CN105708587B - 一种运动想象模式脑机接口触发的下肢外骨骼训练方法及系统 - Google Patents

Abstract

本发明公开了一种运动想象模式脑机接口触发的下肢外骨骼训练方法及系统，包括：根据预设的运动想象任务测量使用者的脑电样本信号；信号预处理，去除信号噪声；用共同空间模式对信号进行变换，提取和选择特征；利用变换后的信号建立使用者的脑电信号分类器模板；使用者欲运动时，将使用者实时的运动想象脑电信号经过步骤S2的预处理和步骤S3的公共空间模式变换后，输入步骤S4得到的脑电信号分类器模板，决策使用者的运动想象脑电信号的类别，输出分类结果给下肢外骨骼控制器，控制运动动作。本发明解决了现有控制方式的不自然、有局限性、设计复杂、使用不便等缺陷，让下肢外骨骼系统的适应能力更强，控制灵活性增强，扩大了受用群体。

Description

一种运动想象模式脑机接口触发的下肢外骨骼训练方法及 系统

技术领域

本发明涉及康复医疗与工程器械领域，特别是涉及一种运动想象模式脑机接口触发的下肢外骨骼训练方法及系统。

背景技术

下肢外骨骼机器人是一种物理人机耦合系统，种类多样，从功能上说，可以分为两种：一种是辅助老年人、残疾人和运动功能部分丧失的病人行走的外骨骼；另一种就是增强正常人人体机能的外骨骼。不同的外骨骼系统有不同的控制方式，目前的下肢外骨骼训练系统主要分为操作者控制、预编程控制、主从控制、地面反作用力控制、肌电信号控制等控制方式，还没有引入脑电信号与脑机接口触发的控制方式。

对于目前已有的控制方式，主要缺陷如下：

1、操作者控制方式的缺点是：操作者的上肢只能用来发布命令，而不能进行其他活动，并且操作者必须连续不停的发布命令，不仅浪费了体力，而且操作者的运动也变得不自然。而对于上肢运动功能部分丧失的病人来说，发布命令也变得相当困难。

2、有些外骨骼装置通过预先编好的程序来运行，操作者只能进行有限的干预，比如停止或开始，所有这些基于程序控制的系统都需要患者使用手杖或者额外的辅助框架来保持操作者行走的稳定，而且实现的运动形式也十分有限。

3、主从控制一般用于远程机器人操作系统，目的是令远方的机器模拟操作者的动作，这就要求在系统设计时，在从外骨骼的内部预留人和主外骨骼的活动空间，使得系统的设计变得相当复杂。

4、地面反作用力控制方式的缺陷是：其控制方法严格依赖于系统的动态模型，而骨骼服是一个多刚体、多自由度的非线性系统，想要建立其准确的数学模型十分困难。

5、肌电控制方式有其固有的缺点：在关节力矩和肌肉的EMG信号之间不可能找到一个一对一的关系；为了确定肌力与关节力矩之间的关系，肌力力臂也要被确定，而力臂通常随关节角度的变化而变化。由于肌力力臂与外表面EMG信号的强度，及肌力力臂与肌肉力间的关系都随个体的不同而不同，故任何基于外表面EMG信号的控制器都是针对某个操作者的个性化设备；在激烈运动下，容易脱落、易位，长时间运动后，人体出汗会影响传感器的测量；传感器每次都要贴到人体表面，使用不便。

发明内容

本发明的目的在于克服现有技术的不足，提供一种为了保证下肢外骨骼机器人物理人机耦合的高效性，使控制方式更加灵活，操作更加简单，实现的运动形式更加多样化，扩大适用群体的运动想象模式脑机接口触发的下肢外骨骼训练方法及系统。

