腦-機(jī)接口BCI(Brain-Computer Interface)是一種利用腦部神經(jīng)發(fā)出的信息與計算機(jī)或其他外部設(shè)備通信的系統(tǒng)^[1]。基于頭皮的腦電信號可以反映大腦的不同狀態(tài)，且記錄簡單、無創(chuàng)，能夠?qū)崟r地進(jìn)行信號的提取和分類，在目前腦-機(jī)接口研究中是最多的^[2]。

    傳統(tǒng)的輪椅人機(jī)交互由聲音、搖桿和按鍵等實現(xiàn)。然而對于高位癱瘓不具備語言能力的人來說，通過BCI這種技術(shù)可以很好地幫助他們實現(xiàn)意念控制外部設(shè)備的愿望。目前隨著BCI技術(shù)的發(fā)展，實現(xiàn)大腦控制外部設(shè)備變得越來越有可能。在國外，F(xiàn)arwell等人就利用腦電信號中的P300開發(fā)了虛擬打字機(jī)，可以實現(xiàn)意念控制文字的輸入^[3]。同時，在現(xiàn)有腦電控制的智能輪椅系統(tǒng)中，可以利用閉眼放松的腦電信號的Alpa波和左右手運動想象腦電信號的Beta波來實現(xiàn)對輪椅的控制^[4]。而腦電信號很微弱且易受外部環(huán)境的干擾^[5]，其處理的算法也非常復(fù)雜。對于利用腦電信號進(jìn)行控制的系統(tǒng)，處理腦電的步驟一般包括信號的濾波、特征提取、信號分類和轉(zhuǎn)換。腦電特征提取方法主要有小波(包)分析、功率譜法和共空間模型等。而腦電信號的分類方法中最主要的包括線性判別法、支持向量機(jī)法和人工神經(jīng)網(wǎng)絡(luò)等^[6]。

    由于腦機(jī)接口的研究很復(fù)雜，許多處理算法也只是處于離線的理論研究階段，實際操作的可靠性也有待提高。本文主要研究了腦電數(shù)據(jù)的離線處理方法，運用AR模型估計方法驗證了想象數(shù)據(jù)的可分離性，然后使用感知器算法對信號的特征進(jìn)行分類，并基于BCI2000平臺將其轉(zhuǎn)換為控制信號，達(dá)到了控制外部輪椅設(shè)備的目的。該操作平臺的優(yōu)點是：不利用人體的肢體動作就可以實現(xiàn)對輪椅運動方向的控制，成本較低，為行動有障礙的殘疾人士提供了一個自由的控制平臺，對今后進(jìn)一步實現(xiàn)輪椅的集成控制有重要意義。

1 BCI2000試驗平臺

    BCI2000是一種能描述任意BCI系統(tǒng)的模型，該模型由4個相互聯(lián)系的功能模塊構(gòu)成：數(shù)據(jù)獲取模塊（數(shù)據(jù)的采集和存儲）、信號處理模塊、用戶應(yīng)用程序模塊、操作員模塊，如圖1所示。這4個模塊各自分離，并通過TCP/IP協(xié)議進(jìn)行相互通信^[7]。

    在BCI2000系統(tǒng)運行過程中，每次數(shù)據(jù)獲取模塊獲得一組腦電數(shù)據(jù)后，就發(fā)送給信號處理模塊，在此對腦電數(shù)據(jù)進(jìn)行信號的特征提取和模式分類，并將分類的結(jié)果轉(zhuǎn)化為控制命令發(fā)送給用戶應(yīng)用模塊。每個模塊各自實現(xiàn)自己的功能，它們之間的通信協(xié)議不受信號的通道數(shù)和采樣率、信號處理的復(fù)雜度和所需要控制的外部設(shè)備等因素的限制^[7]。

