利用基于稳态视觉诱发电位的脑机接口控制功能性电刺激康复系统.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：0.64M 资料格式：pdf 举报版权申诉

weixin_38665162-12157312-16359647496573605281.pdf-第1页.png

第1页 / 共8页

weixin_38665162-12157312-16359647496573605281.pdf-第2页.png

第2页 / 共8页

weixin_38665162-12157312-16359647496573605281.pdf-第3页.png

第3页 / 共8页

weixin_38665162-12157312-16359647496573605281.pdf-第4页.png

第4页 / 共8页

weixin_38665162-12157312-16359647496573605281.pdf-第5页.png

第5页 / 共8页

weixin_38665162-12157312-16359647496573605281.pdf-第6页.png

第6页 / 共8页

weixin_38665162-12157312-16359647496573605281.pdf-第7页.png

第7页 / 共8页

weixin_38665162-12157312-16359647496573605281.pdf-第8页.png

第8页 / 共8页

文本预览

5 10 15 20 25 30 35 40 中国科技论文在线 http://www.paper.edu.cn 利用基于稳态视觉诱发电位的脑机接口控制功能性电刺激康复系统# 姚林，张定国，黄淦，朱向阳** （上海交通大学，机械系统与振动国家重点实验室，上海 200240）摘要：本文设计了基于稳态视觉诱发电位脑机接口的功能性电刺激系统，以实现人体上肢的抓握和屈伸训练。受试者主动注视屏幕上五个以不同频率闪烁的方块中的某一个频闪方块，外界刺激经受试者的眼睛在大脑视觉皮层区出现相应的反应。对大脑枕部视觉区进行脑电（EEG）信号采集，通过提取滤波后 EEG 信号中的五种刺激频率及其谐波成分，并以此作为分类的特征进行模式识别。模式识别选用线性判决分析（LDA）分类器进行五类的频闪分类，分类的结果对应受试者所注视的频闪，从而明白受试者的意图控制功能性电刺激仪进行相应的康复训练。实验结果表明稳态视觉诱发脑机接口中 EEG 信号基频及其谐波成分分析的特征提取并用 LDA 分类器进行分类具有较好的在线分类效果。在此基础上结合与受试者进行交互的能量条的变化规则模型，进一步提高了系统的输出准确性。实验结果显示出受试者能够按照自己的意图准确地控制 FES 实现设定时序的动作，这为后续实施患者实验奠定基础。关键词：脑机接口；脑电；稳态视觉诱发电位，功能性电刺激，康复系统中图分类号：Q811.3 Using SSVEP based Brain-Computer Interface to Control Functional Electrical Stimulation Rehabilitation System YAO Lin, ZHANG Dingguo, HUANG Gan, ZHU Xiangyang (State Key Laboratory of Mechanical System and Vibration, Shanghai Jiao Tong University, Shanghai 200240) Abstract: In this paper, a functional electrical stimulation (FES) training system with steady-state visual evoked potential (SSVEP) based brain-computer interface (BCI) was designed to realize movements of upper limb. The subjects are required to initiatively focuse on one of the five flicking lights with different frequencies on the computer screen, and some corresponding reactions will occur at the visual cortex of the brain. At the same time, the electroencephalogram (EEG) signal where the subject's intention is encoded is acquired. After filtering the primary flicking frequencies, the harmonic components are extracted as classification features from the EEG channels at the visual cortex region, and then linear discriminant analysis (LDA) classifier is used to decode the subject's intention corresponding to the flicking light that the subject is focusing on. Thereafter a command with user's intention is sent to trigger the FES system to perform the frequency specific training action. The experimental results showed that the feature extraction and classification methods are efficient in on-line classification. Finally an energy bar model is applied to the machine user interface to enhance the output of the system and as a feedback to the user. The results imply that the subjects can accurately control the FES training system to realize the designed action sequencies with their own intention, and this work lays a solid fundation for the future clinical experiments on paralized patients. Key words: brain-computer interface; EEG; steady-state visual evoked potential, functional electrical stimulation, rehabilitation system 0 引言功能性电刺激(FES, Functional Electrical Stimulation) 是康复工程领域里重要的一种技术，通过一定频率的弱电流脉冲刺激运动神经元来控制肌肉收缩，以期望恢复病人受损或丧基金项目：教育部博士点新教师基金(20090073120047)，国家自然科学基金(51075265) 作者简介：姚林（1986 年 1 月），男，博士研究生，主要研究方向：脑机接口通信联系人：张定国（1977 年 12 月），男，副教授，主要研究方向：生物机电. E-mail: dgzhang@sjtu.edu.cn - 1 -

