CN109143891A - 一种生物机器人脑电信号遥控遥测模型 - Google Patents

Abstract

本发明公开了一种生物机器人脑电信号遥控遥测模型，在计算机上模拟脑电信号时间序列，其产自一个确定的非线性系统，但是表现出很强的似随机性，非线性时间序列分析分为两步：第一，用已知的数据序列重构系统的动态空间；第二，对重构的动力学系统进行特性分析。采用指时延嵌法对由嵌入数据序列得到的重构后的动力学系统进行定量分析；T‑S模糊模型的规则输出采用线性方程表示，通过机理分析的方法建立精确T‑S模型，将基于T‑S模型有效地应用于脑电混沌信号分析中。本发明的有益效果是本发明在混沌信号T‑S模糊模型的基础上，最终获得脑电混沌系统的T‑S精确模型，为生物机器人的研发提供理论基础。

Description

一种生物机器人脑电信号遥控遥测模型

技术领域

本发明属于生物机器人技术领域，涉及一种生物机器人脑电信号遥控遥测模型。

背景技术

“生物机器人”也称为“半电子人(cyborg)”，其原理是，根据动物运动行为的神经生物学原理，选取活体动物的相关脑区，将运动功能和现代电子技术、传感技术、网络控制等技术结合来实现对动物脑电(EEG)信号的人为控制。由于生物机器人研究在神经科学与工程、国家安全等领域具有重要的理论和应用价值，特别是它具有天然隐蔽性和抗恶劣外部(如雷电、大风等)干扰以及具备自身运动能源供给等突出优点，目前已经成为备受关注的国内外前沿研究课题之一。自上世纪90年代末，科学界开始研究生物机器人运动控制技术，它是电子信息技术、微制造技术和神经生物学高度发展与相互融合的产物，是目前交叉学科发展最活跃的领域之一。到目前为止，绝大部分生物机器人运动控制均为开环控制。如果能够实现对生物机器人的闭环控制(即遥控+遥测)，使得生物机器人可以脱离实验室环境、克服生物疲劳性、增强适应性以及可靠实现预期运动行为控制等方面具有重要意义。进入21世纪后，神经生物学和电子学的高速发展，在多年动物实验的实践基础上，应用于人体的早期植入设备被设计及制造出来，用于恢复损伤的听觉、视觉和肢体运动能力。随着研究的深入，一些研究者开始对脑电信号的非线性特点进行了进一步的探讨，越来越多的观点认为脑电可能是高维混沌信号，并致力于发展适合分析可能是源自于高维系统的脑电的非线性分析方法。自然界中的非线性是普遍存在的，动物大脑更是一个典型的非线性系统，同时脑电的非线性研究是非线性科学中的一个重要部分。一方面，基于脑电非线性特征，设计给予动物大脑相匹配的特定刺激，可能进一步提高遥控的精准性，这就要求实时检测脑电信号并加以分析，即遥测；另一方面，生物机器人在搜寻、搜救和探测等军民应用领域亦要求在遥控的同时能实时采测动物的神经信号用于对特定任务的效果进行实时评估。本项目针对以往的生物机器人开环控制和脑电信号具有非线性特点，充分融合神经生物学和混沌理论方法，研究生物机器人闭环控制方法及其行为模式，以期进一步提高遥控的精准性和生物机器人执行任务的“鲁棒性”。

