CN114936574A - 一种基于bci的高灵活度机械手系统及其实现方法 - Google Patents
一种基于bci的高灵活度机械手系统及其实现方法 Download PDFInfo
- Publication number
- CN114936574A CN114936574A CN202210453358.4A CN202210453358A CN114936574A CN 114936574 A CN114936574 A CN 114936574A CN 202210453358 A CN202210453358 A CN 202210453358A CN 114936574 A CN114936574 A CN 114936574A
- Authority
- CN
- China
- Prior art keywords
- finger
- movement
- bci
- eeg
- manipulator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000033001 locomotion Effects 0.000 claims abstract description 74
- 230000009471 action Effects 0.000 claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 210000003811 finger Anatomy 0.000 claims description 60
- 210000003813 thumb Anatomy 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 14
- 238000005452 bending Methods 0.000 claims description 13
- 230000005057 finger movement Effects 0.000 claims description 13
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 210000004932 little finger Anatomy 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 4
- 229910021607 Silver chloride Inorganic materials 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000002567 electromyography Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 210000004761 scalp Anatomy 0.000 claims description 3
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 claims description 3
- 210000004247 hand Anatomy 0.000 claims description 2
- 210000004556 brain Anatomy 0.000 abstract description 9
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000012706 support-vector machine Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007659 motor function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 210000000337 motor cortex Anatomy 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 208000018360 neuromuscular disease Diseases 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明涉及脑机接口的技术领域，具体为一种基于BCI的高灵活度机械手控制系统及其实现方法。一、在训练中采集大脑运动区多通道EEG信号，对采集的信号进行预处理及伪影去除后，采用二次时频分布即Choi‑Williams分布对脑电信号进行分析；二、采用两层分类框架增强识别精度，以识别出活动手指，其次对每个被识别的手指执行的动作进行解码并输出决策值完成分类模型；三、将在线获取的脑电信号经由计算机决策判别为机械手的控制指令，通过TCP/IP与机械手系统进行通信，控制其完成指定的动作。本发明具有精准、高仿真的特点，该系统能够准确进行不同手指不同动作的精细识别，为手部运动功能损伤患者与特定环境需要提供技术支持及拓展思路。
