引言

近年來,隨著現(xiàn)代醫(yī)療技術的進步,人類的平均壽命不斷延長,導致人口老齡化危機加劇[1]。在這一背景下,中風發(fā)病率預計將呈上升趨勢,為提高患者的運動能力,機器人在康復領域得到了廣泛的應用,尤其是下肢外骨骼機器人[2]。這類機器人具有針對性訓練神經(jīng)和肌肉系統(tǒng)的能力,為患者康復提供了一種有效途徑。

下肢外骨骼機器人是一種特殊的可穿戴機器人,其融合了控制、機械和其他相關技術。傳統(tǒng)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,傳統(tǒng)方法通常采用被動輔助訓練模式,互動性較差。為提高人機交互性,研究人員嘗試通過腦電檢測患者的活動意圖。通過分析大腦活動時電信號的變化,利用計算機將電信號轉(zhuǎn)換成控制信號,使穿戴者通過意念控制外部設備,例如腦控輪椅和腦控外骨骼[3]。盡管2014年巴西世界杯上展示了一種由美國杜克大學研發(fā)的腦控外骨骼,但目前這一技術仍在基礎研究階段,存在控制難度大、動作幅度小和不夠精準等問題。

針對上述腦控機器人的控制精度問題,為進一步提高機器人的控制準確性,本文以下肢外骨骼機器人康復助力為研究背景,構建了一種基于SSVEP信號的下肢外骨骼機器人控制系統(tǒng)。本文旨在探討腦機接口技術在外骨骼機器人控制中的融合,改善傳統(tǒng)康復機器人的被動訓練模式,并提高人機交互性。

1系統(tǒng)構成

1.1框架

基于SSVEP信號的下肢外骨骼機器人控制系統(tǒng)框架如圖1所示。受試者穿戴外骨骼設備,作為被控制端提供助力。EEG記錄采用德國Brain Products(BP)公司生產(chǎn)的64導腦電設備,包括:BrainAmps放大器和64導Ag/Agcl電極帽。電極基于國際標準導聯(lián)10—20系統(tǒng)(10—20 electrode system)安置,采集頻率設置為1 000 Hz。信號通過串口傳輸至上位機進行分析處理,生成控制指令。然后,通過串口將指令發(fā)送至外骨骼模塊,以驅(qū)動Simulink/Simscape中的仿真模型運動。外骨骼模塊一次只接收一個控制指令,且每個控制指令之間的時間間隔固定。

1.2下肢外骨骼機器人模塊

機器人通過串口接收腦控命令,髖、膝、踝關節(jié)各設1個自由度,實現(xiàn)跟隨穿戴者運動軌跡而運動。使用預先采集的下肢運動步態(tài)數(shù)據(jù)設置機器人各關節(jié)驅(qū)動函數(shù)?；诘麻L三維步態(tài)與運動分析系統(tǒng)監(jiān)測3名成年男性在平地行走時的步態(tài),獲取關節(jié)數(shù)據(jù),并擬合光滑處理。選取最佳步態(tài)曲線作為機器人模塊的輸入。Simulink模型細節(jié)如圖2所示,動力學仿真過程如圖3所示。

1.3腦電信號采集模塊

采集模塊由腦電帽、放大器、電極線等組成,同時配備專用的腦電采集和分析軟件Brainvision Recorder和Brain vision Analyzer2.0,能夠連續(xù)采集受試者各部位的腦電信號。由于實驗研究重點集中在視覺功能區(qū)域的腦電變化,因此選擇大腦頂葉和枕葉區(qū)域的30個電極,導聯(lián)序號為34~42及44~64,參考電極為cz,如圖4所示。

2實驗設計

針對實驗中的數(shù)據(jù)采集環(huán)節(jié),由于采集要求嚴苛,故采用清華大學提供的Benchmark公開SSVEP數(shù)據(jù)集,替代數(shù)據(jù)采集環(huán)節(jié)[4]。該數(shù)據(jù)集共有64個活動電極記錄35名受試者的腦電信號。SSVEP刺激通過一個虛擬鍵盤實現(xiàn),包含40種刺激頻率,信號采樣率為250 Hz,數(shù)據(jù)采集過程如圖5所示。

2.1數(shù)據(jù)預處理與特征提取

本節(jié)使用數(shù)據(jù)集的后30個受試者數(shù)據(jù)訓練模型,用前5人數(shù)據(jù)進行離線控制測試。為實現(xiàn)機器人啟動和停止的二分類,選取W和S兩類數(shù)據(jù),頻率分別為14.4 Hz和10.4 Hz,每類210個樣本。鑒于深度學習模型對數(shù)據(jù)量的需求,對于導聯(lián)挑選后的數(shù)據(jù)進行兩次數(shù)據(jù)劃分擴充:去除刺激前后0.5 s數(shù)據(jù),以1.5 s時間窗和0.5 s步長對信號進行分段。對每導聯(lián)信號進行FFT處理,取單邊頻率信息,并分類提取實部和虛部。按照原導聯(lián)順序排列,拼接成60×188×1大小的特征矩陣。網(wǎng)絡使用的信號長度為1.5 s,采樣頻率為250 Hz,并將兩類標簽設為1和—1。

2.2分類算法設計

本文設計的深度學習分類模型如圖6所示。該模型由6個層組成,包括1個輸入層、4個卷積層、1個全連接層和1個輸出層。模型通過卷積操作提取FFT變換得到的頻率和相位特征。卷積操作包括卷積、加偏置和激活三個步驟。卷積核對輸入特征進行卷積,加偏置后,再經(jīng)過激活函數(shù),得到特征映射矩陣。該模型使用ReLU函數(shù)作為激活函數(shù),因為它具有計算簡單、避免梯度消失等優(yōu)點。

模型使用Matlab軟件編程,Adam優(yōu)化器訓練,學習率為0.000 1,迭代批次數(shù)為150,批大小為100。硬件設備為:

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

GPU:NVIDIA GeForce GTX 1650;

顯存:4 GB。

3結果

每名受試者參與同類的SSVEP有6個試次,通過數(shù)據(jù)劃分擴充為48個樣本。前5人劃分的數(shù)據(jù)作為測試集,后30人數(shù)據(jù)作為訓練集,并進行交叉驗證。具體識別結果如表1所示。

由表1可知,5名受試者SSVEP信號分類的平均準確率為79.8%,其中3人超過80%,證明了本文設計的基于SSVEP信號的外骨骼機器人控制系統(tǒng)的有效性。

4討論

本文以BrainAmp腦電采集系統(tǒng)和Benchmark開源數(shù)據(jù)集為基礎,構建下肢外骨骼機器人控制系統(tǒng),并通過離線實驗進行驗證。該系統(tǒng)通過SSVEP信號控制機器人移動,指令判別平均準確率達79.8%,驗證了系統(tǒng)的有效性。研究選用大腦頂葉和枕葉的30個電極,在保證BCI(腦機接口)性能的同時,降低了計算量,為設計廉價可穿戴腦機接口提供了參考。

5結束語

本文構建了基于SSVEP信號的下肢外骨骼機器人控制框架,并通過離線實驗證實了其有效性,該系統(tǒng)有望在未來實際康復治療中應用。未來的研究將專注于提高系統(tǒng)的實時性,為腦機接口技術在外骨骼機器人中的應用提供理論基礎和技術支持。