2 腦電信號分析

2.1 特征分析

    在想象運動中Mu節(jié)律的能量高低及分布可用于對數(shù)據(jù)進(jìn)行分類，并且可以通過訓(xùn)練用戶控制Mu節(jié)律的能量高低和分布狀況來實現(xiàn)對外部設(shè)備的控制[8]。本設(shè)計利用Mu節(jié)律的能量幅值變化來研究人腦下達(dá)不同運動意識指令時EEG的表現(xiàn)特征，并且將時域特征與頻域特征結(jié)合作為時頻特征。實驗中，利用刺激界面使被試者進(jìn)行左右手運動的想象動作，從提示到結(jié)束的時間為9 s，同時記錄下被試者的腦電數(shù)據(jù)，將通過電腦采集的腦電數(shù)據(jù)存儲到計算機(jī)內(nèi)。最后利用MATLAB進(jìn)行數(shù)據(jù)分析，提取腦電數(shù)據(jù)的特征向量。

    Mu節(jié)律處于(8～12)Hz頻帶，由于Mu節(jié)律在運動皮層區(qū)域記錄，與人體運動功能緊密相關(guān)^[9]，選取5階帶通橢圓濾波器對實驗數(shù)據(jù)進(jìn)行(8～12)Hz帶通濾波，濾波后想象左手運動的兩個通道的波形如圖2所示。

    同時采用Burg算法對原始腦電信號進(jìn)行AR模型譜估計。經(jīng)過試驗發(fā)現(xiàn)，選取階次為10能使得預(yù)測誤差功率最小，得到的分類效果較為理想。圖3為腦電數(shù)據(jù)在基于Burg算法下的AR模型譜估計圖。

    經(jīng)過了時域和頻域分析后，將時域特征和頻域特征結(jié)合起來，組成時頻聯(lián)合特征作為分類特征向量，用于后續(xù)的分類研究。

2.2 信號分類

    采用改進(jìn)的線性感知器準(zhǔn)則作為訓(xùn)練分類器準(zhǔn)則，使得平均分類準(zhǔn)確率達(dá)到 77.1%，分類效果良好。另外，在探索最佳分類特征時間段的過程中，采用類似于在線分析的方法，易于知道在在線分類時(如以1.5 s為時間段進(jìn)行順移的在線分類時)什么時候進(jìn)行分類檢測效果最好，為實現(xiàn)在線分類提供良好的參考。

    利用感知器算法對樣本特征進(jìn)行分類，基本算法如下：

    (1)設(shè)各個權(quán)矢量的初值為0，即w₁=w₂=…=w_M=0，M為分類數(shù)。

    (2)第k次輸入一個樣本X(k)，計算第k次迭代計算的結(jié)果為：

    循環(huán)執(zhí)行第(2)步，直到輸入所有的樣本權(quán)重都不需要修正為止^[10]。

3 控制系統(tǒng)的組成及構(gòu)架

    腦控智能輪椅的控制系統(tǒng)主要由腦電采集裝置、運行于電腦的BCI2000軟件平臺、藍(lán)牙輸出、電機(jī)控制等部分組成。該控制系統(tǒng)的結(jié)構(gòu)圖如圖4所示。

3.1 EEG信號采集和處理

    腦電信號采集使用Emotive采集裝置，采樣率為128 Hz，電極按照國際10-20標(biāo)準(zhǔn)電極安放法安放。電極位置如圖5所示。

    分別采集運動想象的腦電數(shù)據(jù)，進(jìn)一步得到特征所在通道，想象右手時在FC6上有明顯變化，同理從采集的波形及后面的離線分析中選擇FC5和FC6作為分析通道。同時眨眼信號由F7通道采集。其中“CMS”和“DRL”是參考電極。

    由Emotiv設(shè)備采集的信號為頭皮的原始腦電信號，同時將信號進(jìn)行放大和數(shù)字化，得到數(shù)字化的EEG信號。BCI2000腦機(jī)接口平臺具備數(shù)據(jù)采集模塊，此時使該平臺能夠收集到Emotiv腦電采集裝置的信號，完成配置工作將系統(tǒng)順利調(diào)通。Emotiv.exe應(yīng)用程序讀取采集軟件Emotiv的腦電采集信號，鏈接成功后的采集界面如圖6所示。

