腦波控制的智能醫(yī)療輪椅系統(tǒng)

李瑛達(dá) 周海波 楊易青

摘 要：設(shè)計(jì)一款采用腦電波技術(shù)進(jìn)行腦機(jī)交互的輪椅系統(tǒng)，用于方便殘疾人的日常出行和腿傷患者的治療康復(fù)。通過使用美國NeuroSky神念科技有限公司的TGAM模塊傳感器，對模塊佩戴者額葉腦波信號進(jìn)行實(shí)時檢測，通過算法分析得到腦波α波、β波、θ波、δ波的能量值，并根據(jù)RawData原始數(shù)據(jù)計(jì)算得出眼動次數(shù)。程序?qū)⒀蹌哟螖?shù)處理為具體的數(shù)字信號，從而控制輪椅，實(shí)現(xiàn)輪椅的前進(jìn)、停止、轉(zhuǎn)向功能。該系統(tǒng)可廣泛運(yùn)用于游戲、虛擬現(xiàn)實(shí)、兒童多動癥診斷輔助治療等領(lǐng)域。

關(guān)鍵詞：腦波檢測;小波變換;TGAM模塊;藍(lán)牙傳輸;陀螺儀;嵌入式

中圖分類號：TP391.8 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2019）05-00-04

0 引 言

腦-機(jī)接口（Brain Computer Interface，BCI）即“腦機(jī)融合感知技術(shù)”，是用于實(shí)現(xiàn)采集大腦腦波并將之處理后，通過數(shù)字信號實(shí)現(xiàn)對外部設(shè)備進(jìn)行控制的一種技術(shù)。在計(jì)算機(jī)的發(fā)展中，人機(jī)交互一直是計(jì)算機(jī)領(lǐng)域探索的經(jīng)典課題，人的大腦會在不同的行動下產(chǎn)生相應(yīng)、有規(guī)律的腦電信號變化，通過對這些信號的機(jī)器學(xué)習(xí)處理，并使之?dāng)?shù)字化，從而使用此類數(shù)字信號實(shí)現(xiàn)通過意念完成復(fù)雜的人機(jī)交互的研究一直是熱門的研究課題。

本文系統(tǒng)選用美國NeuroSky神念科技有限公司的TGAM模塊傳感器，對模塊佩戴者額葉腦波信號進(jìn)行實(shí)時檢測，以此獲取佩戴者的腦波數(shù)據(jù)，通過算法分析佩戴者的eSense“專注度”指數(shù)、eSense“放松度”指數(shù)和眨眼時產(chǎn)生的腦波變化峰值數(shù)字信號，控制輪椅完成常規(guī)操作，如輪椅的前進(jìn)、停止、轉(zhuǎn)向以及應(yīng)急停止等功能。通過非手動方式幫助特殊殘障患者進(jìn)行安全的日常出行活動，滿足患者的出行需求。

1 系統(tǒng)框架

本文系統(tǒng)使用TGAM模塊傳感器、Bluetooth模塊，陀螺儀、WiFi模塊組合作為頭戴設(shè)備，采集腦波信號，通過Bluetooth，WiFi通道輸出信號;使用基于嵌入式設(shè)備Android系統(tǒng)上的串口專用APP接收Bluetooth，WiFi信號加以矯正分析后，向嵌入式設(shè)備串口發(fā)出特定腦波所對應(yīng)的相應(yīng)指令;單片機(jī)識別指令后控制電動輪椅完成各種指令對應(yīng)的行為。

2 腦波分析與處理

2.1 腦波特征腦波（brainwave）是人腦內(nèi)細(xì)胞活動產(chǎn)生的電位變化顯示在儀器上生成的波形。人類腦電波時時刻刻都在不停地產(chǎn)生、變化，無論人體做什么，甚至在睡覺時也會不停地產(chǎn)生腦電波。人類主要的腦波波形可分為α波、β波、θ波以及δ波，這些波形的變化會反映出一個人當(dāng)前狀態(tài)下大腦的狀態(tài)，如緊張與否、注意力集中與否等。上述腦波正常情況下波動范圍為2.8～45.9 Hz，α波與β波為較多使用的波形，通過波形阻斷分析可得出眨眼產(chǎn)生的眨眼腦電波，波形如圖1所示。腦波的種類、頻率、特性見表1所列。

