腦-機接口BCI(Brain-Computer Interface)是一種利用腦部神經發出的信息與計算機或其他外部設備通信的系統^[1]。基于頭皮的腦電信號可以反映大腦的不同狀態，且記錄簡單、無創，能夠實時地進行信號的提取和分類，在目前腦-機接口研究中是最多的^[2]。

    傳統的輪椅人機交互由聲音、搖桿和按鍵等實現。然而對于高位癱瘓不具備語言能力的人來說，通過BCI這種技術可以很好地幫助他們實現意念控制外部設備的愿望。目前隨著BCI技術的發展，實現大腦控制外部設備變得越來越有可能。在國外，Farwell等人就利用腦電信號中的P300開發了虛擬打字機，可以實現意念控制文字的輸入^[3]。同時，在現有腦電控制的智能輪椅系統中，可以利用閉眼放松的腦電信號的Alpa波和左右手運動想象腦電信號的Beta波來實現對輪椅的控制^[4]。而腦電信號很微弱且易受外部環境的干擾^[5]，其處理的算法也非常復雜。對于利用腦電信號進行控制的系統，處理腦電的步驟一般包括信號的濾波、特征提取、信號分類和轉換。腦電特征提取方法主要有小波(包)分析、功率譜法和共空間模型等。而腦電信號的分類方法中最主要的包括線性判別法、支持向量機法和人工神經網絡等^[6]。

    由于腦機接口的研究很復雜，許多處理算法也只是處于離線的理論研究階段，實際操作的可靠性也有待提高。本文主要研究了腦電數據的離線處理方法，運用AR模型估計方法驗證了想象數據的可分離性，然后使用感知器算法對信號的特征進行分類，并基于BCI2000平臺將其轉換為控制信號，達到了控制外部輪椅設備的目的。該操作平臺的優點是：不利用人體的肢體動作就可以實現對輪椅運動方向的控制，成本較低，為行動有障礙的殘疾人士提供了一個自由的控制平臺，對今后進一步實現輪椅的集成控制有重要意義。

1 BCI2000試驗平臺

    BCI2000是一種能描述任意BCI系統的模型，該模型由4個相互聯系的功能模塊構成：數據獲取模塊（數據的采集和存儲）、信號處理模塊、用戶應用程序模塊、操作員模塊，如圖1所示。這4個模塊各自分離，并通過TCP/IP協議進行相互通信^[7]。

    在BCI2000系統運行過程中，每次數據獲取模塊獲得一組腦電數據后，就發送給信號處理模塊，在此對腦電數據進行信號的特征提取和模式分類，并將分類的結果轉化為控制命令發送給用戶應用模塊。每個模塊各自實現自己的功能，它們之間的通信協議不受信號的通道數和采樣率、信號處理的復雜度和所需要控制的外部設備等因素的限制^[7]。

2 腦電信號分析

2.1 特征分析

    在想象運動中Mu節律的能量高低及分布可用于對數據進行分類，并且可以通過訓練用戶控制Mu節律的能量高低和分布狀況來實現對外部設備的控制[8]。本設計利用Mu節律的能量幅值變化來研究人腦下達不同運動意識指令時EEG的表現特征，并且將時域特征與頻域特征結合作為時頻特征。實驗中，利用刺激界面使被試者進行左右手運動的想象動作，從提示到結束的時間為9 s，同時記錄下被試者的腦電數據，將通過電腦采集的腦電數據存儲到計算機內。最后利用MATLAB進行數據分析，提取腦電數據的特征向量。

    Mu節律處于(8～12)Hz頻帶，由于Mu節律在運動皮層區域記錄，與人體運動功能緊密相關^[9]，選取5階帶通橢圓濾波器對實驗數據進行(8～12)Hz帶通濾波，濾波后想象左手運動的兩個通道的波形如圖2所示。

    同時采用Burg算法對原始腦電信號進行AR模型譜估計。經過試驗發現，選取階次為10能使得預測誤差功率最小，得到的分類效果較為理想。圖3為腦電數據在基于Burg算法下的AR模型譜估計圖。