传统的脑电信号分析方法主要包括时域分析和频域分析，时域分析主要通过脑电信号进行统计分析，直接提取波形特征，比较直观；频域分析是脑电分析及临床应用中普遍采用的分析方法，基于傅立叶变换或参数模型估计分析脑电信号功率谱分布，能够定量地分析各频段脑电信号的分量，为分析诊断脑电信号提供重要的参考信息，但是频域分析平滑了脑电瞬态信息，且功率谱估计是以脑电的准平稳为前提的。随着数字信号处理理论和方法的发展，脑电分析的注意力也逐步集中到信号的瞬时变化上，时频分析被广泛地应用于分析非平稳时变的脑电信号，主要有小波变换。与傅立叶变换相比，小波变换是时间(空间)和频率的局部化分析，通过伸缩和平移等运算功能对信号进行多尺度细化分析，广泛应用于脑电信号分析。20世纪70年代以来，非线性动力学(Nonlinear dynamics)的各种理论方法得到迅速发展。1975年T.Y.Li和J.Yorke将“混沌”(Chaos)一词引入到周期映射分析中后，混沌理论逐渐被应用于神经生物学、生理学以及天体物理学等领域中。1986年Aihara等研究了枪乌贼的巨轴突，发现在受到外加的周期性电刺激时，会出现混沌的发放模式，神经放电节律转化遵循分形规律，一个单独的神经细胞就是一个高度的非线性系统，构成神经网络的单元已经如此复杂，可以想象整个神经网络工作时的复杂程度。由此可见，脑电中包含了大量非线性单元(结构)活动的信息，由巨量神经元及其突触形成的神经网络完全有可能使脑电表现出混沌特性。自从1985年Babloyantz等人首先发表了人类睡眠II期和IV期的脑电是混沌这一研究成果，出现大量的脑电非线性动力学研究报导，计算脑电的相关维数和最大的李雅普诺夫指数，研究者认为脑电是低维的混沌信号。然而，由于基于混沌的分析方法对脑电信号的数据长度及平稳度要求较高，且对脑电信号中的噪声很敏感，尤其是只有信号具有低维混沌特性时，才能得到精确的结果。人们同时还发现经过滤波后的噪声也可出现有限的、非整数关联维数和正李亚普诺夫指数值，另外1/f型线性随机系统也可产生同样的结果。因此，人们对脑电是否是低维的混沌信号提出了疑问，解决上述理论问题成为本项目的主要研究动机和目标之一。本研究属于应用基础研究，研究生物机器人脑电信号遥控遥测方法及其行为模式。利用脑-机接口技术，实现生物机器人脑电信号与计算机的有效交互，通过选择合适的隶属度函数，模糊规则和各种参数，获得与原脑电系统完全等价的T-S模糊模型，然后通过机理分析的方法建立脑电混沌系统的T-S精确模型，研究从EEG序列中提取出的动力学特征能否很好地刻画动物大脑功能状态、认知水平和行为模式。这些成果将有助于推动神经科学和电子学、控制科学等交叉科学的研究，使人们更加明确脑电和行为之间的联系。

发明内容

本发明的目的在于提供一种生物机器人脑电信号遥控遥测模型，本发明的有益效果是本发明在混沌信号T-S模糊模型的基础上，最终获得脑电混沌系统的T-S精确模型，为生物机器人的研发提供理论基础。

本发明所采用的技术方案是：

第一阶段：数值仿真阶段；

在计算机上模拟脑电信号时间序列，其产自一个确定的非线性系统，但是表现出很强的似随机性，非线性时间序列分析分为两步：第一，用已知的数据序列重构系统的动态空间；第二，对重构的动力学系统进行特性分析。采用指时延嵌法对由嵌入数据序列得到的重构后的动力学系统进行定量分析；

第二阶段：混沌系统建模阶段；

T-S模糊模型的规则输出采用线性方程表示，通过机理分析的方法建立精确T-S模型，将基于T-S模型有效地应用于脑电混沌信号分析中。

进一步，T-S模糊模型的混沌系统精确建模方法:

脑电混沌信号表示为如下形式：

其中，Ax(t)和f(x(t))分别表示混沌信号的线性部分和非线性部分，为混沌信号的常数项，根据非线性项f(x(t))的不同表现形式给出不同的T-S精确建模方法：

情况1 f(x(t))中只含有唯一的非线性项，对于这类混沌信号，选择非线性项中的任一个状态变量作为模糊规则的前件变量，每个前件变量取两个模糊子空间，其隶属度函数分别为：