本发明的目的是通过以下技术方案来实现的：

本发明提出的运动想象模式脑机接口触发的下肢外骨骼训练方法是基于EEG信号控制的康复机器人行为意图识别方法。一方面，EEG信号是测量人体生理信息最灵敏的指标之一，另一方面，采集EEG信号的设备造价低廉，设备更加小巧，便于移动。目前，小型的EEG采集设备已经投入使用并具有噪声去除的功能，EEG具有毫秒级别的时间分辨率。当人处在行走状态或者处于想象行走这种具有行走意图的状态时，会产生具有特征的EEG信号。通过对这种信号的处理和分析，提取出信号特征，并将信号特征与行走特征相关联，形成一种EEG与行走意图之间的关系，通过这种关系触发康复机器人的运动。在本发明中，我们首先对使用者采集运动想象EEG信号做分类训练，接下来再利用其EEG信号触发控制下肢外骨骼。

一种运动想象模式脑机接口触发的下肢外骨骼训练方法，包括以下步骤：

S1：根据预设的运动想象任务测量使用者的脑电样本信号；

S2：对步骤S1所采集到的脑电样本信号进行预处理，去除信号噪声；

S3：用共同空间模式对信号进行变换，将不同大脑区域产生的脑电信号投影到相应的脑电图位置处，提取和选择特征；

S4：利用变换后的信号建立使用者的脑电信号分类器模板；

S5：使用者欲运动(想象左腿或右腿迈步)时，将使用者实时的运动想象脑电信号经过步骤S2的预处理和步骤S3的公共空间模式变换后，输入步骤S4得到的脑电信号分类器模板，决策使用者的运动想象脑电信号的类别，输出分类结果给下肢外骨骼控制器，控制下肢外骨骼执行相应运动动作。

所述步骤S2包括以下子步骤：

S201：数据重组；

S202：添加事件信息；

S203：添加电极位置信息；

S204：去均值；

S205：频域滤波；

S206：空间域滤波；

S207：事件相关电位ERP；

S208：功率谱；

S209：事件相关功率扰动。

所述的频域滤波步骤使用FIR滤波器对脑电信号进行频域滤波，FIR滤波器的数学表达式为：其中，y[n]表示滤波器输出，x[n]表示滤波器输入信号，h[n]表示单位冲击响应。

所述的空间域滤波步骤从观测信号中将源信号分离出来，信号分离方法采用独立成分分析ICA方法，ICA基础模型：假设每通道观测到的信号为x_k(i)，则：x_k(i)＝a_i1s_k(1)+a_i2s_k(2)+...+a_iMs_k(M)，其中，s_k(j)表示相互独立的源信号，a_ij表示源信号s_k(j)在观测信号x_k(i)中所占的权重。

所述步骤S4采用线性判别分析方法，抽取分类信息的同时压缩特征空间的维数，投影后的模式样本在新的子空间中具有最大类间距离和最小类内距离，即模式样本投影后具有最佳的分离性g(x)＝w^Tx+ω₀，其中w是权重向量，ω₀是阈值；

对于两分类问题，判别函数的定义如下：

设类间离散度矩阵为：

类内离散度矩阵为：

其中为所有模式样本的均值，表示第i类样本均值；

线性判别分析将脑电信号的分类问题转化为寻找低维空间，使得投影到该空间的类间距离与类内距离之间的比值最大；

根据上述思想，设最优投影矩阵为W_opt，根据线性判别准则表达式的定义，求得：

基于运动想象模式脑机接口触发的下肢外骨骼训练方法的系统，包括EEG信号采集模块、数据预处理模块、共同空间模式处理模块、脑电信号分类器模块和下肢外骨骼控制模块；

EEG信号采集模块用于根据预设的运动想象任务测量使用者的脑电样本信号；

数据预处理模块用于对采集到的脑电样本信号进行预处理，去除信号噪声；

共同空间模式处理模块用于使用共同空间模式对信号进行变换，将不同大脑区域产生的脑电信号投影到相应的脑电图位置处，提取和选择特征；

脑电信号分类器模块用于利用共同空间模式变换后的信号建立使用者的脑电信号分类器模板；

使用者欲运动时，将使用者实时的运动想象脑电信号经过数据预处理模块的预处理和共同空间模式处理模块的公共空间模式变换后，输入脑电信号分类器模块得到的脑电信号分类器模板，决策使用者的运动想象脑电信号的类别，输出分类结果给下肢外骨骼控制模块，下肢外骨骼控制模块用于控制下肢外骨骼执行相应运动动作。