Description
技术领域
本发明涉及脑电信号与外部环境进行直接交互，具体为一种基于BCI的高灵活度机械手系统及其实现方法。
背景技术
有很多患有严重的神经性肌肉疾病或神经障碍以及因事故导致丧失自由运动和控制部分肢体的能力的患者，他们无法满足正常日常生活需求，然而这些患者中大多数仍保留了正常人产生运动功能相关神经活动的能力，BCI是在脑与外部环境之间建立一种全新的不依赖于外周神经和肌肉的交流与控制通道，从而实现脑与外部设备的直接交互。因此，脑-机接口技术有望提高丧失或部分丧失运动能力者的独立性，使其重新融入社会，降低社会成本。
在过去的十年里，研究人员开发了基于EEG的BCI系统，解码出了较大的身体部位活动以及运动想象产生的脑电，包括手、脚和舌头等，基于BCI的机器人控制系统已经被广泛应用于机器人、轮椅等各种现代自控领域中。
通过采集脑电信号并分析，控制外部设备实现一定的目的，可以使四肢运动受损者实现正常的生活，例如：中国专利文献“一种假手柔顺抓取操作的串行多模态脑控方法”(专利申请号201510988443.0)设计了一种假手柔顺抓取物体的方法，受试通过视觉刺激识别要实现的动作，在此基础上通过采集4种面部表情所产生的脑电信号，处理后产生控制上肢机器臂的控制指令进而控制假手完成4种既定的动作，但是，与这篇专利一样，现今绝大多数现有的基于EEG的BCI系统都只能通过分析大脑活动并产生有限数量的控制信号(通常少于五个控制信号)，控制信号的数量限制了通过BCI系统来控制更复杂的辅助设备的能力，如高灵活度的假肢和机械手，因为这些设备需要大量的控制信号来执行各种任务。
近年来，很少有研究人员研究由精细部位运动产生的脑电分类，例如同一只手的每个手指的运动、手腕的运动，以及与抓握有关的动作，以增加基于EEG的BCI系统控制信号的数量，对于一只手内不同手指的运动进行解码比对较大的身体部位活动进行解码要困难得多，因为同一只手的手指运动会激活动感觉运动皮层中相对较小且较近的区域，因此使用EEG这种空间分辨率相对较低的神经成像模式进行分析这种精细部位的运动是比较困难的。
本发明设计了一种可以辨别同一只手的不同手指多种运动的高灵活度机械手，包括各手指屈伸及拇指的内收、外展共十二种动作。通过采用Choi-Williams分布对脑电信号进行分析，并采用两层分类框架增强识别精度，提升分类效果，增强BCI系统输出控制信号的数量，使得通过脑-机接口操控的外界辅助设备实现精细动作意图的识别，具有更高的灵活性、精准性、高仿真的特点，为康复治疗及特定环境的需要提供技术支持及拓展思路。
实用新型内容
本发明旨在提出一种设计合理的基于BCI的高灵活度机械手系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于BCI的高灵活度机械手控制系统及其实现方法，其特征在于：所述方法包括以下步骤：
一、对采集的信号进行预处理及伪影去除后，采用二次时频分布即Choi-Williams分布对脑电信号进行分析；
二、采用两层分类框架增强识别精度，以识别出活动手指，其次对每个被识别的手指执行的动作进行解码并输出决策值完成分类模型；
三、将在线获取的脑电信号经由计算机决策判别为机械手的控制指令，通过TCP/IP与机械手系统进行通信，控制其完成指定的动作。
具体的：采用BioSemi Active Two EEG系统，使用11个Ag/AgCl电极以2048Hz的采样率记录EEG信号，根据10-20国际电极放置系统，将使用的EEG电极布置在头皮上的以下位置：F3、F4、Fz、C3、C4、Cz、P3、P4、Pz、T7和T8，参考电极为C1、C2记录的脑电信号被降采样到256Hz，并通过带宽为0.5-35Hz的带通滤波器进行滤波，此外采用了自动去除伪影工具箱，以减少滤波脑电信号中的肌电和眼电的伪影。
进一步的：进行离线训练时，首先受试者将手臂放在桌子上，放松手臂保持舒适状态；然后将计算机屏幕放置在桌子上，屏幕与受试者的距离约为70cm，用于显示各种视觉提示，单个轮次流程共包含四个阶段持续时间为11s，第一阶段为准备阶段，屏幕正中央出现一个白圈，持续2s提示受试者本轮实验开始，需要调整好自身状态；接下来的3s是提示期，每个提示都会通知被试进行特定手指完整的弯曲运动和一个完整的伸展运动，或者提示使用拇指进行充分的内收运动和一个充分的外展运动；之后会出现黑屏想象期，持续4s，被试根据提示期提示的动作进行一次想象运动，如提示“拇指弯曲伸展”，则被试进行拇指的想象动作，以此类推；最后是放松期，持续1s，被试放松手部保持放松状态，准备下一轮实验进行。
进一步的：提取使用者运动想象产生的脑电后使用了一个滑动窗口，将每个电极的EEG信号分成一组重叠的片段，实现每个段的大小为256个样本，任意两个连续段之间的重叠为128个样本，然后对每个EEG段计算Choi-Williams分布，得出脑电信号的时频表示。
