基于SSVEP信号的下肢外骨骼机器人控制系统研究

引言

近年来,随着现代医疗技术的进步,人类的平均寿命不断延长,导致人口老龄化危机加剧[1]。在这一背景下,中风发病率预计将呈上升趋势,为提高患者的运动能力,机器人在康复领域得到了广泛的应用,尤其是下肢外骨骼机器人[2]。这类机器人具有针对性训练神经和肌肉系统的能力,为患者康复提供了一种有效途径。

下肢外骨骼机器人是一种特殊的可穿戴机器人,其融合了控制、机械和其他相关技术。传统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,传统方法通常采用被动辅助训练模式,互动性较差。为提高人机交互性,研究人员尝试通过脑电检测患者的活动意图。通过分析大脑活动时电信号的变化,利用计算机将电信号转换成控制信号,使穿戴者通过意念控制外部设备,例如脑控轮椅和脑控外骨骼[3]。尽管2014年巴西世界杯上展示了一种由美国杜克大学研发的脑控外骨骼,但目前这一技术仍在基础研究阶段,存在控制难度大、动作幅度小和不够精准等问题。

针对上述脑控机器人的控制精度问题,为进一步提高机器人的控制准确性,本文以下肢外骨骼机器人康复助力为研究背景,构建了一种基于SSVEP信号的下肢外骨骼机器人控制系统。本文旨在探讨脑机接口技术在外骨骼机器人控制中的融合,改善传统康复机器人的被动训练模式,并提高人机交互性。

1系统构成

1.1框架

基于SSVEP信号的下肢外骨骼机器人控制系统框架如图1所示。受试者穿戴外骨骼设备,作为被控制端提供助力。EEG记录采用德国Brain Products(BP)公司生产的64导脑电设备,包括:BrainAmps放大器和64导Ag/Agcl电极帽。电极基于国际标准导联10—20系统(10—20 electrode system)安置,采集频率设置为1 000 Hz。信号通过串口传输至上位机进行分析处理,生成控制指令。然后,通过串口将指令发送至外骨骼模块,以驱动Simulink/Simscape中的仿真模型运动。外骨骼模块一次只接收一个控制指令,且每个控制指令之间的时间间隔固定。

1.2下肢外骨骼机器人模块

机器人通过串口接收脑控命令,髋、膝、踝关节各设1个自由度,实现跟随穿戴者运动轨迹而运动。使用预先采集的下肢运动步态数据设置机器人各关节驱动函数。基于德长三维步态与运动分析系统监测3名成年男性在平地行走时的步态,获取关节数据,并拟合光滑处理。选取最佳步态曲线作为机器人模块的输入。Simulink模型细节如图2所示,动力学仿真过程如图3所示。

1.3脑电信号采集模块

采集模块由脑电帽、放大器、电极线等组成,同时配备专用的脑电采集和分析软件Brainvision Recorder和Brain vision Analyzer2.0,能够连续采集受试者各部位的脑电信号。由于实验研究重点集中在视觉功能区域的脑电变化,因此选择大脑顶叶和枕叶区域的30个电极,导联序号为34~42及44~64,参考电极为cz,如图4所示。

2实验设计

针对实验中的数据采集环节,由于采集要求严苛,故采用清华大学提供的Benchmark公开SSVEP数据集,替代数据采集环节[4]。该数据集共有64个活动电极记录35名受试者的脑电信号。SSVEP刺激通过一个虚拟键盘实现,包含40种刺激频率,信号采样率为250 Hz,数据采集过程如图5所示。

2.1数据预处理与特征提取

本节使用数据集的后30个受试者数据训练模型,用前5人数据进行离线控制测试。为实现机器人启动和停止的二分类,选取W和S两类数据,频率分别为14.4 Hz和10.4 Hz,每类210个样本。鉴于深度学习模型对数据量的需求,对于导联挑选后的数据进行两次数据划分扩充:去除刺激前后0.5 s数据,以1.5 s时间窗和0.5 s步长对信号进行分段。对每导联信号进行FFT处理,取单边频率信息,并分类提取实部和虚部。按照原导联顺序排列,拼接成60×188×1大小的特征矩阵。网络使用的信号长度为1.5 s,采样频率为250 Hz,并将两类标签设为1和—1。

2.2分类算法设计

本文设计的深度学习分类模型如图6所示。该模型由6个层组成,包括1个输入层、4个卷积层、1个全连接层和1个输出层。模型通过卷积操作提取FFT变换得到的频率和相位特征。卷积操作包括卷积、加偏置和激活三个步骤。卷积核对输入特征进行卷积,加偏置后,再经过激活函数,得到特征映射矩阵。该模型使用ReLU函数作为激活函数,因为它具有计算简单、避免梯度消失等优点。

模型使用Matlab软件编程,Adam优化器训练,学习率为0.000 1,迭代批次数为150,批大小为100。硬件设备为:

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

GPU:NVIDIA GeForce GTX 1650;

显存:4 GB。

3结果

每名受试者参与同类的SSVEP有6个试次,通过数据划分扩充为48个样本。前5人划分的数据作为测试集,后30人数据作为训练集,并进行交叉验证。具体识别结果如表1所示。

由表1可知,5名受试者SSVEP信号分类的平均准确率为79.8%,其中3人超过80%,证明了本文设计的基于SSVEP信号的外骨骼机器人控制系统的有效性。

4讨论

本文以BrainAmp脑电采集系统和Benchmark开源数据集为基础,构建下肢外骨骼机器人控制系统,并通过离线实验进行验证。该系统通过SSVEP信号控制机器人移动,指令判别平均准确率达79.8%,验证了系统的有效性。研究选用大脑顶叶和枕叶的30个电极,在保证BCI(脑机接口)性能的同时,降低了计算量,为设计廉价可穿戴脑机接口提供了参考。

5结束语

本文构建了基于SSVEP信号的下肢外骨骼机器人控制框架,并通过离线实验证实了其有效性,该系统有望在未来实际康复治疗中应用。未来的研究将专注于提高系统的实时性,为脑机接口技术在外骨骼机器人中的应用提供理论基础和技术支持。