其中，p₁为前件变量，为不失一般性，采用以下模糊规则：

R¹:

R²:

其中，x(t)＝(x₁(t),x₂(t),x₃(t),x₄(t))^Τ；

对于上述模糊规则基，采用单点模糊集合，直积运算采用求积发，清晰化采用加权平均法，得到此类混沌系统的T-S精确模型：

情况2 f(x(t))中只含有多个非线性项，对于这类混沌信号，选择非线性项中的某两个状态变量作为模糊规则的前件变量，模糊规则的隶属度函数如下：

F₁₂(p₂(t))＝F₂₂(p₂(t))＝F₃₁(p₁(t))＝F₄₁(p₁(t))＝1

其中，p₁和p₂为前件变量，为不失一般性，选择x₁(t)和x₂(t)作为模糊规则的前件变量，得到如下模糊规则：

R¹:

R²:

R³:

R⁴:

其中，x(t)＝(x₁(t),x₂(t),x₃(t),x₄(t))^Τ，同样可以得到此类混沌系统的T-S精确模型：

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

本发明一种生物机器人脑电信号遥控遥测模型，包括以下两个阶段：

第一阶段：数值仿真阶段

在计算机上模拟脑电信号时间序列，其产自一个确定的非线性系统，但是表现出很强的似随机性，非线性时间序列分析大致分为两步：第一，用已知的数据序列重构系统的动态空间；第二，对重构的动力学系统进行特性分析。采用指时延嵌法(Time delayembedding)对由嵌入数据序列得到的重构后的动力学系统进行定量分析。

第二阶段：混沌系统建模阶段

由于混沌系统是一种特殊的非线性系统，其主要特点是对参数和初始条件的极端敏感性。T-S模糊模型的规则输出采用线性方程表示。通过机理分析的方法建立精确T-S模型，将基于T-S模型有效地应用于脑电混沌信号分析中。

基于T-S模糊模型的混沌系统精确建模方法:

脑电混沌信号可以表示为如下形式：

其中，Ax(t)和f(x(t))分别表示混沌信号的线性部分和非线性部分，为混沌信号的常数项。根据非线性项f(x(t))的不同表现形式给出不同的T-S精确建模方法。

情况1 f(x(t))中只含有唯一的非线性项，对于这类混沌信号，可以选择非线性项中的任一个状态变量作为模糊规则的前件变量，每个前件变量取两个模糊子空间，其隶属度函数分别为：

其中，p₁为前件变量，为不失一般性，采用以下模糊规则：

R¹:

R²:

其中，x(t)＝(x₁(t),x₂(t),x₃(t),x₄(t))^Τ。

对于上述模糊规则基，采用单点模糊集合，直积运算采用求积发，清晰化采用加权平均法，可以得到此类混沌系统的T-S精确模型：

情况2 f(x(t))中只含有多个非线性项，对于这类混沌信号，可以选择非线性项中的某两个状态变量作为模糊规则的前件变量，模糊规则的隶属度函数如下：

F₁₂(p₂(t))＝F₂₂(p₂(t))＝F₃₁(p₁(t))＝F₄₁(p₁(t))＝1

其中，p₁和p₂为前件变量。为不失一般性，选择x₁(t)和x₂(t)作为模糊规则的前件变量，则可以得到如下模糊规则：

R¹:

R²:

R³:

R⁴:

其中，x(t)＝(x₁(t),x₂(t),x₃(t),x₄(t))^Τ。同样可以得到此类混沌系统的T-S精确模型：

该模型应用过程如下：

实验包括数值仿真实验和混沌系统建模两个阶段。

第一阶段：数值仿真阶段

在计算机上模拟脑电信号时间序列，其产自一个确定的非线性系统，但是表现出很强的似随机性，非线性时间序列分析大致分为两步：第一，用已知的数据序列重构系统的动态空间；第二，对重构的动力学系统进行特性分析。采用指时延嵌法(Time delayembedding)对由嵌入数据序列得到的重构后的动力学系统进行定量分析。