具体的：为了计算Choi-Williams分布，使用了一个滑动窗口，将每个电极的EEG信号分成一组重叠的片段，实现每一个EEG段的大小为256各样本点，任意两个连续的EEG段之间有128个采样点的重叠。
进一步的：在分析脑电信号时先计算其解析信号x(t)，其次计算x(t)的Choi-Williams分布ρx(t,f)，由于计算出的基于Choi-Williams分布的时频表示的维度太高，采用了归一化Renyi熵和能量集中特性，其中归一化Renyi熵F1量化了EEG段内能量分布的规律性，能量集中特性F2提供了一种可以描述EEG段内能量传播的度量方法。
具体的：在特征分类中采用两层分类框架，以同时识别同一只手内的每个活动手指，并对每个被识别的手指执行的动作进行解码，第一层分类器采用带有RBF核函数的多类SVM分类方法，分析每个输入的特征向量以识别同一只手内活动的手指，而无需解码出所识别的活动的手指执行的动作，第一层分类器C11将每个输入的特征向量分配给以下五个不同的运动类别之一：拇指运动(1),食指运动(2)，中指运动(3)，无名指运动(4)，小指运动(5)，此后，输入的特征向量将传递到第二分类层，该层由带有RBF核函数的五个不同的SVM分类器组成，第二个分类层中每个分类器都与特定的手指相关联，即对特定的手指执行的运动进行解码，第二层的第一个分类器C21为多类SVM分类器，它将在第一层识别为拇指(1)类的特征向量分为四个与拇指相关的运动之一，即拇指的内收(6)、外展(7)、弯曲(8)、伸展(9)运动。剩下的四个SVM分类器C22、C23、C24、C25均为二分类，分别对应其余四指的屈、伸运动，当第一层分类器识别出食指(2)运动，那么第二层的第二个分类器将会将输入的特征向量分为两个与食指相关的运动之一，即食指的弯曲(10)、伸展(11)运动。以此类推可将中指的运动分类为：中指的弯曲(12)、伸展(13)；可将无名指的运动分类为：无名指的弯曲(14)、伸展(15)；可将小指的运动分类为：小指的弯曲(16)、伸展(17)。
进一步的：将离线采集到的实验数据构建分类模型，然后通过计算机利用分类模型对在线采集到的脑电进行决策判别，就可得到基于此分类模型对使用者运动想象的识别结果，输出相应的决策值，根据输出的不同决策值，将相应的指令通过TCP/IP传输到机械手完成相应的动作。
与现有技术相比，本发明的有益效果是：
1、对同一只手的五个手指的十二种动作进行识别，使得脑-机接口系统操作更加灵活，同时在信号分析时采用二次时频分布即Choi-Williams分布的时频表示，并采用了归一化Renyi熵和能量集中特性，其中归一化Renyi熵量化了EEG段内能量分布的规律性，能量集中特性提供了一种可以描述EEG段内能量传播的度量方法，使得特征提取获得更好的效果；
2、在特征分类时采用两层分类框架通过带有RBF核函数的多类SVM先判别了运动的手指，进而在第二分类层采用与特定的手指相关的分类器判别对应手指的执行动作保证了系统的分类性能，增加分类的准确性，从而实现了输出多类控制信号的功能，并提高了多任务分类的准确性；
3、本发明可实现高仿真的特点，能够更加精确的表达使用者的意图，更好的贴合特定场合的应用需要，也可在医疗方面为运动障碍患者提供神经康复训练，满足不同用户的使用需求。
附图说明
图1为本发明的系统结构示意图；
图2为本发明的实验范式示意图；
图3为本发明的算法流程示意图；
图4为本发明的特征提取示意图；
图5为本发明的分类框架示意图。
本发明涉及的名词解释
脑机接口BCI(Brain-Computer Interface)；
脑电图EEG(Electroencephalogram)；
径向基RBF(Radial Basis Function)；
支持向量机SVM(Support Vector Machine)；
运动想象MI(Motor Imagery)。
具体实施方式
本发明设计了一种可以辨别同一只手的不同手指多种运动的高灵活度机械手，包括各手指屈伸及拇指的内收、外展共十二种动作，通过采用Choi-Williams分布对脑电信号进行分析，并采用两层分类框架增强识别精度，提升分类效果，增强BCI系统输出控制信号的数量，使得通过脑-机接口操控的外界辅助设备实现精细动作意图的识别，具有更高的灵活性、精准性、高仿真的特点，为康复治疗及特定环境的需要提供技术支持及拓展思路。
BCI可以不依赖于大脑正常的输出通路，实现大脑思维与外界环境的直接沟通。基于MI(Motor Imagery)的脑-机接口技术是主动式BCI中最主要的范式之一，能够直接反映使用者的主观运动意识，而不需要使用者明显的动作输出。
MI-BCI在运动功能辅助、运动功能康复等方面具有潜在的应用价值，因此受到了广泛的关注，目前，MI-BCI的主要问题是基于无创脑电信号的识别精度不高，尤其是对于运动想象发生部位的空间定位精度低，因此，在目前的康复治疗或者实际操作中，用户只能通过MI-BCI进行一些简单的动作，从而对MI-BCI的应用形成了严重的制约。
