱动是由自身单独的电机完成。特别的，Mecanum轮的移动方位特别灵活，可以在平坦的路面上全方向移动[16-18]。Mecanum轮之所以能在平面上自由移动，是由于它独有的构造。Mecanum轮的轮胎上是由很多类似圆柱形的小柱子组合而成，小柱子的个数是由特定的设计参数来决定的，Mecanum轮的结构见图4[16-18]。

图4 Mecanum轮的结构

3 实验设置与实验结果

实验共选取6名年龄18～24周岁的健康受试者，包括4名男性与2名女性，在安静、光照亮度略低的环境中进行。实验对象坐在麦克纳姆轮的轮椅上，眼睛距离视觉刺激模块约0.5 m。实验前，受试者均不需要接受SSVEP脑机接口的训练，受试者仅需明确需要完成的任务以及刺激界面中4个目标闪烁块的功能。

脑电信号采集器的采样频率设置为250 Hz，记录电极为Pz、P3、P4、PO3、PO4、PO7、O1、Oz、O2、PO8以及参考电极Cz，接地电极为FPz，导联位置符合国际10～20标准，实验中保持电极阻抗在5 kΩ以下。EEG分析系统在MATLAB平台上实现的，不只在线采集数据并且可以保存数据以便之后对数据做离线分析。

实验场景：实验路径为一个“井”字，见图5。每两个相邻点的距离为2 m。轮椅初始状态为静止状态，运行状态为匀速运动，运行速度为1 m/s。实验流程：为用户确定起始点和目标点，用户根据起点与终点进行路径规划，并通过注视频率刺激模块的相应方向模块控制轮椅的运动方向，控制轮椅由起点运动到终点。EEG分析程序每2 s产生一个命令，前1 s产生命令，后1 s反馈确认。轮椅向指定方向移动。在轮椅移动过程中，用户进行下一个命令的注视过程。若被试者在某点发出错误命令，则通过看频闪按原路返回此地点。六名被试者每人实验五次，记录下来被试者在每条行进路径中发送的命令数、发送的正确命令数以及到达本条路径终点所用时间。实验结果见表1，脑机接口轮椅实验场景见图6。

图5 脑机接口轮椅实验路径安排

Fig5BCIwheelchairexperimentalpatharrangement

图6 脑机接口轮椅实验场景图

被试行进路径发送命令数发送正确命令数到达目的地所用时间正确率(正确命令数/总命令数)(%)AA-I-J-G541492.3A-I-K-C3310A-I-J-L-D4412A-I-J-L-K-B7619 A-I-K-L-E-L-J-G7718BA-I-J-G-J-L-D661593.5A-I-K-L-E6517A-I-K-L-D4411A-I-K-L-D-L-J-G9823A-I-K-B-K-L-E6617CA-I-K-L-J-F761993.8A-I-J-G-J-L-D6616A-I-J-L-K-C5513A-I-J-L-K-I-J-F7718A-I-H-I-K-C7618DA-I-J-L-D-L-E661593.7A-I-K-L-D6516A-I-J-L-K-B5514 A-I-J-F-J-L-D6616A-I-J-G-J-L-K-B9823EA-I-J-L-K-C-K-I-H10 924 92.3A-I-J-F-J-L-K-B7 719A-I-K-C-K-L-J-F9 821A-I-K-L-E4 411A-I-J-L-E-L-K-C9 823FA-I-K-B-K-L-E6 616 94.11A-I-J-L-E-L-K-B9 822A-I-J-L-D-L-E6 615A-I-K-C-K-L-E8 719A-I-J-L-K-B5 514

由表1 的实验结果可以看出，每一名被试的五次实验结果中，都有三次发送出完全正确的控制命令，控制轮椅按照被试拟定的路径进行运动。系统处理1 s数据的时间可达到毫秒级，系统实时采集EEG信号几乎无延时，被试者无需训练。这个结果说明，本项目的基于SSVEP的脑机接口分析程序频率分辨率较高，准确率较高。同时，基于麦克纳姆轮的智能轮椅可以不用考虑左转、右转及转弯角度的问题，直接从起点运动到平面内的任意位置。

4 总结

本研究给出了基于SSVEP脑机接口的智能轮椅的总体设计方案，并且通过在线实验验证了智能轮椅的可行性及有效性。为了提高智能轮椅的实用性与灵活性，本研究选取带有麦克纳姆轮的轮椅，并且在轮椅上安置避障传感器。实验结果证明，本研究提出的智能轮椅运动系统可以较为准确地分析用户所要发出的控制命令(准确率>90%)，并可以在不考虑转弯及转弯角度的前提下，按照用户意图将智能轮椅运动到平面内的任意位置，为智能轮椅的运动提供了一个行之有效的方案。

虽然本研究提出的智能轮椅方案有效解决了轮椅转弯及转弯角度的问题，并且SSVEP信号分析的准确率也较高，但是在以下几方面仍有待进一步提高：(1)提高脑电信号分析的鲁棒性，将高准确率稳定下来；(2)缩短每一个控制的识别时间，提高被试的在线驾驭感受；(3)增加被试对智能轮椅速度的控制，提高被试对轮椅的控制能力。

随着脑机接口技术的不断发展和科研工作者的深入研究，基于SSVEP脑机接口的智能轮椅系统将逐步完善，并将在各个领域拥有更加广阔的应用前景。