第二阶段：混沌系统建模阶段

由于混沌系统是一种特殊的非线性系统，其主要特点是对参数和初始条件的极端敏感性。T-S模糊模型的规则输出采用线性方程表示，第i条规则形式如下：

Rⁱ：

该模型是将输入空间进行模糊划分，形成若干个模糊子空间，每个子空间采用线性模型描述，并通过隶属度函数来实现整体的非线性。考虑如下形式的连续T-S模糊规则基：

Rⁱ:

其中，i＝1,2…,l，l为模糊规则数；x(t)∈Rⁿ和u(t)∈R^m分别为系统的状态变量和输入变量；A(i)∈R^n×n和B(i)∈R^n×m分别为系统矩阵和输入矩阵；p₁(t),p₂(t),…,p_q(t)为前件变量；F_ij为模糊集合，i＝1,2…,q；b∈Rⁿ为常向量。采用单点模糊化，乘积推理和加权平均解模糊化，可得到如下形式全局T-S模糊模型：

其中

M_ij(p_j(t))为前件变量p_j(t)在模糊集合M_ij中的隶属度，且有

设则式(4)可以等价地表示为

有下式成立：

因此，μ_i(p(t))可以看作第i条模糊规则在整个T-S系统中的权重。由以上几式可见当混沌系统参数处于临界状态时，参数的微小变化可能引起混沌系统的动力特征发生质的变化。

以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (2)

1.一种生物机器人脑电信号遥控遥测模型，其特征在于：

第一阶段：数值仿真阶段；

在计算机上模拟脑电信号时间序列，其产自一个确定的非线性系统，但是表现出很强的似随机性，非线性时间序列分析分为两步：第一，用已知的数据序列重构系统的动态空间；第二，对重构的动力学系统进行特性分析。采用指时延嵌法对由嵌入数据序列得到的重构后的动力学系统进行定量分析；

第二阶段：混沌系统建模阶段；

T-S模糊模型的规则输出采用线性方程表示，通过机理分析的方法建立精确T-S模型，将基于T-S模型有效地应用于脑电混沌信号分析中。

2.按照权利要求1所述一种生物机器人脑电信号遥控遥测模型，其特征在于：所述T-S模糊模型的混沌系统精确建模方法:

脑电混沌信号表示为如下形式：

其中，Ax(t)和f(x(t))分别表示混沌信号的线性部分和非线性部分，为混沌信号的常数项，根据非线性项f(x(t))的不同表现形式给出不同的T-S精确建模方法：

情况1 f(x(t))中只含有唯一的非线性项，对于这类混沌信号，选择非线性项中的任一个状态变量作为模糊规则的前件变量，每个前件变量取两个模糊子空间，其隶属度函数分别为：

其中，p₁为前件变量，为不失一般性，采用以下模糊规则：

其中，x(t)＝(x₁(t),x₂(t),x₃(t),x₄(t))^Τ；

对于上述模糊规则基，采用单点模糊集合，直积运算采用求积发，清晰化采用加权平均法，得到此类混沌系统的T-S精确模型：

情况2 f(x(t))中只含有多个非线性项，对于这类混沌信号，选择非线性项中的某两个状态变量作为模糊规则的前件变量，模糊规则的隶属度函数如下：

F₁₂(p₂(t))＝F₂₂(p₂(t))＝F₃₁(p₁(t))＝F₄₁(p₁(t))＝1

其中，p₁和p₂为前件变量，为不失一般性，选择x₁(t)和x₂(t)作为模糊规则的前件变量，得到如下模糊规则：

其中，x(t)＝(x₁(t),x₂(t),x₃(t),x₄(t))^Τ，同样可以得到此类混沌系统的T-S精确模型：