本发明设计了一种新型的基于BCI的高灵活度机械手系统，通过分类出多类的控制信号实现机械手的高仿真效果，不仅可以应用于更多的特定场合，而且可以增加用户的同步体验及反馈效果；最后搭建实时的机械手在线系统，使用者可以自主控制机械手的运动实现相应的功能，本发明从一定程度上为BCI系统的多分类和精细部位运动的脑电处理提供了新思路，未来可以进一步完善识别更加精细、分类效果更好、更加贴近人类肢体运动模式的BCI系统，具有广阔的应用前景。
请参阅图3，本发明提供一种技术方案：
一种基于BCI的高灵活度机械手控制系统及其实现方法，其特征在于：所述方法包括以下步骤：
一、对采集的信号进行预处理及伪影去除后，采用二次时频分布即Choi-Williams分布对脑电信号进行分析；
二、采用两层分类框架增强识别精度，以识别出活动手指，其次对每个被识别的手指执行的动作进行解码并输出决策值完成分类模型；
三、将在线获取的脑电信号经由计算机决策判别为机械手的控制指令，通过TCP/IP与机械手系统进行通信，控制其完成指定的动作。
具体的，采用BioSemi Active Two EEG系统，使用11个Ag/AgCl电极以2048Hz的采样率记录EEG信号，根据10-20国际电极放置系统，将使用的EEG电极布置在头皮上的以下位置：F3、F4、Fz、C3、C4、Cz、P3、P4、Pz、T7和T8，参考电极为C1、C2记录的脑电信号被降采样到256Hz，并通过带宽为0.5-35Hz的带通滤波器进行滤波，此外采用了自动去除伪影工具箱，以减少滤波脑电信号中的肌电和眼电的伪影。
进一步的，进行离线训练时，首先受试者将手臂放在桌子上，放松手臂保持舒适状态；然后将计算机屏幕放置在桌子上，屏幕与受试者的距离约为70cm，用于显示各种视觉提示，单个轮次流程共包含四个阶段持续时间为11s，第一阶段为准备阶段，屏幕正中央出现一个白圈，持续2s提示受试者本轮实验开始，需要调整好自身状态；接下来的3s是提示期，每个提示都会通知被试进行特定手指完整的弯曲运动和一个完整的伸展运动，或者提示使用拇指进行充分的内收运动和一个充分的外展运动；之后会出现黑屏想象期，持续4s，被试根据提示期提示的动作进行一次想象运动，如提示“拇指弯曲伸展”，则被试进行拇指的想象动作，以此类推；最后是放松期，持续1s，被试放松手部保持放松状态，准备下一轮实验进行。
进一步的，提取使用者运动想象产生的脑电后使用了一个滑动窗口，将每个电极的EEG信号分成一组重叠的片段，实现每个段的大小为256个样本，任意两个连续段之间的重叠为128个样本，然后对每个EEG段计算Choi-Williams分布，得出脑电信号的时频表示。
具体的，为了计算Choi-Williams分布，使用了一个滑动窗口，将每个电极的EEG信号分成一组重叠的片段，实现每一个EEG段的大小为256各样本点，任意两个连续的EEG段之间有128个采样点的重叠。
值得说明的是，在分析脑电信号时先计算其解析信号x(t)，其计算方法为：
x(t)＝s(t)+jH{s(t)}
值得说明的是，H{·}为希尔伯特变换，其次计算x(t)的Choi-Williams分布，计算方法为ρx(t,f)：
值得说明的是，χx(μ,v)是x(t)的模糊函数，κ(μ,v)是时频平滑核χx(μ,v)和κ(μ,v)的计算方法如下：
其中α＞0为平滑参数，通过实验选择α为0.5。
具体的，由于计算出的基于Choi-Williams分布的时频表示的维度太高，采用了归一化Renyi熵和能量集中特性，其中归一化Renyi熵F1量化了EEG段内能量分布的规律性，能量集中特性F2提供了一种可以描述EEG段内能量传播的度量方法。
值得说明的是，F1及F2的计算方法如下：
具体的，在特征分类中采用两层分类框架，以同时识别同一只手内的每个活动手指，并对每个被识别的手指执行的动作进行解码，第一层分类器采用带有RBF核函数的多类SVM分类方法，分析每个输入的特征向量以识别同一只手内活动的手指，而无需解码出所识别的活动的手指执行的动作，第一层分类器C11将每个输入的特征向量分配给以下五个不同的运动类别之一：拇指运动(1),食指运动(2)，中指运动(3)，无名指运动(4)，小指运动(5)，此后，输入的特征向量将传递到第二分类层，该层由带有RBF核函数的五个不同的SVM分类器组成，第二个分类层中每个分类器都与特定的手指相关联，即对特定的手指执行的运动进行解码，第二层的第一个分类器C21为多类SVM分类器，它将在第一层识别为拇指(1)类的特征向量分为四个与拇指相关的运动之一，即拇指的内收(6)、外展(7)、弯曲(8)、伸展(9)运动。剩下的四个SVM分类器C22、C23、C24、C25均为二分类，分别对应其余四指的屈、伸运动，当第一层分类器识别出食指(2)运动，那么第二层的第二个分类器将会将输入的特征向量分为两个与食指相关的运动之一，即食指的弯曲(10)、伸展(11)运动。以此类推可将中指的运动分类为：中指的弯曲(12)、伸展(13)；可将无名指的运动分类为：无名指的弯曲(14)、伸展(15)；可将小指的运动分类为：小指的弯曲(16)、伸展(17)。