本发明的有益效果是：

1)本发明提供的触发控制方式解决了现有的控制方式的不自然、有局限性、设计复杂、使用不便等缺陷，让下肢外骨骼系统的适应能力更强，控制灵活性增强，扩大了受用群体。

2)在记录脑电信号的过程中常常伴随有并非来源于大脑皮层的噪声信号，对原始EEG数据进行自动去除噪声，可有效提高EEG信号的信噪比和可靠性。每通道采集到的脑电信号都会受到该电极附近信号的干扰，也就是说14个通道采集到的脑电信号是不同来源的脑电信号的混叠，空间滤波可以从观测信号中将源信号分离出来，提高源信号可靠度。

3)使用共同空间模式将不同大脑区域产生的脑电信号投影到相应的脑电图位置处，该方法大大降低了分类器的输入特征向量的维度，同时又最大限度地保证了不同心理任务相互容易区分的特征。

附图说明

图1为本发明整体方法流程图；

图2为物理人机紧耦合系统的信息处理过程图；

图3为数据预处理流程图；

图4为使用者想象右腿迈步和想象左腿迈步状态的共同空间模式图；

图5为下肢外骨骼触发控制原理图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图2所示，物理人机紧耦合系统的信息处理过程如下：首先由人体获取信息并处理信息，完成决策(人体意图)，执行运动动作。

如图1所示，一种运动想象模式脑机接口触发的下肢外骨骼训练方法，包括以下步骤：

S1：根据预设的运动想象任务测量使用者的脑电样本信号，做分类训练；让使用者佩戴EEG信号采集硬件设备Emotive，通过数据采集软件储存EEG信号。

运动想象脑电数据采集设备包含了数据采集硬件和软件系统，数据采集硬件是EASYCAP改装的Emotive脑电采集设备，数据采集软件为Emotive开发包。数据采集的电极位置选择了14个电极，信号参考电极位于中线位置处Cz电极前2厘米处，接地电极位于中线位置Fz电极前2厘米处。首先采集使用者的脑电信号做样本训练，设计出使用者的脑电信号分类器。运动想象任务分为两种：想象右腿迈步、想象左腿迈步。根据预设的两类任务，采集使用者N组数据，每组t秒。

S2：在记录脑电信号的过程中常常伴随有并非来源于大脑皮层的噪声信号，需要对步骤S1所采集到的脑电样本信号进行预处理，包括添加事件信息、添加电极位置信息、去均值、去除信号噪声等；

如图3所示，所述步骤S2包括以下子步骤：

S201：数据重组；

S202：添加事件信息；

S203：添加电极位置信息；

S204：去均值；

S205：频域滤波；所述的频域滤波步骤使用FIR(Finite Impulse Response，单位冲击响应)滤波器对脑电信号进行频域滤波，FIR滤波器的数学表达式为：其中，y[n]表示滤波器输出，x[n]表示滤波器输入信号，h[n]表示单位冲击响应。

S206：空间域滤波；每通道采集到的脑电信号都会受到该电极附近信号的干扰，也就是说14个通道采集到的脑电信号是不同来源的脑电信号的混叠。空间域滤波的目的是从观测信号中将源信号分离出来。本专利使用的信号分离方法是独立成分分析(ICA)方法。

ICA基础模型：假设每通道观测到的信号为x_k(i)，则：x_k(i)＝a_i1s_k(1)+a_i2s_k(2)+...+a_iMs_k(M)，其中，s_k(j)表示相互独立的源信号，a_ij表示源信号s_k(j)在观测信号x_k(i)中所占的权重。