45 50 55 60 65 70 75 80 中国科技论文在线 http://www.paper.edu.cn 失的运动功能。FES 最初的应用是以理疗为目的，“功能性”的理念起源于 60 年代，矫正足部下垂，效果非常理想[1]。近些年，随着电子计算机科技的发展，FES 的应用越来越广泛，早已突破了单纯理疗的范畴，其应用包括对于上肢的屈伸、抓握；对于下肢的站立、行走、骑自行车[2]；对于呼吸困难的病人，通过 FES 可以达到辅助呼吸的目地等[3]。先进的功能性电刺激技术，让那些对身体失去控制的人看到了生物理疗技术给他们带来的希望。一套完整的 FES 系统通常包括控制器、刺激器、传感器和肌骨系统（病人本体）四大部分。其中的核心部分是控制器，它的作用是取代病人受损的中枢神经系统，产生恰当的电脉冲。在以往传统的 FES 控制器设计中，大多是使用一些人工控制算法来实现瘫痪肢体关节对期望轨迹的跟踪，但是几乎所有的这些控制器都是外界人工设计的，病人的主观意识不参与其中，这在某种程度上大大限制了 FES 系统的功能性。因此我们考虑在 FES 系统中引入脑机接口（BCI，Brain-Computer Interface）技术，把它作为自主的控制源。脑机接口是指使用者可以不通过大脑的常规输出通路，即外围神经肌肉通路，而向外界发送信息和命令的通讯系统。当前脑机接口研究核心的目的就是帮助瘫痪病人恢复交流与控制能力，当人体的常规输出通路被阻断时，脑机接口用来代替常规的神经肌肉通路，为给失去运动能力的病人提供全新的通讯和控制渠道。脑电图（EEG）是通过一种非侵入式方法来记录大脑神经元活动产生的微弱电信号。EEG 做为 BCI 的一种重要技术，以无创、经济、方便、易用、具有较高的时间分辨率等特点被科研人员广为利用。根据所使用的生理信号的不同，基于 EEG 的脑机接口主要有以下四类：基于诱发电位(SVEP)的 BCI，基于慢皮层电位(SCP)的 BCI、基于 P300 诱发电位的 BCI、基于想象运动的 mu 和 beta 节律的 BCI。此四类脑机接口各有其特点，最近几年得到了广泛的应用。奥地利的 Graz 科技大学利用稳态视觉诱发电位控制假肢实现抓握[4]，以及利用基于想象运动的 beta 节律在虚拟环境中控制轮椅运动[5]；Illinois 大学的 Farwell 和 Donchin 利用 P300 诱发电位设计了一种虚拟打字机[6]；Birbaumer 和他的同事们利用慢皮层电位 BCI 控制计算机屏幕上一个物体的运动, 这个系统已经在患有肌肉萎缩性侧索硬化的病人中进行了广泛的测试，并证明能提供基本的通信能力[7]。实际上，一些科研队伍已经把脑机接口技术引入 FES 系统。2003 年，Pfurtscheller 教授领导的科研组在 Graz 大学开创性地进行了尝试，基于想象运动的脑电信号被用来触发 FES，协助上肢半瘫痪的病人实现抓握运动[8]；随后，世界一些相关的科研队伍开始致力于 BCI 与 FES 的结合应用[9,10]。目前本课题在国内也有类似的工作 [11,12]。分析当前的 BCI 和 FES 结合应用的总体现状，普遍采用的是基于想象运动的 EEG 信号，但效果并不理想，存在以下几个问题：识别率比较低，训练时间长，个体差异性很大，这些问题在短期内很难有显著地改善。为此，本文将使用基于稳态视觉诱发电位（SSVEP）的脑电信号，使患者能控制患病的肢体作一些康复训练。稳态视觉诱发脑机接口技术具有传输率高、识别准确、训练时间短，通用性强等特点。其基本原理是当病人按自己意愿注视屏幕上以不同的频率黑白相间闪烁的方块时，通过采集头皮的 EEG 信号，对信号进行特征提取与模式分类，识别出病人所注视的频率，从而翻译出病人的意图。通过 BCI 与 FES 接口，触发 FES 刺激相关的肌肉动作，让病人能按照自己的意愿实现手部抓放与肘部屈伸训练（参见图 1）。 - 2 -

