基于SSVEP信号的下肢外骨骼机器人控制系统研究

陈熙来 丛佩超 万东宝 李文彬

摘要：为了降低脑控下肢外骨骼机器人的研发成本，促进脑机接口技术的快速发展，提出一种基于深度学习与Matlab/

Simulink联合仿真控制方法。该方法建立具有多个自由度的下肢外骨骼机器人样机模型，并进行运动学仿真，验证模型的合理性。利用EEGLAB对SSVEP信号进行滤波预处理，通过FFT变换将信号从时域转换到频域，提取SSVEP信号的频域特征。结合深度学习理论对特征进行分类，将分类结果转换成控制指令，控制仿真模型进行运动。实验结果表明，该方法控制的平均准确率达到了79.8%，验证了其可行性。

关键词：脑机接口；SSVEP；深度学习；下肢外骨骼机器人；Matlab/Simulink

中图分类号：TN911.7；TP242.3    文献标志码：A    文章编号：1671-0797（2024）07-0042-04

DOI：10.19514/j.cnki.cn32-1628/tm.2024.07.011

0    引言

近年来，随着现代医疗技术的进步，人类的平均寿命不断延长，导致人口老龄化危机加剧[1]。在这一背景下，中风发病率预计将呈上升趋势，为提高患者的运动能力，机器人在康复领域得到了广泛的应用，尤其是下肢外骨骼机器人[2]。这类机器人具有针对性训练神经和肌肉系统的能力，为患者康复提供了一种有效途径。

下肢外骨骼机器人是一种特殊的可穿戴机器人，其融合了控制、机械和其他相关技术。传统的外骨骼控制主要包括位置控制、力控制和位置力混合控制。然而，传统方法通常采用被动辅助训练模式，互动性较差。为提高人机交互性，研究人员尝试通过脑电检测患者的活动意图。通过分析大脑活动时电信号的变化，利用计算机将电信号转换成控制信号，使穿戴者通过意念控制外部设备，例如脑控轮椅和脑控外骨骼[3]。尽管2014年巴西世界杯上展示了一种由美国杜克大学研发的脑控外骨骼，但目前这一技术仍在基础研究阶段，存在控制难度大、动作幅度小和不够精准等问题。

针对上述脑控机器人的控制精度问题，为进一步提高机器人的控制準确性，本文以下肢外骨骼机器人康复助力为研究背景，构建了一种基于SSVEP信号的下肢外骨骼机器人控制系统。本文旨在探讨脑机接口技术在外骨骼机器人控制中的融合，改善传统康复机器人的被动训练模式，并提高人机交互性。

1    系统构成

1.1    框架

基于SSVEP信号的下肢外骨骼机器人控制系统框架如图1所示。受试者穿戴外骨骼设备，作为被控制端提供助力。EEG记录采用德国Brain Products（BP）公司生产的64导脑电设备，包括：BrainAmps放大器和64导Ag/AgCl电极帽。电极基于国际标准导联10-20系统（10-20 electrode system）安置，采集频率设置为1 000 Hz。信号通过串口传输至上位机进行分析处理，生成控制指令。然后，通过串口将指令发送至外骨骼模块，以驱动Simulink/Simscape中的仿真模型运动。外骨骼模块一次只接收一个控制指令，且每个控制指令之间的时间间隔固定。

1.2    下肢外骨骼机器人模块

机器人通过串口接收脑控命令，髋、膝、踝关节各设1个自由度，实现跟随穿戴者运动轨迹而运动。使用预先采集的下肢运动步态数据设置机器人各关节驱动函数。基于德长三维步态与运动分析系统监测3名成年男性在平地行走时的步态，获取关节数据，并拟合光滑处理。选取最佳步态曲线作为机器人模块的输入。Simulink模型细节如图2所示，动力学仿真过程如图3所示。

1.3    脑电信号采集模块

采集模块由脑电帽、放大器、电极线等组成，同时配备专用的脑电采集和分析软件BrainVision Recorder和Brain Vision Analyzer2.0，能够连续采集受试者各部位的脑电信号。由于实验研究重点集中在视觉功能区域的脑电变化，因此选择大脑顶叶和枕叶区域的30个电极，导联序号为34～42及44～64，参考电极为Cz，如图4所示。