S207：事件相关电位ERP；

S208：功率谱；

S209：事件相关功率扰动。

S3：用共同空间模式对信号进行变换，将不同大脑区域产生的脑电信号投影到相应的脑电图位置处，提取和选择特征；该方法大大降低了分类器的输入特征向量的维度，同时又最大限度地保证了不同心理任务相互容易区分的特征。

使用者想象右腿迈步和想象左腿迈步状态的共同空间模式如图4所示。

S4：利用变换后的信号建立使用者的脑电信号分类器模板；该步骤采用线性判别分析方法(Linear Discriminant Analysis，LDA)，其目的是抽取分类信息的同时压缩特征空间的维数，投影后的模式样本在新的子空间中具有最大类间距离和最小类内距离，即模式样本投影后具有最佳的分离性。

g(x)＝w^Tx+ω₀，其中w是权重向量，ω₀是阈值；

对于两分类问题，判别函数的定义如下：

设类间离散度矩阵为：

类内离散度矩阵为：

其中为所有模式样本的均值，表示第i类样本均值；

线性判别分析将脑电信号的分类问题转化为寻找低维空间，使得投影到该空间的类间距离与类内距离之间的比值最大；

根据上述思想，设最优投影矩阵为W_opt，根据线性判别准则表达式的定义，可求得：

S5：经过上一步骤，使用者的两类脑电信号分类器已经设计出来。使用者欲运动(想象左腿或右腿迈步)时，将使用者实时的运动想象EEG信号经过步骤S2和步骤S3后，输入已有的分类器，决策EEG信号的类别，将决策的结果输入至外骨骼控制器，再通过控制器发送控制命令于外骨骼髋关节与膝关节执行设备，控制下肢外骨骼运动。如图5所示，如果分类结果为A类，则外骨骼将迈出左腿，如果分类结果为B类，则外骨骼将迈出右腿。

基于运动想象模式脑机接口触发的下肢外骨骼训练方法的系统，包括EEG信号采集模块、数据预处理模块、共同空间模式处理模块、脑电信号分类器模块和下肢外骨骼控制模块；

EEG信号采集模块用于根据预设的运动想象任务测量使用者的脑电样本信号；

数据预处理模块用于对采集到的脑电样本信号进行预处理，去除信号噪声；

共同空间模式处理模块用于使用共同空间模式对信号进行变换，将不同大脑区域产生的脑电信号投影到相应的脑电图位置处，提取和选择特征；

脑电信号分类器模块用于利用共同空间模式变换后的信号建立使用者的脑电信号分类器模板；

使用者欲运动时，将使用者实时的运动想象脑电信号经过数据预处理模块的预处理和共同空间模式处理模块的公共空间模式变换后，输入脑电信号分类器模块得到的脑电信号分类器模板，决策使用者的运动想象脑电信号的类别，输出分类结果给下肢外骨骼控制模块，下肢外骨骼控制模块用于控制下肢外骨骼执行相应运动动作。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (5)

1.一种运动想象模式脑机接口触发的下肢外骨骼训练方法，其特征在于，包括以下步骤：

S1：根据预设的运动想象任务测量使用者的脑电样本信号；

S2：对步骤S1所采集到的脑电样本信号进行预处理，去除信号噪声；

S3：用共同空间模式对信号进行变换，将不同大脑区域产生的脑电信号投影到相应的脑电图位置处，提取和选择特征；

S4：利用变换后的信号建立使用者的脑电信号分类器模板；

S5：使用者欲运动时，将使用者实时的运动想象脑电信号经过步骤S2的预处理和步骤S3的公共空间模式变换后，输入步骤S4得到的脑电信号分类器模板，决策使用者的运动想象脑电信号的类别，输出分类结果给下肢外骨骼控制器，控制下肢外骨骼执行相应运动动作；