进一步的，将离线采集到的实验数据构建分类模型，然后通过计算机利用分类模型对在线采集到的脑电进行决策判别，就可得到基于此分类模型对使用者运动想象的识别结果，输出相应的决策值，根据输出的不同决策值，将相应的指令通过TCP/IP传输到机械手完成相应的动作。
本发明设计了一种基于精细运动意图的机械手控制在线BCI系统，以实现精细的手指运动想象下机械手的成功控制。针对目前MI-BCI所面临的识别精度不高，尤其是对于运动想象发生部位的空间定位精度低等问题，我们设计了精细部位运动的EEG识别，以日常生活中用途最为广泛的手指作为研究目标，研究了五指共12种不同的活动方式，为有更好的时频分辨率采用了Choi-Williams分布的时频表示对脑电进行分析，并采用了归一化Renyi熵和能量集中特性使特征提取效果更好，在特征分类时搭建了两层分类框架使分类更准确。如今，脑-机接口技术逐渐走入人们的生活，帮助残障人士重新融入到社会当中，实现自理及与他人沟通的能力，未来可以进一步研究潜在的更多的脑电通道，以实现高分辨率覆盖运动皮层区域，以提高分类的准确性。实现运动识别更精细，辅助设备操作更自然，加强用户的真实感受，在特定场合需要以及康复治疗中起到更大的促进作用。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (8)
1.一种基于BCI的高灵活度机械手控制系统及其实现方法，其特征在于：所述方法包括以下步骤：
一、对采集的信号进行预处理及伪影去除后，采用二次时频分布即Choi-Williams分布对脑电信号进行分析；
二、采用两层分类框架增强识别精度，以识别出活动手指，其次对每个被识别的手指执行的动作进行解码并输出决策值完成分类模型；
三、将在线获取的脑电信号经由计算机决策判别为机械手的控制指令，通过TCP/IP与机械手系统进行通信，控制其完成指定的动作。
2.根据权利要求1所述的一种基于BCI的高灵活度机械手控制系统，其特征在于：采用BioSemi Active Two EEG系统，使用11个Ag/AgCl电极以2048Hz的采样率记录EEG信号，根据10-20国际电极放置系统，将使用的EEG电极布置在头皮上的以下位置：F3、F4、Fz、C3、C4、Cz、P3、P4、Pz、T7和T8，参考电极为C1、C2记录的脑电信号被降采样到256Hz，并通过带宽为0.5-35Hz的带通滤波器进行滤波，此外采用了自动去除伪影工具箱，以减少滤波脑电信号中的肌电和眼电的伪影。
3.根据权利要求1所述的一种基于BCI的高灵活度机械手控制系统，其特征在于：进行离线训练时，首先受试者将手臂放在桌子上，放松手臂保持舒适状态；然后将计算机屏幕放置在桌子上，屏幕与受试者的距离约为70cm，用于显示各种视觉提示，单个轮次流程共包含四个阶段持续时间为11s，第一阶段为准备阶段，屏幕正中央出现一个白圈，持续2s提示受试者本轮实验开始，需要调整好自身状态；接下来的3s是提示期，每个提示都会通知被试进行特定手指完整的弯曲运动和一个完整的伸展运动，或者提示使用拇指进行充分的内收运动和一个充分的外展运动；之后会出现黑屏想象期，持续4s，被试根据提示期提示的动作进行一次想象运动，如提示“拇指弯曲伸展”，则被试进行拇指的想象动作，以此类推；最后是放松期，持续1s，被试放松手部保持放松状态，准备下一轮实验进行。
4.根据权利要求1所述的一种基于BCI的高灵活度机械手控制系统，其特征在于：提取使用者运动想象产生的脑电后使用了一个滑动窗口，将每个电极的EEG信号分成一组重叠的片段，实现每个段的大小为256个样本，任意两个连续段之间的重叠为128个样本，然后对每个EEG段计算Choi-Williams分布，得出脑电信号的时频表示。
5.根据权利要求4所述的一种基于BCI的高灵活度机械手控制系统，其特征在于：为了计算Choi-Williams分布，使用了一个滑动窗口，将每个电极的EEG信号分成一组重叠的片段，实现每一个EEG段的大小为256各样本点，任意两个连续的EEG段之间有128个采样点的重叠。
6.根据权利要求4所述的一种基于BCI的高灵活度机械手控制系统，其特征在于：在分析脑电信号时先计算其解析信号x(t)，其次计算x(t)的Choi-Williams分布ρx(t,f)，由于计算出的基于Choi-Williams分布的时频表示的维度太高，采用了归一化Renyi熵和能量集中特性，其中归一化Renyi熵F1量化了EEG段内能量分布的规律性，能量集中特性F2提供了一种可以描述EEG段内能量传播的度量方法。