2    实验设计

针对实验中的数据采集环节，由于采集要求严苛，故采用清华大学提供的Benchmark公开SSVEP数据集，替代数据采集环节[4]。该数据集共有64个活动电极记录35名受试者的脑电信号。SSVEP刺激通过一个虚拟键盘实现，包含40种刺激频率，信号采样率为250 Hz，数据采集过程如图5所示。

2.1    数据预处理与特征提取

本节使用数据集的后30个受试者数据训练模型，用前5人数据进行离线控制测试。为实现机器人启动和停止的二分类，选取W和S两类数据，频率分别为14.4 Hz和10.4 Hz，每类210个样本。鉴于深度学习模型对数据量的需求，对于导联挑选后的数据进行两次数据划分扩充：去除刺激前后0.5 s数据，以1.5 s时间窗和0.5 s步长对信号进行分段。对每导联信号进行FFT处理，取单边频率信息，并分类提取实部和虚部。按照原导联顺序排列，拼接成60×188×1大小的特征矩阵。网络使用的信号长度为1.5 s，采样频率为250 Hz，并将两类标签设为1和-1。

2.2    分类算法设计

本文设计的深度学习分类模型如图6所示。该模型由6个层组成，包括1个输入层、4个卷积层、1个全连接层和1个输出层。模型通过卷积操作提取FFT变换得到的频率和相位特征。卷积操作包括卷积、加偏置和激活三个步骤。卷积核对输入特征进行卷积，加偏置后，再经过激活函数，得到特征映射矩阵。该模型使用ReLU函数作为激活函数，因为它具有计算简单、避免梯度消失等优点。

模型使用Matlab软件编程，Adam优化器训练，学习率为0.000 1，迭代批次数为150，批大小为100。硬件设备为：

1）CPU：Intel（R） Core（TM） i5-9600KF，内存：16 GB；

2）GPU：NVIDIA GeForce GTX 1650；

3）显存：4 GB。

3    结果

每名受试者参与同类的SSVEP有6个试次，通过数据划分扩充为48个样本。前5人划分的数据作为测试集，后30人数据作为训练集，并进行交叉验证。具体识别结果如表1所示。

由表1可知，5名受试者SSVEP信号分类的平均准确率为79.8%，其中3人超過80%，证明了本文设计的基于SSVEP信号的外骨骼机器人控制系统的有效性。

4    讨论

本文以BrainAmp脑电采集系统和Benchmark开源数据集为基础，构建下肢外骨骼机器人控制系统，并通过离线实验进行验证。该系统通过SSVEP信号控制机器人移动，指令判别平均准确率达79.8%，验证了系统的有效性。研究选用大脑顶叶和枕叶的30个电极，在保证BCI（脑机接口）性能的同时，降低了计算量，为设计廉价可穿戴脑机接口提供了参考。

5    结束语

本文构建了基于SSVEP信号的下肢外骨骼机器人控制框架，并通过离线实验证实了其有效性，该系统有望在未来实际康复治疗中应用。未来的研究将专注于提高系统的实时性，为脑机接口技术在外骨骼机器人中的应用提供理论基础和技术支持。

[参考文献]

[1] 和明杰.中国与世界人口老龄化进程及展望对比研究[J].老龄科学研究，2023，11（12）：36-51.

[2] TIAN D K，LI W T，LI J K，et al.Self-balancing exoskeleton robots designed to facilitate multiple rehabilitation training movements[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2024，32：293-303.

[3] WANG F，WEN Y Z，BI J Y，et al.A portable SSVEP-BCI system for rehabilitation exoskeleton in augmented reality environment[J].Biomedical Signal Processing and Control，2023，83：1.1-1.10.

[4] WANG Y J，CHEN X G，GAO X R，et al.A benchmark dataset for SSVEP-based brain–computer interfaces[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2016，25（10）：1746-1752.

收稿日期：2024-02-27

作者简介：陈熙来（1997—），男，湖北人，硕士研究生，研究方向：下肢外骨骼机器人、脑机接口。

通信作者：丛佩超（1980—），男，吉林人，博士，副教授，研究方向：智能化移动机器人的自主导航与控制问题。