中国科技论文在线 http://www.paper.edu.cn 图 1. BCI-FES 系统框图 Figure 1.The structure of BCI-FES system 1 实验及信号处理 1.1 实验系统搭建及参数设计功能性电刺激采用四通道瑞士 Compex Motion II 电刺激器，通过表面电极刺激肌肉产生收缩。脑电信号采集采用 NeroScan 脑电信号采集系统，并在屏蔽室内进行受试者实验，以减少外界噪声对脑电信号的干扰。BCI 与 FES 接口采用自行设计单片机接口电路：上端通过标准的 RS232 串口与 PC 机进行通信，主要接受 BCI 命令指令；下端通过单片机的输出口输出控制电压，此控制电压为与 FES 输入口检测相对应的具有一定幅值和持续时间的电压信号。系统工作如下，当接收到 BCI 的动作模式识别结果后发出具有一定幅值和持续时间的电压触发电刺激器，电刺激器产生电脉冲再刺激骨骼肌动作。实验系统参见图 2。图 2 实验系统图 Figure 2.Framework of experiment system FES 各通道均采用 25Hz 的双极性电流脉冲，脉宽为 125us。由于每块肌肉收缩所需的电流大小都不一样，经实际测试，刺激指伸肌(EDC)和拇长伸肌(EPL)的电流大小为 9mA，刺激指浅屈肌(FDS)和拇长屈肌(FPL)电流大小为 10mA，刺激肱二头肌电流大小为 14mA，刺激肱三头肌电流大小为 11mA。电刺激电极片的布置参见图 3。 - 3 - 85 90 95 100

中国科技论文在线 http://www.paper.edu.cn 图 3.电刺激电极片的布置 Figure 3.The distribution of the stimulus electrodes 105 110 EEG 电极帽采用国际 10/20 脑电电极标准，通过位于大脑视觉皮层区的八个标准电极采集脑电信号，分别位于 PO3,POz,PO4,O1,Oz,O2,CB1,CB2。参考电极位于 Cz 与 CPz 之间，接地位于前额。采用 0.5～30Hz 的模拟带通滤波器，并对 50Hz 工频干扰进行带限滤波。数字采样率为 1000Hz。五个白色频闪方块的频率从左到右从上到下分别为 12.5Hz, 7.5Hz, 9.37Hz, 8.33Hz, 6.82Hz。参见图 4。图 4.实验各阶段交互界面 Figure 4. User interface at different stages 115 1.2 实验范式本实验通过 SSVEP 五个频闪映射 FES 不同刺激模式。12.5Hz 频闪对应于抓握动作， 7.5Hz 频闪对应于张手动作，8.33Hz 频闪对应于屈肘动作，6.82Hz 频闪对应于伸肘动作，此外 9.37Hz 对应于空闲状态(闭眼时 α 波非常明显，受试者亦可通过闭眼一两秒达到空闲状态)。当受试者主动注视屏幕上某一频闪时，通过对 EEG 信号处理识别出受试者的意图，然后触发 FES 实现与该频率相对应的动作。FES 刺激单次动作实现分为两个阶段：1～3 秒为受试者与脑机接口交互阶段，受试者应集中注意力按自己的意图对屏幕上的五个频闪进行选择；第二阶段为 8 秒的 FES 动作阶段，电刺激仪刺激骨骼肌进行动作。每个受试者均进行两轮，每轮的动作时序如下所示： A．张手：通过同时刺激指伸肌(EDC)，拇长伸肌(EPL) B．抓握：先四指合上，随后大拇指合上，通过先刺激指浅屈肌(FDS)，再刺激拇长屈肌(FPL) C. 肘屈：通过刺激肱二头肌 D．肘伸：通过刺激肱三头肌 E．张手：通过刺激 EDC, EPL F. 空闲：不进行刺激 - 4 - 120 125 130