    StimulusPresentation.exe應(yīng)用程序會顯示所設(shè)計的刺激界面，如圖7所示，提示使用者進(jìn)行左右手的運動想象。采集器的參數(shù)設(shè)置如表1所示。

    選擇通道FC5、FC6通道進(jìn)行信號處理。利用MATLAB編寫信號處理程序，獲得感覺運動節(jié)律參數(shù)，利用已驗證的算法進(jìn)行特征的提取和分類，同時轉(zhuǎn)換為相應(yīng)的控制指令。 

3．2 外部接口程序

    BCI2000的外部程序接口(AppConnector)提供了BCI2000與運行在同一計算機(jī)或局域網(wǎng)內(nèi)其他不同計算機(jī)上的外部程序進(jìn)行雙向數(shù)據(jù)交換的通道[7]。通過外部程序接口，外部應(yīng)用程序可以讀/寫B(tài)CI2000的狀態(tài)向量和控制信息。BCI2000從ConnectorInputAddress參數(shù)指定的本地IP socket上讀取AppConnector信息，并把信息寫進(jìn)ConnectorOutputAddress參數(shù)指定的socket上，socket由一個地址/端口組合來指定，地址與端口之間用冒號來指定，實驗設(shè)定為localhost：20230。

    利用AppConnector接口來控制外部設(shè)備意味著外部設(shè)備必須在BCI2000之外完成，相應(yīng)的參數(shù)不隨數(shù)據(jù)文件一起存儲。建立外部應(yīng)用程序，此程序基于MFC創(chuàng)建，首先創(chuàng)建一個UDP socket，通過讀取ResultCode狀態(tài)來獲取分類結(jié)果，通過設(shè)置端口來監(jiān)聽所設(shè)置的UDP端口的信息，讀取由SignalProcessing計算得到的控制信號。所以創(chuàng)建基于MFC的UDP監(jiān)聽程序時，將監(jiān)聽到的控制信息利用SerialPort類轉(zhuǎn)換為USB輸出。轉(zhuǎn)換程序如下：

    void CIPDlg::OnSend()

    {

        //TODO：Add your control notification handler code here

        if(!m_bOpenPort) return; 

            //檢查串口是否打開，如果沒打開，則退出

          m_Port.WriteToPort((LPCTSTR)getbate);//發(fā)送數(shù)據(jù)

    }

    在此，USB輸出連接藍(lán)牙通信模塊，把控制信息以藍(lán)牙的形式輸出到輪椅電機(jī)的控制模塊處。當(dāng)把基于藍(lán)牙傳輸?shù)腢SB口插進(jìn)電腦時，所創(chuàng)建的wheelchair control interface軟件會自動識別串口，聯(lián)通傳輸信號。此時，只需把電腦放在輪椅附近處，就可以讓使用者在不攜帶電腦的情況下，達(dá)到控制輪椅運動的目的。上位機(jī)如圖8所示。

3.3 硬件電路實現(xiàn)

    控制信號經(jīng)過藍(lán)牙傳輸模塊給控制板，控制板接收到控制信號，繼而驅(qū)動電機(jī)控制模塊控制電機(jī)轉(zhuǎn)動，實現(xiàn)控制輪椅的運動。考慮對芯片性能的要求和實際的接口應(yīng)用，選擇STM32F103單片機(jī)作為主控芯片。STM32F103有專門為電機(jī)控制而設(shè)定的高級定時器，帶有6個死區(qū)時間可編程的PWM輸出通道，同時其帶有的緊急制動可以在異常情況出現(xiàn)時強(qiáng)迫PWM信號輸出保持在一個預(yù)定好的安全狀態(tài)，在具備高性能表現(xiàn)的同時保持了低功耗特性[11]。控制器部分電路圖如圖9所示。