7.根据权利要求6所述的一种基于BCI的高灵活度机械手控制系统，其特征在于：在特征分类中采用两层分类框架，以同时识别同一只手内的每个活动手指，并对每个被识别的手指执行的动作进行解码，第一层分类器采用带有RBF核函数的多类SVM分类方法，分析每个输入的特征向量以识别同一只手内活动的手指，而无需解码出所识别的活动的手指执行的动作，第一层分类器C11将每个输入的特征向量分配给以下五个不同的运动类别之一：拇指运动(1),食指运动(2)，中指运动(3)，无名指运动(4)，小指运动(5)，此后，输入的特征向量将传递到第二分类层，该层由带有RBF核函数的五个不同的SVM分类器组成，第二个分类层中每个分类器都与特定的手指相关联，即对特定的手指执行的运动进行解码，第二层的第一个分类器C21为多类SVM分类器，它将在第一层识别为拇指(1)类的特征向量分为四个与拇指相关的运动之一，即拇指的内收(6)、外展(7)、弯曲(8)、伸展(9)运动。剩下的四个SVM分类器C22、C23、C24、C25均为二分类，分别对应其余四指的屈、伸运动，当第一层分类器识别出食指(2)运动，那么第二层的第二个分类器将会将输入的特征向量分为两个与食指相关的运动之一，即食指的弯曲(10)、伸展(11)运动。以此类推可将中指的运动分类为：中指的弯曲(12)、伸展(13)；可将无名指的运动分类为：无名指的弯曲(14)、伸展(15)；可将小指的运动分类为：小指的弯曲(16)、伸展(17)。
8.根据权利要求1所述的一种基于BCI的高灵活度机械手控制系统，其特征在于：将离线采集到的实验数据构建分类模型，然后通过计算机利用分类模型对在线采集到的脑电进行决策判别，就可得到基于此分类模型对使用者运动想象的识别结果，输出相应的决策值，根据输出的不同决策值，将相应的指令通过TCP/IP传输到机械手完成相应的动作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210453358.4A CN114936574A (zh) | 2022-04-27 | 2022-04-27 | 一种基于bci的高灵活度机械手系统及其实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210453358.4A CN114936574A (zh) | 2022-04-27 | 2022-04-27 | 一种基于bci的高灵活度机械手系统及其实现方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114936574A true CN114936574A (zh) | 2022-08-23 |
Family
ID=82862479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210453358.4A Pending CN114936574A (zh) | 2022-04-27 | 2022-04-27 | 一种基于bci的高灵活度机械手系统及其实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114936574A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115617180A (zh) * | 2022-12-02 | 2023-01-17 | 浙江大学 | 一种基于侵入式脑机接口的灵巧手部运动解码方法 |
-
2022
- 2022-04-27 CN CN202210453358.4A patent/CN114936574A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115617180A (zh) * | 2022-12-02 | 2023-01-17 | 浙江大学 | 一种基于侵入式脑机接口的灵巧手部运动解码方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ferreira et al. | Human-machine interfaces based on EMG and EEG applied to robotic systems | |
| Ahsan et al. | EMG signal classification for human computer interaction: a review | |
| Pfurtscheller et al. | 15 years of BCI research at Graz University of Technology: current projects | |
| Tonet et al. | Defining brain–machine interface applications by matching interface performance with device requirements | |
