基于SSVEP信號(hào)的下肢外骨骼機(jī)器人控制系統(tǒng)研究

引言

近年來,隨著現(xiàn)代醫(yī)療技術(shù)的進(jìn)步,人類的平均壽命不斷延長,導(dǎo)致人口老齡化危機(jī)加劇[1]。在這一背景下,中風(fēng)發(fā)病率預(yù)計(jì)將呈上升趨勢,為提高患者的運(yùn)動(dòng)能力,機(jī)器人在康復(fù)領(lǐng)域得到了廣泛的應(yīng)用,尤其是下肢外骨骼機(jī)器人[2]。這類機(jī)器人具有針對性訓(xùn)練神經(jīng)和肌肉系統(tǒng)的能力,為患者康復(fù)提供了一種有效途徑。

下肢外骨骼機(jī)器人是一種特殊的可穿戴機(jī)器人,其融合了控制、機(jī)械和其他相關(guān)技術(shù)。傳統(tǒng)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,傳統(tǒng)方法通常采用被動(dòng)輔助訓(xùn)練模式,互動(dòng)性較差。為提高人機(jī)交互性,研究人員嘗試通過腦電檢測患者的活動(dòng)意圖。通過分析大腦活動(dòng)時(shí)電信號(hào)的變化,利用計(jì)算機(jī)將電信號(hào)轉(zhuǎn)換成控制信號(hào),使穿戴者通過意念控制外部設(shè)備,例如腦控輪椅和腦控外骨骼[3]。盡管2014年巴西世界杯上展示了一種由美國杜克大學(xué)研發(fā)的腦控外骨骼,但目前這一技術(shù)仍在基礎(chǔ)研究階段,存在控制難度大、動(dòng)作幅度小和不夠精準(zhǔn)等問題。

針對上述腦控機(jī)器人的控制精度問題,為進(jìn)一步提高機(jī)器人的控制準(zhǔn)確性,本文以下肢外骨骼機(jī)器人康復(fù)助力為研究背景,構(gòu)建了一種基于SSVEP信號(hào)的下肢外骨骼機(jī)器人控制系統(tǒng)。本文旨在探討腦機(jī)接口技術(shù)在外骨骼機(jī)器人控制中的融合,改善傳統(tǒng)康復(fù)機(jī)器人的被動(dòng)訓(xùn)練模式,并提高人機(jī)交互性。

1系統(tǒng)構(gòu)成

1.1框架

基于SSVEP信號(hào)的下肢外骨骼機(jī)器人控制系統(tǒng)框架如圖1所示。受試者穿戴外骨骼設(shè)備,作為被控制端提供助力。EEG記錄采用德國Brain Products(BP)公司生產(chǎn)的64導(dǎo)腦電設(shè)備,包括:BrainAmps放大器和64導(dǎo)Ag/Agcl電極帽。電極基于國際標(biāo)準(zhǔn)導(dǎo)聯(lián)10—20系統(tǒng)(10—20 electrode system)安置,采集頻率設(shè)置為1 000 Hz。信號(hào)通過串口傳輸至上位機(jī)進(jìn)行分析處理,生成控制指令。然后,通過串口將指令發(fā)送至外骨骼模塊,以驅(qū)動(dòng)Simulink/Simscape中的仿真模型運(yùn)動(dòng)。外骨骼模塊一次只接收一個(gè)控制指令,且每個(gè)控制指令之間的時(shí)間間隔固定。

1.2下肢外骨骼機(jī)器人模塊

機(jī)器人通過串口接收腦控命令,髖、膝、踝關(guān)節(jié)各設(shè)1個(gè)自由度,實(shí)現(xiàn)跟隨穿戴者運(yùn)動(dòng)軌跡而運(yùn)動(dòng)。使用預(yù)先采集的下肢運(yùn)動(dòng)步態(tài)數(shù)據(jù)設(shè)置機(jī)器人各關(guān)節(jié)驅(qū)動(dòng)函數(shù)?；诘麻L三維步態(tài)與運(yùn)動(dòng)分析系統(tǒng)監(jiān)測3名成年男性在平地行走時(shí)的步態(tài),獲取關(guān)節(jié)數(shù)據(jù),并擬合光滑處理。選取最佳步態(tài)曲線作為機(jī)器人模塊的輸入。Simulink模型細(xì)節(jié)如圖2所示,動(dòng)力學(xué)仿真過程如圖3所示。

1.3腦電信號(hào)采集模塊

采集模塊由腦電帽、放大器、電極線等組成,同時(shí)配備專用的腦電采集和分析軟件Brainvision Recorder和Brain vision Analyzer2.0,能夠連續(xù)采集受試者各部位的腦電信號(hào)。由于實(shí)驗(yàn)研究重點(diǎn)集中在視覺功能區(qū)域的腦電變化,因此選擇大腦頂葉和枕葉區(qū)域的30個(gè)電極,導(dǎo)聯(lián)序號(hào)為34~42及44~64,參考電極為cz,如圖4所示。

2實(shí)驗(yàn)設(shè)計(jì)