所述步骤S4采用线性判别分析方法，抽取分类信息的同时压缩特征空间的维数，投影后的模式样本在新的子空间中具有最大类间距离和最小类内距离，即模式样本投影后具有最佳的分离性g(x)＝w^Tx+ω₀，其中w是权重向量，ω₀是阈值；

对于两分类问题，判别函数的定义如下：

设类间离散度矩阵为：

类内离散度矩阵为：

其中为所有模式样本的均值，表示第i类样本均值；

线性判别分析将脑电信号的分类问题转化为寻找低维空间，使得投影到该空间的类间距离与类内距离之间的比值最大；

根据上述思想，设最优投影矩阵为W_opt，根据线性判别准则表达式的定义，求得：

<mrow> <msub> <mi>W</mi> <mrow> <mi>o</mi> <mi>p</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mi>arg</mi> <mi> </mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mfrac> <mrow> <mo>|</mo> <mrow> <msup> <mi>W</mi> <mi>T</mi> </msup> <msub> <mi>S</mi> <mi>B</mi> </msub> <mi>W</mi> </mrow> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mrow> <msup> <mi>W</mi> <mi>T</mi> </msup> <msub> <mi>S</mi> <mi>W</mi> </msub> <mi>W</mi> </mrow> <mo>|</mo> </mrow> </mfrac> <mo>.</mo> </mrow>

2.根据权利要求1所述的一种运动想象模式脑机接口触发的下肢外骨骼训练方法，其特征在于：所述步骤S2包括以下子步骤：

S201：数据重组；

S202：添加事件信息；

S203：添加电极位置信息；

S204：去均值；

S205：频域滤波；

S206：空间域滤波；

S207：事件相关电位ERP；

S208：功率谱；

S209：事件相关功率扰动。

3.根据权利要求2所述的一种运动想象模式脑机接口触发的下肢外骨骼训练方法，其特征在于：所述的频域滤波步骤使用FIR滤波器对脑电信号进行频域滤波，FIR滤波器的数学表达式为：其中，y[n]表示滤波器输出，x[n]表示滤波器输入信号，h[n]表示单位冲击响应。

4.根据权利要求2所述的一种运动想象模式脑机接口触发的下肢外骨骼训练方法，其特征在于：所述的空间域滤波步骤从观测信号中将源信号分离出来，信号分离方法采用独立成分分析ICA方法，ICA基础模型：假设每通道观测到的信号为x_k(i)，则：x_k(i)＝a_i1s_k(1)+a_i2s_k(2)+...+a_iMs_k(M)，其中，s_k(j)表示相互独立的源信号，a_ij表示源信号s_k(j)在观测信号x_k(i)中所占的权重。

5.基于权利要求1所述的运动想象模式脑机接口触发的下肢外骨骼训练方法的系统，其特征在于：包括EEG信号采集模块、数据预处理模块、共同空间模式处理模块、脑电信号分类器模块和下肢外骨骼控制模块；

EEG信号采集模块用于根据预设的运动想象任务测量使用者的脑电样本信号；

数据预处理模块用于对采集到的脑电样本信号进行预处理，去除信号噪声；

共同空间模式处理模块用于使用共同空间模式对信号进行变换，将不同大脑区域产生的脑电信号投影到相应的脑电图位置处，提取和选择特征；

脑电信号分类器模块用于利用共同空间模式变换后的信号建立使用者的脑电信号分类器模板；

使用者欲运动时，将使用者实时的运动想象脑电信号经过数据预处理模块的预处理和共同空间模式处理模块的公共空间模式变换后，输入脑电信号分类器模块得到的脑电信号分类器模板，决策使用者的运动想象脑电信号的类别，输出分类结果给下肢外骨骼控制模块，下肢外骨骼控制模块用于控制下肢外骨骼执行相应运动动作。