摘　要： 提出一種基于思維腦電的無線智能機器人控制系統(tǒng)設(shè)計方案。該系統(tǒng)采用想象左右手運動時產(chǎn)生的腦電信號作為智能服務(wù)機器人運動的控制信號,實現(xiàn)對服務(wù)機器人的控制，改善癱瘓患者生活自理能力。采用基于小波包分解的方法提取特征向量，利用基于歐式距離的方法進(jìn)行模式識別，進(jìn)而產(chǎn)生機器人運動控制信號,并通過LabVIEW串口發(fā)給單片機，單片機對該信號進(jìn)行紅外編碼后發(fā)給智能機器人，用以控制其運動方向。實驗結(jié)果證明，該設(shè)計方案有利于提高腦-機接口的實用性。
關(guān)鍵詞： 思維腦電； 小波分解； 腦-機接口； 虛擬儀器； 無線； 智能機器人

腦-機接口BCI（Brain-Computer Interface）是在人(或動物)與外部設(shè)備間建立的直接連接通道。它通過采集、分析人的腦電信號，在人腦與計算機或其他電子設(shè)備之間建立直接交流和控制通道，從而可以不需語言或肢體動作,直接通過控制腦電來表達(dá)意愿或操作外接設(shè)備[1-2]。隨著科學(xué)技術(shù)的發(fā)展，智能機器人在醫(yī)療領(lǐng)域的應(yīng)用越來越廣泛，如監(jiān)護(hù)機器人、康復(fù)機器人等。目前康復(fù)機器人的訓(xùn)練方式對于患者而言僅僅是被動的運動治療,缺乏對患者主動參與的刺激。根據(jù)腦可塑性理論,腦功能重組的恢復(fù)訓(xùn)練應(yīng)該強調(diào)患者的主動參與,按照科學(xué)的運動學(xué)習(xí)方法對患者進(jìn)行再教育以恢復(fù)其運動功能。同時,實踐結(jié)果表明,患者積極參與到功能恢復(fù)訓(xùn)練中,能夠獲得更好的恢復(fù)效果[3]。本文介紹了一種基于思維腦電的腦-機接口的無線智能機器人控制系統(tǒng)設(shè)計方案，此方案將服務(wù)機器人與康復(fù)機器人相結(jié)合，不僅提供了機器人為精神損傷的癱瘓患者服務(wù)的功能，更融入了患者的康復(fù)訓(xùn)練?；颊咄ㄟ^進(jìn)行左右手想象運動得到相應(yīng)的思維腦電，電信號經(jīng)過腦電采集電路進(jìn)入LabVIEW，進(jìn)行特征提取及模式識別，判斷出使用者的思維模式，然后發(fā)出相應(yīng)的控制命令，通過串口傳給單片機。單片機對命令進(jìn)行編碼后通過紅外的形式向外發(fā)射，智能機器人上的紅外一體化接收管對接收到的信號進(jìn)行解碼后作出相應(yīng)的動作。
1 系統(tǒng)概況
基于思維腦電的腦-機接口無線智能機器人控制系統(tǒng)主要包括三個子系統(tǒng):腦電采集電路子系統(tǒng)、基于LabVIEW的上位機子系統(tǒng)（特征提取、模式識別及反饋界面的實現(xiàn)），以及基于PIC單片機的下位機控制子系統(tǒng)(紅外的編碼及解碼)。單片機選用Microchip的PIC18f14k50。系統(tǒng)示意圖如圖1所示。

小波包分解是小波分解的推廣。在小波分析中，原始信號被分解為逼近部分和細(xì)節(jié)部分。逼近部分再分解為另一層的逼近和細(xì)節(jié)，重復(fù)這樣的過程，直到分解為設(shè)定的分解層。其中細(xì)節(jié)部分也進(jìn)行相同的分解。小波包分解具有任意多尺度特點，避免了時頻固定的缺陷，為時頻分析提供了極大的選擇余地，更能反映信號的本質(zhì)和特征[5]。
在小波多分辨率分析中，可以將不同的尺度因子j在Hilbert空間按照二進(jìn)制繼續(xù)進(jìn)行頻率細(xì)分。
2.2 基于歐拉距離模式識別算法的實現(xiàn)
歐拉距離識別方法的基本原理為：將已知類別的向量設(shè)為訓(xùn)練向量組，未知類別的向量歸為測試組[6]。將測試組中的向量分別與訓(xùn)練向量組中的所有向量進(jìn)行距離比較，記住與其距離最近的那個訓(xùn)練集向量，則測試組向量與該訓(xùn)練組向量的類別一樣，至此識別過程結(jié)束。
歐拉距離算法的公式為：

圖2、圖3中的橫坐標(biāo)表示特征提取得到7個頻段的數(shù)據(jù)，縱坐標(biāo)表示140組腦電數(shù)據(jù)。db4中列與列之間的能量差比較大，因此可認(rèn)為它的特征提取結(jié)果較好。由模式識別驗證特征提取的結(jié)果，db4小波包分解經(jīng)過歐拉距離方法的模式識別后，得到識別率為71.43%;sym2小波包分解經(jīng)過歐拉距離方法的模式識別后，得到識別率為68.57%。故取db4小波包分解的方法。
　本文采用4、5、6層小波包分解的方法進(jìn)行特征提取，如圖4、圖5所示分別為4、6層小波包分解的能量分布圖。