針對實(shí)驗(yàn)中的數(shù)據(jù)采集環(huán)節(jié),由于采集要求嚴(yán)苛,故采用清華大學(xué)提供的Benchmark公開SSVEP數(shù)據(jù)集,替代數(shù)據(jù)采集環(huán)節(jié)[4]。該數(shù)據(jù)集共有64個(gè)活動(dòng)電極記錄35名受試者的腦電信號(hào)。SSVEP刺激通過一個(gè)虛擬鍵盤實(shí)現(xiàn),包含40種刺激頻率,信號(hào)采樣率為250 Hz,數(shù)據(jù)采集過程如圖5所示。

2.1數(shù)據(jù)預(yù)處理與特征提取

本節(jié)使用數(shù)據(jù)集的后30個(gè)受試者數(shù)據(jù)訓(xùn)練模型,用前5人數(shù)據(jù)進(jìn)行離線控制測試。為實(shí)現(xiàn)機(jī)器人啟動(dòng)和停止的二分類,選取W和S兩類數(shù)據(jù),頻率分別為14.4 Hz和10.4 Hz,每類210個(gè)樣本。鑒于深度學(xué)習(xí)模型對數(shù)據(jù)量的需求,對于導(dǎo)聯(lián)挑選后的數(shù)據(jù)進(jìn)行兩次數(shù)據(jù)劃分?jǐn)U充:去除刺激前后0.5 s數(shù)據(jù),以1.5 s時(shí)間窗和0.5 s步長對信號(hào)進(jìn)行分段。對每導(dǎo)聯(lián)信號(hào)進(jìn)行FFT處理,取單邊頻率信息,并分類提取實(shí)部和虛部。按照原導(dǎo)聯(lián)順序排列,拼接成60×188×1大小的特征矩陣。網(wǎng)絡(luò)使用的信號(hào)長度為1.5 s,采樣頻率為250 Hz,并將兩類標(biāo)簽設(shè)為1和—1。

2.2分類算法設(shè)計(jì)

本文設(shè)計(jì)的深度學(xué)習(xí)分類模型如圖6所示。該模型由6個(gè)層組成,包括1個(gè)輸入層、4個(gè)卷積層、1個(gè)全連接層和1個(gè)輸出層。模型通過卷積操作提取FFT變換得到的頻率和相位特征。卷積操作包括卷積、加偏置和激活三個(gè)步驟。卷積核對輸入特征進(jìn)行卷積,加偏置后,再經(jīng)過激活函數(shù),得到特征映射矩陣。該模型使用ReLU函數(shù)作為激活函數(shù),因?yàn)樗哂杏?jì)算簡單、避免梯度消失等優(yōu)點(diǎn)。

模型使用Matlab軟件編程,Adam優(yōu)化器訓(xùn)練,學(xué)習(xí)率為0.000 1,迭代批次數(shù)為150,批大小為100。硬件設(shè)備為:

CPU:Intel(R)Core(TM)i5-9600KF,內(nèi)存:16GB;

GPU:NVIDIA GeForce GTX 1650;

顯存:4 GB。

3結(jié)果

每名受試者參與同類的SSVEP有6個(gè)試次,通過數(shù)據(jù)劃分?jǐn)U充為48個(gè)樣本。前5人劃分的數(shù)據(jù)作為測試集,后30人數(shù)據(jù)作為訓(xùn)練集,并進(jìn)行交叉驗(yàn)證。具體識(shí)別結(jié)果如表1所示。

由表1可知,5名受試者SSVEP信號(hào)分類的平均準(zhǔn)確率為79.8%,其中3人超過80%,證明了本文設(shè)計(jì)的基于SSVEP信號(hào)的外骨骼機(jī)器人控制系統(tǒng)的有效性。

4討論

本文以BrainAmp腦電采集系統(tǒng)和Benchmark開源數(shù)據(jù)集為基礎(chǔ),構(gòu)建下肢外骨骼機(jī)器人控制系統(tǒng),并通過離線實(shí)驗(yàn)進(jìn)行驗(yàn)證。該系統(tǒng)通過SSVEP信號(hào)控制機(jī)器人移動(dòng),指令判別平均準(zhǔn)確率達(dá)79.8%,驗(yàn)證了系統(tǒng)的有效性。研究選用大腦頂葉和枕葉的30個(gè)電極,在保證BCI(腦機(jī)接口)性能的同時(shí),降低了計(jì)算量,為設(shè)計(jì)廉價(jià)可穿戴腦機(jī)接口提供了參考。

5結(jié)束語

本文構(gòu)建了基于SSVEP信號(hào)的下肢外骨骼機(jī)器人控制框架,并通過離線實(shí)驗(yàn)證實(shí)了其有效性,該系統(tǒng)有望在未來實(shí)際康復(fù)治療中應(yīng)用。未來的研究將專注于提高系統(tǒng)的實(shí)時(shí)性,為腦機(jī)接口技術(shù)在外骨骼機(jī)器人中的應(yīng)用提供理論基礎(chǔ)和技術(shù)支持。