中国科技论文在线 1.3 实验过程 http://www.paper.edu.cn 训练阶段：训练阶段非常重要，受试者后续阶段的实验过程均受该阶段影响。受试者应全身心放松不要紧张，正坐并保持静止不要动作，集中注意力按照指示注视屏幕，在训练过程中尽量少眨眼，训练时间为 150 秒钟。受试者会看到屏幕上每隔 5 秒会随机出现一个红色方条，如图 4-a 所示，此时受试者应集中注意力注视红色方条所指示白色闪烁方块，30 次后结束训练，进入下一阶段。 135 评估阶段：旨在对于训练的好坏进行评估。此过程中会依次出现五个红色方条，同样受试者要求集中注意力注视红色方条所指示的白色闪烁方块，此时白色方块旁会出现一个反应受试者意图的能量条，如图 4-b 所示。能量条的长短反应受试者的意图以及效果的好坏，实验者根据受试者的表现调整参数，或返回训练阶段。 140 自由阶段：此阶段受试者可完全根据自己的意图注视其中任意频闪方块，判断自己所注视的方块旁的能量条的变化是否与自己的意图相一致，如图 4-c 所示。此阶段的时间长短由受试者自己决定，该阶段主要是使受试者逐渐适应 BCI 系统。若觉得系统反应过快或过慢，或不能很好的反应自己的意图，可返回训练阶段或实验者进一步调节实验参数。动作阶段：受试者按照动作时序注视对应的白色闪烁方块，当持续注视某一方块，方块旁对应的能量条就会逐渐增加，同时作为反馈提示受试者正在注视的频率，当能量条达到设定阈值时就会触发 BCI 与 FES 接口，控制电刺激器产生相应的电脉冲模式。动作阶段给出几个过程参数以记录实验的效果，主要包括 TP (True Positive) 值即当顺序按照给定的动作时序动作时，每动作一次 TP 值加 1, FN (False Negative) 值即当与指定的顺序动作不同时， TN 值加 1, BP (Back to previous) 值即当出现误动作后，回到原来的状态的动作次数。 1.4 特征提取及分类神经生理学和电生理学实验表明，在稳态视觉刺激频率下，大脑的初级视觉皮层区出现与该频闪相对应的反应，即在信号的频域表现为该频率及其谐波成分较高，从信号调制的角度来看，信号经过了频率调制过程。特征和模式识别的任务就是从复杂的调制信号中分析出被调制的信号并进行分类。分类的好坏与稳定性，在很大的程度上取决于特征的好坏与稳定性，一般提取的特征应遵从如下原则：提取的特征应尽可能包含信号的特点，不同模式类的特征区分度应尽可能大，特征组成的特征向量应便于分类以及减少运算量。特征提取：受试者分别集中注意力分别按顺序注视五个闪烁的方块（图 4），每个方块注视持续 30 秒钟。图 5 和图 6 显示了第 62 通道的 EEG 信号的幅频特性。从图 5 中可以看出，受试者所注视的频率及其谐波对应具有较高的分辨率。图 6 为受试者注视 9.37Hz 频闪时 EEG 的幅频特性图，9.37Hz 及其谐波 18.74Hz 处幅值相当明显，而其它刺激频率不突出。当注视不同的闪烁方块，对应的幅频谱差异比较大，因而根据特征提取的一般原则，选取五个方块的基本频率以及谐波作为分类的基本特征向量。为提高特征的区分度，选取多个显著包含刺激频率视觉区通道，同样提取五个刺激频率及其谐波成分。每个通道提取 10 个频率点，选取 8 个通道，因而特征向量维数为 80，后面的试验测试结果表明该特征向量具有较好的区分度。 145 150 155 160 165 - 5 -