    模塊由MCU(STM32F103)、藍(lán)牙接收模塊、LED顯示三大部分組成，主要工作原理為：藍(lán)牙模塊接收電腦USB輸出的腦電信號，傳至MCU進(jìn)行信號的識別，進(jìn)而控制電機(jī)的運轉(zhuǎn)，達(dá)到控制輪椅方向的目的。由于電動輪椅使用蓄電池供電，實驗中利用蓄電池給控制板供電，電源轉(zhuǎn)換電路如圖10所示。

4 結(jié)果分析

    本文利用BCI2000開源軟件，連接Emotiv腦電采集裝置，對智能輪椅的控制系統(tǒng)進(jìn)行了硬件和軟件的設(shè)計，實現(xiàn)了意念控制輪椅的目的。通過實驗結(jié)果可以得到，在利用BCI2000的基礎(chǔ)上，結(jié)合MFC程序，把腦電信號的采集、識別、分類和傳輸?shù)裙δ芎铣蔀橐粋€平臺，有助于簡化硬件電路的復(fù)雜性。這樣可以降低硬件處理的復(fù)雜度，同時降低了系統(tǒng)的成本，具有較高的應(yīng)用價值。

    隨著腦-機(jī)接口技術(shù)的不斷發(fā)展，研究者開發(fā)的各種開源的軟件平臺，可以方便使用者直接使用現(xiàn)有的處理工具，為腦-機(jī)接口的研究提供了便利，并進(jìn)一步促進(jìn)了該技術(shù)的發(fā)展。本文基于開源軟件BCI2000搭建的腦-機(jī)接口系統(tǒng)實現(xiàn)了實驗參數(shù)的設(shè)計和算法的加載，并實現(xiàn)使用該平臺與利用MFC編程的軟件相互通信的功能，同時控制信號與控制模塊通過藍(lán)牙通信，實現(xiàn)了腦電信號便捷地控制電動輪椅運動的目標(biāo)。

參考文獻(xiàn)

[1] VAUGHAN T M，HEETDERKS W J，TREJI L J，et al.Guest editorial brain-computer interface technology[J].IEEE Trans.on Rehabilitation Engineering，2003，11(2)：94-107.

[2] 鄒鶴良，李遠(yuǎn)清，龍錦益，等.基于腦機(jī)接口集成控制系統(tǒng)[J].計算機(jī)工程與應(yīng)用，2012，48(8)：76-78.

[3] FARWELL La，DONCHIN E.Talking off the top of your head：A mental prosthesis utilizing event-related brain potentials[J].Electroenceph.Clin.Neurophysiol，1988，70(6)：510-523.

[4] 張毅，羅明偉，羅元，等.基于腦電?琢/?茁波的智能輪椅人機(jī)交互[J].華中科技大學(xué)學(xué)報，2013，41(7)：109-114.

[5] 謝宏，顏林，姚楠,等.基于ADS1298的新型腦電信號采集前端設(shè)計[J].電子技術(shù)應(yīng)用，2013，39(4)：75-78.

[6] 顏世玉，劉沖，趙海濱，等.基于小波包的意識腦電特征提取[J].儀器儀表學(xué)報，2012，33(8)：1748-1751.

[7] SCHALK G，MELLINGER J.BCI2000與腦機(jī)接口[M].胡三清，譯.北京：國防工業(yè)出版社，2011.

[8] 廖彩萍，李遠(yuǎn)清，趙慧.基于運動想象的腦電信號的分類研究[J].自動化與儀表，2008(4)：1-4.

[9] 李坤，褚蕾蕾，朱世東，等.基于mu節(jié)律能量的運動意識分類研究[J].計算機(jī)技術(shù)與發(fā)展，2006，16(8)：157-159.

[10] 徐國根，賈瑛.模式識別與智能計算的MATLAB實現(xiàn)[M].北京：北京航空航天大學(xué)出版社，2012.

[11] 蒙博宇.STM32自學(xué)筆記[M].北京：北京航空航天大學(xué)出版社，2012.