利用眼电和脑电信息的电动假手控制方法

摘要

本发明涉及一种利用眼电和脑电信息的电动假手控制方法。现有假手控制方法不适合神经、肌肉严重退化的瘫痪人士使用。本发明方法是将脑电拾电传感器中的头皮拾电电极放置在国际脑电图学会标准10-20导联系统确定的脑前额部Fp1或Fp2位置，参考电极放置在耳廓位置，原始信号处理后进入微处理器，应用基于粒子群优化的确定成份分析方法进行参考信号构建、含眼电信息脑电信号提取及手部运动模式识别，根据识别结果微处理器输出相应控制信号控制电动假手动作。本发明方法采用眼、脑协调方式表达手部运动意愿，利用眼电信号包含的有用信息，增强同一运动意识所产生脑电信号的特征，手部运动模式识别的正确率高，假手动作控制可靠。

主权项

1.利用眼电和脑电信息的电动假手控制方法，其特征在于该控制方法是将脑电拾电传感器中的头皮拾电电极放置在国际脑电图学会标准10-20导联系统确定的脑前额部F_p1或F_p2位置、参考电极放置在耳廓位置，由脑电拾电传感器拾取的原始信号经初级放大、二次处理、A/D转换完成数据采集，进入微处理器，应用基于粒子群优化的确定成份分析方法进行含眼电信息脑电信号提取及运动模式分类，识别出张开、合拢、腕伸、腕屈、腕外旋、腕内旋这六种手部运动模式和手部无动作模式；根据识别的手部运动模式输出相应控制信号给驱动电路，驱动电机带动电动假手动作；当识别结果为手部无动作模式时，输出置零，假手不动作；所述基于粒子群优化的确定成份分析方法包括构建参考信号、提取含眼电信息脑电信号以及运动模式分类；(1)所述的参考信号包括信号提取参考信号和分类识别参考信号，构建参考信号的具体方法是：①在符合标准的脑电信号实验室，采集手抓取、手张开、手腕上翻、手腕下翻、手腕内旋、手腕外旋六种真实手部动作对应的原始检测信号，进行离线分析处理，得到与六种手部运动模式对应的含眼电信息脑电信号作为样本信号；②将该样本信号直接作为分类识别参考信号；③采用投影寻踪方法构建信号提取参考信号，具体是：依据六类含眼电信息脑电信号样本都包含的单峰脉冲信号作为构建参考信号的初始模型；再选择六种含眼电信息脑电信号样本中的一种，依据Hall投影指标，将样本信号数据投影到一维空间上，找出与初始模型相差最大的投影，将该投影包含的初始模型中没有反映出来的结构合并到初始模型上，得到改进的新模型；再从新模型出发，从六种样本信号中重新选择一种，重复以上步骤，对模型进行再次修正，直至六种含眼电信息脑电信号样本都按上述步骤选择处理完毕；最终的修正模型即为信号提取参考信号；(2)提取含眼电信息脑电信号的具体方法是：a.首先将信号提取参考信号r与输出信号u相关作为约束条件构造优化算法所需的适应度函数，具体是：采用负熵最大化目标函数，输出信号u的负熵J(u)为J(u)＝H(u_g)-H(u)                           (1)式中u_g是与输出信号u方差相同的高斯随机向量、H(.)表示信号的负熵；将式(1)简化为J(u)≈c[E{G(u)}-E{G(v)}]²                  (2)式中G是任何非二次函数，c是正常数，v是一个具有零均值、单位方差的高斯变量；将输出信号u和信号提取参考信号r之间相关作为约束条件，表示为ε(u，r)＝Cov(u，r)＝E{u，r}-{E(u)E(r)^T}＞0(3)将式(3)作为约束条件，加入负熵最大化目标函数，同时引入矢量z，将提取含眼电信息脑电信号的问题转化为带等式约束的优化模型，表示为Maximize   J_G(u)subject to h(u)＝ε(u，r)-z²＝0            (4)应用拉格朗日乘子法得到相应的增广拉格朗日函数式，将此函数式作为粒子群优化算法的适应度函数，表示为F(w，μ，z)＝J_G(u)+μh(u)                  (5)式中μ是正的拉格朗日数乘向量；u＝wx，x为原始检测信号、w为分离矩阵W的行向量；b.利用粒子群优化算法进行寻优计算，得到所需的分离矩阵W的行向量w，从而由输出信号u＝wx得到期望提取的信号成份；通过设定最大迭代次数结束算法运行；进行寻优计算的流程如下：i)如果首次优化，则决定初始种群个体数目以及相关参数，对第i个个体而言，它具有随机给定的位置及速度，第i个粒子表示为κ_i＝(w_i，μ_i，z_i)；ii)依据式(5)，计算每一个个体优化的适应度函数F(w_i，μ_i，z_i)；iii)将每一个个体求得的适应度函数F(w_i，μ_i，z_i)与记录中的该个体的最优适应度函数值进行比较，若当前适应度函数值大于先前的该个体的最优适应度函数值，则以当前适应度函数值作为记录中的最优适应度函数值，若当前适应度函数值小于等于先前的该个体的最优适应度函数值，则记录中的该个体的最优适应度函数值不变；若当前该个体的最优适应度函数值大于群体的最优适应度函数值，则将当前该个体的最优适应度函数值作为群体的最优适应度函数值；若当前该个体的最优适应度函数值小大等于群体的最优适应度函数值，则群体的最优适应度函数值不变；iv)将群体最优解求得的参数值w，μ，z，取代之前的值；v)按照式(6)和式(7)修改种群中各个体的位置和速度；$m_i^{j+1}=m_i^j+{\mathrm{\Delta m}}_i^{j+1}---\left(7\right)$式中Δm_i^j+1为粒子i的速度，即在第j次迭代中粒子位置的改变；m_i^j为在第j次迭代中粒子i的当前位置；m_i^j+1为在第j次迭代中粒子i的修正位置；p_id^j为在第j次迭代中，粒子先前的最好位置；p_gd^j为在第j次迭代中，当前所有粒子已经达到的最优位置；是正加速度系数，γ为惯量权，r₁ⁱ、r₂^j是在[0，1]之间的均匀分布随机数；c.依据u＝wx得到输出信号u，即含眼电信息的脑电信号；(3)所述的运动模式分类是根据分类识别参考信号与所提取的含眼电信息脑电信号的相关性进行运动模式识别，具体方法是：依据$\rho =\frac{\mathrm{Cov}(u,r_i)}{\sqrt{\mathrm{Du}}\sqrt{D{r}_i}}$分别计算提取信号与六种分类识别参考信号r_i之间相关系数的大小，式中μ为所提取信号，r_i为六种分类识别参考信号中的一个；选出相关系数最大的一组与设定的阈值作比较，若大于阈值Δ，将相关系数最大组的分类识别参考信号所对应的手部运动模式作为识别结果，输出相应的假手运动控制指令，若最大相关系数小于或等于阈值Δ，说明此时残疾人无手部动作意识，判别为手部无动作模式，将控制器输出置零，假手不动作，0.5≤Δ≤1。