2.2 腦波檢測方式

腦波的檢測與采集方式大致分為頭皮層次腦電波采集、皮下電位采集、神經(jīng)元放電采集三類。目前精準(zhǔn)采集度最高的是皮下電位采集，但由于需要專業(yè)的醫(yī)療設(shè)備以及皮下電極植入，設(shè)備價格高昂，實(shí)驗(yàn)成本高。本文選擇基于頭皮層次電位采集的方式，其對人體無損害，價格也相對適中。基于頭皮層次電位采集的原理為：通過額葉上的電位變化，即大腦產(chǎn)生的腦電波（Electroencephalography，EEG）的變化獲取原始腦波數(shù)據(jù)，采集時兩個電極一正一反分別夾于采集者的雙耳，第三個電極貼于測試者前額，以采集腦電信號的變化。這種方式雖然有許多局限性，但因?yàn)槠洳僮骱唵?，對人體無任何傷害，所以適合進(jìn)行人體腦電的采集和應(yīng)用。

使用腦波檢測軟件Mind Viewer檢測到的相應(yīng)波形如圖2所示。

2.3 腦波的預(yù)處理與采集

由于頭皮層次腦電波采集存在外界因素的干擾，且采集對象不同時差別也會較大，因此如何解決干擾問題是腦電波采集的重中之重。人類頭皮上能夠采集到的電壓為±50 μV，而通過對腦波特征的分析可知，人類腦波正常情況下波動范圍為2.8～45.9 Hz，因此本文首先考慮剔除2.8～45.9 Hz之外的波動信號，將[2.8，45.9] Hz區(qū)間內(nèi)的腦波信號作為主要提取對象。

2.4 腦波的分析計(jì)算

腦波信號的主要分析方法為傅里葉變換（FFT）算法。使用傅里葉變換將腦波信號由時域轉(zhuǎn)換到頻域，獲得腦電波信號的頻率、功率等參數(shù)。但僅經(jīng)過傅里葉變換產(chǎn)生的頻域數(shù)據(jù)只能顯示出單一時刻的頻率、功率變化，數(shù)據(jù)特征效果單一，不能很好地分析腦波信號，所以后續(xù)通過統(tǒng)計(jì)分析、快速傅里葉變換、小波變換、馬拉特（Mallat）算法等方法處理腦波。

馬拉特算法從空間概念上抽象地說明了小波多分辨率共性，隨著尺度由大到小變更，在各尺度上能夠由粗到細(xì)地展現(xiàn)圖像的差異特點(diǎn)。在大尺度空間里，可觀察圖像輪廓;在小尺度空間里，可觀察圖像細(xì)節(jié)[1]。設(shè)f是要處理的信號，Hjf為分辨率2j下f的最佳逼近，則Hjf可進(jìn)一步分解為f在分辨率2j-1下的近似Hj-1f以及位于分辨率2j-1與2j之間的細(xì)節(jié)Dj-1之和。分解過程如圖3所示。

首先對信號進(jìn)行分解，分解公式為：

分解過程的系數(shù)表達(dá)式為：

使用尺度方程使小波變換具有短支撐集、正交性、對稱性等特性，尺度方程公式為：

小波函數(shù)為：

本文采集的腦波信號頻率位于[2.8，45.9]區(qū)間，因此把區(qū)間外的頻率所對應(yīng)的小波系數(shù)設(shè)為0，將區(qū)間內(nèi)的頻率小波系數(shù)重構(gòu)后得到可用信息。信號重構(gòu)公式為：

重構(gòu)過程的系數(shù)表達(dá)式為：

經(jīng)過變換，得到原始腦波的高頻系數(shù)與低頻系數(shù)，并由此獲取相應(yīng)的重構(gòu)信號。對這些重構(gòu)信號不同層的FFT進(jìn)行分析，可以獲得與α波、β波、θ波及δ波相似的信號，如圖4所示。

鑒于表1中不同的腦電波波形具有不同的頻段，本文選取三個人進(jìn)行測試，獲取α波、β波、θ波及δ波的平均能量值。平均能量值計(jì)算公式為：

對此三位被采樣者分別進(jìn)行采樣計(jì)算，得到的α波、β波、θ波、δ波四種波形的平均能量值見表2所列，這些值分別取自三位被采樣者處于疲勞狀態(tài)、平常狀態(tài)、注意力集中狀態(tài)的情況。