    經過了時域和頻域分析后，將時域特征和頻域特征結合起來，組成時頻聯合特征作為分類特征向量，用于后續的分類研究。

2.2 信號分類

    采用改進的線性感知器準則作為訓練分類器準則，使得平均分類準確率達到 77.1%，分類效果良好。另外，在探索最佳分類特征時間段的過程中，采用類似于在線分析的方法，易于知道在在線分類時(如以1.5 s為時間段進行順移的在線分類時)什么時候進行分類檢測效果最好，為實現在線分類提供良好的參考。

    利用感知器算法對樣本特征進行分類，基本算法如下：

    (1)設各個權矢量的初值為0，即w₁=w₂=…=w_M=0，M為分類數。

    (2)第k次輸入一個樣本X(k)，計算第k次迭代計算的結果為：

    循環執行第(2)步，直到輸入所有的樣本權重都不需要修正為止^[10]。

3 控制系統的組成及構架

    腦控智能輪椅的控制系統主要由腦電采集裝置、運行于電腦的BCI2000軟件平臺、藍牙輸出、電機控制等部分組成。該控制系統的結構圖如圖4所示。

3.1 EEG信號采集和處理

    腦電信號采集使用Emotive采集裝置，采樣率為128 Hz，電極按照國際10-20標準電極安放法安放。電極位置如圖5所示。

    分別采集運動想象的腦電數據，進一步得到特征所在通道，想象右手時在FC6上有明顯變化，同理從采集的波形及后面的離線分析中選擇FC5和FC6作為分析通道。同時眨眼信號由F7通道采集。其中“CMS”和“DRL”是參考電極。

    由Emotiv設備采集的信號為頭皮的原始腦電信號，同時將信號進行放大和數字化，得到數字化的EEG信號。BCI2000腦機接口平臺具備數據采集模塊，此時使該平臺能夠收集到Emotiv腦電采集裝置的信號，完成配置工作將系統順利調通。Emotiv.exe應用程序讀取采集軟件Emotiv的腦電采集信號，鏈接成功后的采集界面如圖6所示。

    StimulusPresentation.exe應用程序會顯示所設計的刺激界面，如圖7所示，提示使用者進行左右手的運動想象。采集器的參數設置如表1所示。

    選擇通道FC5、FC6通道進行信號處理。利用MATLAB編寫信號處理程序，獲得感覺運動節律參數，利用已驗證的算法進行特征的提取和分類，同時轉換為相應的控制指令。 

3．2 外部接口程序

    BCI2000的外部程序接口(AppConnector)提供了BCI2000與運行在同一計算機或局域網內其他不同計算機上的外部程序進行雙向數據交換的通道[7]。通過外部程序接口，外部應用程序可以讀/寫BCI2000的狀態向量和控制信息。BCI2000從ConnectorInputAddress參數指定的本地IP socket上讀取AppConnector信息，并把信息寫進ConnectorOutputAddress參數指定的socket上，socket由一個地址/端口組合來指定，地址與端口之間用冒號來指定，實驗設定為localhost：20230。

    利用AppConnector接口來控制外部設備意味著外部設備必須在BCI2000之外完成，相應的參數不隨數據文件一起存儲。建立外部應用程序，此程序基于MFC創建，首先創建一個UDP socket，通過讀取ResultCode狀態來獲取分類結果，通過設置端口來監聽所設置的UDP端口的信息，讀取由SignalProcessing計算得到的控制信號。所以創建基于MFC的UDP監聽程序時，將監聽到的控制信息利用SerialPort類轉換為USB輸出。轉換程序如下：

    void CIPDlg::OnSend()

    {

        //TODO：Add your control notification handler code here

        if(!m_bOpenPort) return; 

            //檢查串口是否打開，如果沒打開，則退出

          m_Port.WriteToPort((LPCTSTR)getbate);//發送數據

    }

    在此，USB輸出連接藍牙通信模塊，把控制信息以藍牙的形式輸出到輪椅電機的控制模塊處。當把基于藍牙傳輸的USB口插進電腦時，所創建的wheelchair control interface軟件會自動識別串口，聯通傳輸信號。此時，只需把電腦放在輪椅附近處，就可以讓使用者在不攜帶電腦的情況下，達到控制輪椅運動的目的。上位機如圖8所示。