中国科技论文在线 http://www.paper.edu.cn Figure 5.EEG spectrum of the subject when he sequentially stares at five lights with different frequencies. 图 5.受试者按顺序注视五种频闪时 EEG 信号频谱 170 175 180 图 6.受试者注视 9.37Hz 频闪时 EEG 信号频谱 Figure 6. EEG spectrum of the subject when he stares at the light with frequency of 9.37Hz. 试验训练阶段，所选的八个通道 EEG 信号分别通过长度为 1000 的矩形窗进行截短并作 FFT 变换，提取上述特征频率点作为该频闪下的特征向量，并以长度 100 进行滑动提取下一特征向量，直到频闪状态切换。在线判别式，同样采取长度为 1000 的矩形窗截短提取特征，并且每隔 100 个点给出一个分类结果，即 100ms 输出一个模式分类结果。分类器设计：综合考虑各种分类器的特点以及所提取的特征向量的区分度，这里选择线性判决分析（LDA）作为分类方法。由于要进行五个类别的分类，因而需要进行两两 LDA 分类。在 Matlab 环境下，通过训练阶段得到的特征进行 LDA 分类器训练，并将训练好的 LDA 分类器应用于在线的分类。 2 实验结果与分析受试者在屏蔽室里进行 SSVEP 实验，并根据自己的意图主动地控制 FES 进行抓握、张手、肘屈、肘伸动作。 185 表 1 为四个受试者的在线 EEG 信号识别结果，可以看到同一受试者对不同的频闪的识别率相差很明显，且在不同的组别里差异也较明显，第二组的平均识别率都比第一组要大。此外不同的受试者对同一频闪的识别率相差也比较大。 190 195 - 6 -

中国科技论文在线 http://www.paper.edu.cn 表 1. 四个受试者的在线 SSVEP 识别准确率 Table 1.On-line Classification of SSVEP of the two subjects 6.82Hz 组数识别率 8.33Hz 识别率 12.5Hz 识别率 78.61% 89.24% 75.39% 82.82% 69.54% 85.66% 88.91% 88.97% 7.5Hz 识别率 7.5Hz 平均识别率识别率 85.72% 88.74% 90.11% 85.88% 83.76% 86.24% 83.42% 89.83% 92.09% 87.35% 82.09% 84.78% 77.62% 71.02% 71.20% 75.30% 87.48% 86.27% 68.30% 83.78% 77.91% 78.94% 83.45% 87.08% 76.99% 83.06& 82.92% 83.43% 83.51% 83.90% 90.88% 80.73% 76.94% 75.51% 82.95% 91.85% 86.95% 89.87% 82.69% 87.86% 受试者 S1 S2 S3 S4 第一组第二组第一组第二组第一组第二组第一组第二组受试者在动作阶段时，BCI 系统每隔 100ms 给出一个模式分类结果，实验中反映受试者意图的能量条的变化规则模型如下：1.每个动作类所对应的能量条满状态的阈值为 300，超过 300 时通过串口发出相应的指令控制 FES；2. 每识别出一个模式分类结果，对应的能量条长度增加 20，其他能量条缩短 10；3.当能量条所对应的长度值小于零或超过阈值时，能量条长度自动清零。4.能量条的增减参数及阈值可由实验者根据受试者的表现效果进行调节，旨在使受试者与系统具有较优的交互效果。表 2 为受试者的动作结果，可看出四个受试者均在两组实验里准确地控制 FES 实现预定的动作。表 2. 四个受试者的动作结果 Table 2.Action results of the two subjects 受试者 S1 S2 S3 S4 组数第一组第二组第一组第二组第一组第二组第一组第二组 TP 6 6 6 6 6 6 6 6 FN 0 0 0 0 0 0 0 0 BP 0 0 0 0 0 0 0 0 3 结论及展望基于 SSVEP 的 BCI 系统具有较好的在线识别准确率和较高的传输率。由于进行的是在线实验，受试者在不同的频闪方块间进行切换的 1000ms 时间内，时间窗内主要包含了切换前和切换后两种频率成份，这在一定程度上增加了识别的错误率；此外由于是五种频闪方块同时闪烁，受试者对不同的频率反应不太一样，以及受试者当时的注意力集中程度，这些均会增加识别的错误率。能量条的变化规则模型提高了动作输出的准确性，但在一定程度上延缓了触发动作的时间。在进行 BCI 控制的 FES 康复训练实验时，更关注的是系统能非常准确地反应患者的意图进行准确的动作，因而可适当延长系统的响应时间提高动作输出的准确性和可靠性。现阶段的实验主要是在正常的受试者上进行的，下一步的主要工作将转向特定的患者进行一些实验，更好地开发服务于患者的智能康复训练系统。脑机接口的作用只是给功能性电刺激系统提供了开环的控制指令，为保证控制效果，未来将考虑在 FES 系统下层引入反馈控制机制。 - 7 - 200 205 210 215 220 225