將表中數(shù)據(jù)以直方圖的形式直觀地展示出來，直方圖如圖5所示。

以四種波形為參照，通過圖5和表2分析，不難發(fā)現(xiàn)：

（1）疲勞狀態(tài)下δ波能量值最高;

（2）α波能量值在平常狀態(tài)下能量值最低;

（3）β波能量值在疲勞狀態(tài)和注意力集中狀態(tài)下能量數(shù)值相差不大且高于平常狀態(tài);

（4）θ波能量值在疲勞狀態(tài)下最高。

再以δ波能量作為參考，尋找δ波能量值較大的數(shù)據(jù)，去除疲勞狀態(tài)的波形數(shù)據(jù)后，通過α波、β波能量值的變化可以發(fā)現(xiàn)精神越集中的情況，α波與β波的能量值越高，基于此就可使用數(shù)據(jù)值的前后變化分析得出一個人的精神集中度變化，且通過平均值，可以粗略地估量精神集中時α波與β波腦波范圍分別在[40，80]、[30，70]區(qū)間內(nèi)。與此同時，在精神集中的狀態(tài)下，當(dāng)人在眨眼活動時，α波能量值會出現(xiàn)大的波動，波動的規(guī)律為α波能量值呈快速指數(shù)型升高到一個峰值后，迅速下降至精神集中狀態(tài)時α波能量值之下，形成一個波谷，之后能量值逐漸趨于精神集中狀態(tài)時的能量值。眨眼狀態(tài)下α波的變化如圖6所示。

2.5 TGAM模塊腦波的提取

50 Hz，并將其打包成一組數(shù)據(jù)包。模塊每秒會發(fā)送出513個包，數(shù)據(jù)包有小包和大包兩種。小包的固定格式是AA AA 04 80 02 xxHigh xxLow xxCheckSum，數(shù)據(jù)前AA AA 04 80 02 是恒定的，后三個字節(jié)是不斷改變的，xxHigh和xxLow組成了原始數(shù)據(jù)RawData，xxCheckSum就是校驗(yàn)和。所以一個小包里只包含了一個對開發(fā)者有用的數(shù)據(jù)，即RawData。

通過以下公式可求得專注度Attention、 放松度Meditation、信號強(qiáng)度Signal等值。

3 腦機(jī)互動的輪椅系統(tǒng)

系統(tǒng)設(shè)計(jì)主要包含三部分：第一部分為頭戴設(shè)備，主要負(fù)責(zé)采集腦波信號，通過藍(lán)牙模塊將腦波信號發(fā)送至Android串口通信程序;第二部分為ARM處理器的串口通信應(yīng)用程序，將腦波信號進(jìn)行分析與處理，轉(zhuǎn)化為指令發(fā)送至單片機(jī);最后一部分為單片機(jī)微控制器系統(tǒng)，接收到指令后，根據(jù)解析結(jié)果控制輪椅完成行為動作?；谀X-機(jī)互動的輪椅系統(tǒng)如圖7所示。

該系統(tǒng)利用TGAM腦波模塊制作的頭戴設(shè)備檢測輪椅使用者額葉短時間內(nèi)α波、β波以及由RawData原始數(shù)據(jù)計(jì)算得出的眨眼信號變化情況，并使用陀螺儀進(jìn)行命令矯正，腦波信號通過藍(lán)牙傳輸，輔助的陀螺儀信號通過WiFi傳輸，兩種信號同時傳送到基于ARM嵌入式開發(fā)板Android系統(tǒng)的處理APP進(jìn)行分析、計(jì)算、矯正處理，過濾出精神集中度、精神放松度、眨眼次數(shù)，以及旋轉(zhuǎn)頭部產(chǎn)生的波動等有效數(shù)據(jù)。腦波核心模塊如圖8所示，腦波模塊供電圖如圖9所示。根據(jù)腦波分析得出的“精神越集中的情況下α波與β波的能量值會越高”的結(jié)論，判斷佩戴者的精神集中度，對輪椅發(fā)出是否上電的信號，以此保證使用者在清醒放松的狀態(tài)下安全地使用輪椅。若在使用過程中α波、β波的信號值下降到一定范圍，則輪椅強(qiáng)制斷電，由此實(shí)現(xiàn)腦-機(jī)安全控制?？紤]到人在自然環(huán)境下的正常眨眼動作可能會影響到眨眼次數(shù)的統(tǒng)計(jì)，在固定時間內(nèi)（一般采用3 s）取RawData原始數(shù)據(jù)計(jì)算得出眨眼次數(shù)的區(qū)間，如在3 s時間段內(nèi)眨眼