3.3 硬件電路實現

    控制信號經過藍牙傳輸模塊給控制板，控制板接收到控制信號，繼而驅動電機控制模塊控制電機轉動，實現控制輪椅的運動。考慮對芯片性能的要求和實際的接口應用，選擇STM32F103單片機作為主控芯片。STM32F103有專門為電機控制而設定的高級定時器，帶有6個死區時間可編程的PWM輸出通道，同時其帶有的緊急制動可以在異常情況出現時強迫PWM信號輸出保持在一個預定好的安全狀態，在具備高性能表現的同時保持了低功耗特性[11]。控制器部分電路圖如圖9所示。

    模塊由MCU(STM32F103)、藍牙接收模塊、LED顯示三大部分組成，主要工作原理為：藍牙模塊接收電腦USB輸出的腦電信號，傳至MCU進行信號的識別，進而控制電機的運轉，達到控制輪椅方向的目的。由于電動輪椅使用蓄電池供電，實驗中利用蓄電池給控制板供電，電源轉換電路如圖10所示。

4 結果分析

    本文利用BCI2000開源軟件，連接Emotiv腦電采集裝置，對智能輪椅的控制系統進行了硬件和軟件的設計，實現了意念控制輪椅的目的。通過實驗結果可以得到，在利用BCI2000的基礎上，結合MFC程序，把腦電信號的采集、識別、分類和傳輸等功能合成為一個平臺，有助于簡化硬件電路的復雜性。這樣可以降低硬件處理的復雜度，同時降低了系統的成本，具有較高的應用價值。

    隨著腦-機接口技術的不斷發展，研究者開發的各種開源的軟件平臺，可以方便使用者直接使用現有的處理工具，為腦-機接口的研究提供了便利，并進一步促進了該技術的發展。本文基于開源軟件BCI2000搭建的腦-機接口系統實現了實驗參數的設計和算法的加載，并實現使用該平臺與利用MFC編程的軟件相互通信的功能，同時控制信號與控制模塊通過藍牙通信，實現了腦電信號便捷地控制電動輪椅運動的目標。

參考文獻

[1] VAUGHAN T M，HEETDERKS W J，TREJI L J，et al.Guest editorial brain-computer interface technology[J].IEEE Trans.on Rehabilitation Engineering，2003，11(2)：94-107.

[2] 鄒鶴良，李遠清，龍錦益，等.基于腦機接口集成控制系統[J].計算機工程與應用，2012，48(8)：76-78.

[3] FARWELL La，DONCHIN E.Talking off the top of your head：A mental prosthesis utilizing event-related brain potentials[J].Electroenceph.Clin.Neurophysiol，1988，70(6)：510-523.

[4] 張毅，羅明偉，羅元，等.基于腦電?琢/?茁波的智能輪椅人機交互[J].華中科技大學學報，2013，41(7)：109-114.

[5] 謝宏，顏林，姚楠,等.基于ADS1298的新型腦電信號采集前端設計[J].電子技術應用，2013，39(4)：75-78.

[6] 顏世玉，劉沖，趙海濱，等.基于小波包的意識腦電特征提取[J].儀器儀表學報，2012，33(8)：1748-1751.

[7] SCHALK G，MELLINGER J.BCI2000與腦機接口[M].胡三清，譯.北京：國防工業出版社，2011.

[8] 廖彩萍，李遠清，趙慧.基于運動想象的腦電信號的分類研究[J].自動化與儀表，2008(4)：1-4.

[9] 李坤，褚蕾蕾，朱世東，等.基于mu節律能量的運動意識分類研究[J].計算機技術與發展，2006，16(8)：157-159.

[10] 徐國根，賈瑛.模式識別與智能計算的MATLAB實現[M].北京：北京航空航天大學出版社，2012.

[11] 蒙博宇.STM32自學筆記[M].北京：北京航空航天大學出版社，2012.