中国科技论文在线 http://www.paper.edu.cn [参考文献] (References) [1] MOE J H, POST H W. Functional electrical stimulation for ambulation in hemiplegia[J]. Lancet, 1962, 82(7): 285~288. [2] ZHANG D G, TAN H G, FERDINAN W, et al. Functional Electrical Stimulation in Rehabilitation Engineering: A Survey [A]. ZEN T H K. Proc. of iCREATe Conference[C]. New York: ACM, 2007. 221~226. [3] GOLLEE H, MCLACHLAN A J, HUNT K J, et al. An SSVEP based brain-computer interface for the control of functional electrical stimulation[J]. IEEE Transactions On Biomedical Engineering, 2010, 57(8): 1847~1855. [4] MÜLLER-PUTZ G R, PFURTSCHELLER G. Control of an Electrical Prosthesis With an SSVEP-Based BCI[J]. IEEE Transactions On Biomedical Engineering, 2008, 55(1): 361~364. [5] LEEB R, FRIEDMAN D, MÜLLER-PUTZ G, et al. Self-Paced (Asynchronous) BCI Control of a Wheelchair in Virtual Environments: A Case Study with a Tetraplegic [J].Comput Intell Neurosci, 2007, 79642. [6] FARWELL L A, DONCHIN E. Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials[J]. Electroencephalogr Clin Neurophysiol, 1988, 70(6): 510-23. [7] BIRBAUMER N, KUBLER A, GHANAYIM N, et al. The thought translation device (TTD) for completely paralyzed patients[J]. IEEE Transactions On Rehabilitation Engineering,2000, 8(2): 190-193. [8] PFURTSCHELLER G, MÜLLER G R, PFURTSCHELLER J, et al. 'Thought' - control of functional electrical stimulation to restore handgrasp in a patient with tetraplegia [J]. Neuroscience Letters, 2003, 351: 33~36. [9] BOORD P, BARRISKILL A, CRAIG A, et al. Brain-computer interface-FES integration: Towards a hands-free neuroprosthesis command system [J]. Neuromodulation, 2004, 7(4): 267~276. [10] BENTLEY A S J, ANDREW C M, JOHN L R. An Offline Auditory P300 Brain-Computer Interface Using Principal and Independent Component Analysis Techniques for Functional Electrical Stimulation Application[J]. Proceeding of 30th IEEE EMBC, 2008, 1- 8:4660~4663. [11] MENG F, TONG K Y, CHAN S T, et al. BCI-FES training system design and implementation for rehabilitation of stroke patients [J]. IEEE Intern. Joint. Conf. Neural Networks (IJCNN), 2008,1-8: 4103~4106. [12] 周鹏, 曹红宝, 熊屹, 等. 基于脑机接口的智能康复系统的设计[J]. 计算机工程与应用, 2007, 43(26): 1~4. 230 235 240 245 250 255 - 8 -

分享到：

赞收藏

资料库

利用基于稳态视觉诱发电位的脑机接口控制功能性电刺激康复系统.pdf

相关推荐

开发技术

热门标签

最新资料