3～4次發(fā)送停止信號，5次及以上發(fā)送前進(jìn)信號，以此提高命令的準(zhǔn)確性，實(shí)現(xiàn)腦-機(jī)精準(zhǔn)控制。目前輪椅已基本實(shí)現(xiàn)，如圖10所示。經(jīng)測試，大腦進(jìn)入集中狀態(tài)的時間因人而異，但對于整個系統(tǒng)的影響非常小，經(jīng)過多次熟悉使用，操控者均可使用腦電波完成對輪椅的操控。

4 結(jié) 語

本文設(shè)計(jì)了一款基于腦電波技術(shù)與單片機(jī)的輪椅交互系統(tǒng)。通過選用美國NeuroSky神念科技有限公司的TGAM模塊傳感器，經(jīng)過電路設(shè)計(jì)、焊接裝配，制作出腦波檢測頭戴模塊，對模塊佩戴者額葉的腦波信號進(jìn)行實(shí)時檢測并通過公式轉(zhuǎn)換為數(shù)字信號，以此控制輪椅。實(shí)驗(yàn)結(jié)果表明，通過Fast Fourier Transfer和Kalman Filter等算法，能夠計(jì)算得到腦波的α波、β波、θ波、δ波，并使用RawData原始數(shù)據(jù)計(jì)算得出眨眼次數(shù)，進(jìn)而獲得大腦腦波的變化，結(jié)合APP的處理，通過串口發(fā)送對應(yīng)指令到基于51單片機(jī)的輪椅，實(shí)現(xiàn)通過腦波操作輪椅的基本使用功能。本文系統(tǒng)所使用的腦波控制部分的設(shè)計(jì)也可應(yīng)用于一些特殊領(lǐng)域，如游戲、虛擬現(xiàn)實(shí)、兒童多動癥診斷輔助治療等。

參 考 文 獻(xiàn)

[1]張洪照.基于腦波檢測和物聯(lián)網(wǎng)技術(shù)的殘疾人自助系統(tǒng)[D].廈門：集美大學(xué)，2016.

[2]秦學(xué)斌，張一哲，汪梅.腦波信號控制軌道小車系統(tǒng)的研制[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（11）：260-264，270.

[3]劉瓏，李勝，王軼卿.基于小波包變換的腦電波信號降噪及特征提取[J].計(jì)算機(jī)工程與科學(xué)， 2015（4）：790-795.

[4]姚文坡，劉鐵兵，戴加飛，等.腦電信號的多尺度排列熵分析[J].物理學(xué)報，2014，63（7）：419-425.

[5] LOPEZ-GORDO M A，PELAYO F，F(xiàn)ERNANDEZ E，et al.Phase-shift keying of EEG signals： application to detect attention in multitalker scenarios[J].Signal processing，2015，117（12）：165-173.

[6]張璐琳.基于腦-機(jī)接口的控制及虛擬場景應(yīng)用研究[D]. 哈爾濱：哈爾濱工程大學(xué)，2013.

[7] MUSHA T，MATSUZAKI H，KOBAYASHI Y.EEG markers for characterizing anomalous activities of cerebral neurons in NAT （Neuronal Activity Topography）method[J].IEEE transactions on biomedical engineering，2013，60（8）：2332-2338.

[8] TOMITA Y， VIALATTE F B，DREYFUS G，et al. Bimodal BCI using simultaneouly NIRS and EEG [J]. IEEE transactions on biomedical engineering， 2014，61（4）：1274-1284.

[9] NGUYEN T，KHOSRAVI A，CREIGHTON D，et al.EEG signal classification for BCI applications by wavelets and interval type-2 fuzzy logic systems[J].Expert systems with applications. 2015，42（9）：4370-4380.

[10]陳東偉，吳方，王震，等.基于腦-機(jī)接口的智能小車系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].信息技術(shù)，2013（6）：80-82，87.

[11]王登，苗奪謙，王睿智.一種新的基于小波包分解的EEG特征抽取與識別方法研究[J].電子學(xué)報，2013（1）：193-198.