| Norani et al. | A review of signal processing in brain computer interface system | |
| CN107957783A (zh) | 一种基于脑电与肌电信息的多模式智能控制系统及方法 | |
| Hamedi et al. | Human facial neural activities and gesture recognition for machine-interfacing applications | |
| Stanford | Biosignals offer potential for direct interfaces and health monitoring | |
| Wang et al. | Decoding single-hand and both-hand movement directions from noninvasive neural signals | |
| Li et al. | Wireless sEMG-based identification in a virtual reality environment | |
| Padmavathi et al. | A review on EEG based brain computer interface systems | |
| Cheng et al. | Robotic arm control system based on brain-muscle mixed signals | |
| CN114936574A (zh) | 一种基于bci的高灵活度机械手系统及其实现方法 | |
| Li et al. | Preliminary study of online real-time control system for lower extremity exoskeletons based on EEG and sEMG fusion | |
| Ferrez et al. | EEG-based brain-computer interaction: Improved accuracy by automatic single-trial error detection | |
| Bahri et al. | Sub-band-power-based efficient brain computer interface for wheelchair control | |
| Gannouni et al. | EEG-based BCI system to control prosthesis's finger movements | |
| Tripathy et al. | Design and implementation of brain computer interface based robot motion control | |
| Materka et al. | High-speed noninvasive brain-computer interfaces | |
| Ho et al. | Brain-wave bio potentials based mobile robot control: wavelet-neural network pattern recognition approach | |
| Kæseler et al. | Brain patterns generated while using a tongue control interface: a preliminary study with two individuals with ALS | |
| Wang et al. | Multi-user motion recognition using sEMG via discriminative canonical correlation analysis and adaptive dimensionality reduction | |
| Kaur et al. | Developing brain-computer interface using fuzzy logic | |
| CN111651046A (zh) | 一种无手部动作的手势意图识别系统 | |
| Nataraj et al. | Thought-actuated wheelchair navigation with communication assistance using statistical cross-correlation-based features and extreme learning machine |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |