專利名稱：利用眼電和腦電信息的電動假手控制方法
技術領域：
本發(fā)明屬于信息和控制技術領域，涉及到一種利用眼電信號中所包含的有用信
息，增強運動想象腦電信號特征，改善運動想象模式下基于腦電信號的肢體動作識別效果 的技術，具體是一種利用眼電和腦電信號作為電動假手的控制信息源，通過對含眼電信息 的腦電信號進行提取、分析，識別得到假手動作的多個模式，進而實現(xiàn)假手多自由度的實時 控制。
背景技術：
眼電信號(electro-oculogram，EOG)是一種伴隨眼球運動產(chǎn)生的生物電信號。眼 球是一個雙極性的球體，角膜區(qū)呈現(xiàn)正極性，視網(wǎng)膜區(qū)呈現(xiàn)負極性，兩者之間的電位差在頭 的前部形成一個電場。當眼球轉動時，該電場的空間方位發(fā)生變化。電性的變化能夠被眼 睛附近放置的電極，包括頭皮腦電電極檢測到。針對眼電的電極檢測到的電壓信號就是眼 電信號。眼球在垂直方向或水平方向的運動都可被相應的眼電信號記錄。眨眼動作會引起 眼周圍電位的變化，因而也會產(chǎn)生相應的眼電信號。 腦電信號(electroencephalogram, EEG)是由大腦皮層神經(jīng)細胞群突觸傳遞信號 而引起的電位變化，可以反映大腦自主或誘發(fā)的意識活動，與實際的動作行為密切相關。目 前，采用腦電信號作為假肢的控制信息源是腦機交互(braincomputer interface, BCI)領 域的一個熱點研究問題，即通過對殘疾人在進行肢體運動想象時發(fā)出的腦電信號進行分析 處理，識別出殘疾人要實現(xiàn)的肢體運動模式，據(jù)此產(chǎn)生驅動假肢動作的相應控制信號。
對腦電信號的采集有侵入式(invasive)和非侵入式(non-invasive)兩種，侵入 式腦電信號采集使用植入式電極，非侵入式則采用頭皮電極。侵入式腦電信號采集方法是 通過顯微外科手術將微電極植入顱腔內(nèi)測量腦電信號的一種方法，定位性好，信噪比高，但 存在一系列的技術困難及較大的臨床風險。目前已有研究成果證明采用頭皮腦電信號作為 假肢控制信息源的可行性，但由于該類信號不是在腦神經(jīng)元上直接提取，而是從頭皮上提 取，信號微弱，且噪聲大，信噪比很低，應用它進行肢體運動想象模式識別非常困難。
在頭皮腦電信號采集過程中，由眼動引起的眼電信號，一部分會沿顱骨傳播，與腦 電信號產(chǎn)生融合，使腦電信號特征發(fā)生改變。在傳統(tǒng)的信號處理過程中，眼電信號通常被作 為主要的干擾信號加以濾除，故被稱作"眼電偽跡"。但人類從周圍環(huán)境中所獲得的絕大部 分信息來自于視覺，視網(wǎng)膜接收到外界信息，經(jīng)視覺通路傳到神經(jīng)中樞，外部剌激引發(fā)大腦 的思維活動。特別值得注意的是人們在進行手部運動的過程中，往往需要腦、眼、手的協(xié)調(diào) 配合，會自然而然地伴隨一些眼部運動。例如人們想要抓取某一目標物時，眼睛也會自然轉 向該目標物。此時眼動引起的眼電信號包含了手的運動信息，該眼電信號與同一運動想象 過程產(chǎn)生的腦電信號在顱骨處發(fā)生自然融合。眼電信號包含的手部運動信息，使腦電信號 包含的手部運動信息得到增強，信號特征得到強化。 從以上分析得知，眼睛的運動與人腦的活動有著密切的關系，因而眼電和腦電信 號在生理上緊密相關。排除眼電偽跡的腦電分析盡管具有很高的學術研究價值，但在一些具體的實際應用場合，如腦電控制假手的腦機交互系統(tǒng)，沒有必要刻意追求將眼電偽跡濾 除，甚至可以將眼電信息加以利用，采用眼、腦協(xié)調(diào)的肢體運動想象方式，利用眼電信號使 運動想象腦電信號特征得到強化，以期取得更好的識別效果。 獨立成份分析(Ind印endent Component Analysis, ICA)作為一禾中近年來興起 的信源分解技術，在腦電信號處、語音識別、通訊、圖像處理等領域得到了較為廣泛的應用。 ICA算法的基本思路是在混合矩陣和源信號未知的情況下，利用源信號間統(tǒng)計獨立這一假 設，通過優(yōu)化算法尋找一個線性變換矩陣對觀測信號進行線性變換，得到輸出向量，使之盡 可能地逼近源信號，成為對源信號的一個估計。獨立成份分析算法很多，但絕大多數(shù)方法需 分離的獨立成份數(shù)目與檢測到的混合信號數(shù)目相同，混合信號中無論是需要的信號成份還 是各種干擾信號成份都將被抽取出來，且信號成份排列順序不確定。提取所需的信號成份， 還需大量的后置處理。所以傳統(tǒng)的獨立成份分析方法在提取含眼電信息腦電信號這類高維 應用中，將包含大量的冗余計算，耗費了大量資源、降低了信號恢復的質量，遠不能滿足電 動假手實時處理的要求。 已有學者提出將所需提取信號的先驗知識用于獨立成份分析算法，以提高算法的 精確性，實現(xiàn)該算法更多的應用。但目前該類算法僅利用參考信號與估計信號均方差最小 這類二階準則確定優(yōu)化權矩陣分量；且采用基于梯度的算法優(yōu)化負熵、互信息、鞘度等非 凸、非線性目標函數(shù)。在實際的高維優(yōu)化問題中，基于二階準則確定優(yōu)化權矩陣分量不夠準 確；梯度下降算法使優(yōu)化結果非常容易收斂到一個局部最優(yōu)點，導致此類算法僅能獲得一 些局部最優(yōu)解，需要提取的信號元素可能被忽略。 粒子群優(yōu)化算法(particle swarm optimization, PS0)是一種平行、隨機的全局 優(yōu)化算法，是一種解決優(yōu)化問題的通用工具。這種方法利用概率搜索代替窮舉搜索；利用 多個粒子并行計算來降低計算時間；利用反饋回來的信息不斷修正粒子下一步搜索的方向 和幅度，逐漸逼近全局最優(yōu)點，從而達到全局優(yōu)化的目標。該算法不要求被優(yōu)化函數(shù)具有可 微、可導、連續(xù)等性質，收斂速度快，算法簡單容易編程實現(xiàn)。PSO算法已在計算機科學和工 程問題中得到成功應用，從最初的復雜多峰非線性函數(shù)的優(yōu)化、多目標優(yōu)化等傳統(tǒng)問題，到 圖像分割、模式識別、神經(jīng)網(wǎng)絡權值訓練、實時機器人路徑規(guī)化等等。特別是近期有文獻表 明PSO算法在腦磁圖(magnetoenc印halography， MEG)數(shù)據(jù)分析中得到成功應用，展示出 PS0算法在腦電信號處理領域的應用前景。 由以上分析可知，若能將利用需提取信號的先驗知識進行獨立成份分析的信號提 取問題，轉化為合適PS0算法求解的優(yōu)化問題，進而用PS0算法進行尋優(yōu)計算，將能夠解決 目前該類ICA算法存在的僅能獲得一些局部最優(yōu)解，導致需要提取的信號元素可能被忽略 的問題，使算法的高效性和精確性得到保證。
發(fā)明內(nèi)容
本發(fā)明的目的就是針對現(xiàn)有技術的不足，提供一種采用眼電、腦電信號作為控制
信息源的三自由度電動假手控制方法，使其完成張開、合攏、腕伸、腕屈、腕外旋、腕內(nèi)旋這 六種假手動作。該種仿生假手特別適合神經(jīng)、肌肉嚴重退化的癱瘓人士使用。 可具體表述為在腦電信號采集和處理過程中將眼電信號看成是一種可用的信號 源，參照日常生活中人們在做手部動作時自然輔以的相應眼部動作，采用眼腦協(xié)調(diào)方式進行運動想象，利用眼電信號中所包含的有用信息，增強同一運動意識所產(chǎn)生腦電信號特征； 利用所提出的基于粒子群優(yōu)化的確定成份分析算法(determination component analysis based on particle swarmoptimization algorithm, DCA—PS0)進行含目艮電信息腦電信號 提取和手部運動想象模式識別；進而得到假手的控制信號輸出給驅動電路，驅動電機帶動 電動假手按殘疾人的運動意愿實現(xiàn)對三自由度假手的控制。 本發(fā)明的具體控制方法是將腦電拾電傳感器中的頭皮拾電電極放置在國際腦電 圖學會標準10-20導聯(lián)系統(tǒng)確定的腦前額部Fpl或Fp2位置，參考電極放置在耳廓位置。由 腦電拾電傳感器拾取的原始信號經(jīng)初級放大、二次處理、A/D轉換完成數(shù)據(jù)采集(初級放 大、二次處理、A/D轉換采用腦電信號采集中成熟的信號處理技術)，進入微處理器，應用基 于粒子群優(yōu)化的確定成份分析方法進行含眼電信息腦電信號提取及運動模式分類，識別出 張開、合攏、腕伸、腕屈、腕外旋、腕內(nèi)旋這六種手部運動模式和手部無動作模式。當識別結 果為某種手部運動模式時，輸出相應控制信號給驅動電路，驅動電機帶動電動假手按殘疾 人的運動意識動作。當識別結果為手部無動作模式時，輸出置零，表示殘疾人無手部運動意 識，假手不動作，處于放松狀態(tài)。微處理器輸出相應控制信號給驅動電路，以及驅動電機帶 動電動假手動作采用現(xiàn)有的成熟技術。 傳統(tǒng)的獨立成份分析方法通過梯度下降算法尋優(yōu)構建一個分離矩陣W = (Wij)nXn，
根據(jù)u = Wx (其中x為腦電拾電傳感器的檢測信號)，分離出與檢測到的混合信號數(shù)目相同
的獨立成份。但提取所需的信號成份，還要大量的后置處理；且由于采用梯度下降算法使優(yōu)
化結果非常容易收斂到一個局部最優(yōu)點，導致需要提取的信號元素可能被忽略。而應用所
提出的基于粒子群優(yōu)化的確定成份分析方法能夠僅提取與參考信號相關的所需確定信號，
即代替尋優(yōu)估算整個nXn分離矩陣W，只需應用粒子群優(yōu)化方法找到W中的某一行w，從而
由輸出信號u = wx得到期望提取的信號成份，這能有效提高算法效率和精確性。 應用基于粒子群優(yōu)化的確定成份分析方法包括構建參考信號、提取含眼電信息腦
電信號以及運動模式分類。 應用該方法首先構建參考信號(包括信號提取參考信號和分類識別參考信號)。
具體是在符合標準的腦電信號實驗室，采集手抓取、手張開、手腕上翻、手腕下翻、手腕內(nèi)
旋、手腕外旋六種真實手部動作對應的原始檢測信號，采用現(xiàn)有成熟方法對其進行離線分
析處理，得到與六種手部運動模式對應的含眼電信息腦電信號作為樣本信號。 將該樣本信號作為分類識別參考信號，根據(jù)分類識別參考信號與所提取的含眼電
信息腦電信號的相關性進行運動模式識別。 采用投影尋蹤(Projection Pursuit,PP)方法構建信號提取參考信號。依據(jù)六類 含眼電信息腦電信號樣本都具有單峰脈沖的特點，選用單峰脈沖信號作為需構建參考信號 的初始模型；再選擇六種含眼電信息腦電信號樣本中的一種，依據(jù)Hall投影指標，將樣本 信號數(shù)據(jù)投影到一維空間上，找出與初始模型相差最大的投影，將該投影包含的初始模型 中沒有反映出來的結構合并到初始模型上，得到改進的新模型。再從此新模型出發(fā)，從六種 樣本信號中重新選擇一種，重復以上步驟，對模型進行再次修正，直至六種含眼電信息腦電 信號樣本都按上述步驟選擇處理完畢。此時的修正模型即為所需構建的包含六類含眼電信 息腦電信號樣本先驗信息的信號提取參考信號。 將信號提取參考信號與輸出信號相關作為約束條件構造優(yōu)化算法所需的適應度函數(shù)，具體是 采用負熵最大化目標函數(shù)，輸出信號U的負熵J(U)為
J(u) = H(ug)_H(u) (1) 式中Ug是與輸出信號U方差相同的高斯隨機向量；H(.)表示信號的負熵；負熵的 特點是它對U的任意線性變換保持不變，而且總是非負的，只有當U是高斯分布時才為零。 基于這一點，負熵是一個很好的目標函數(shù)。令系統(tǒng)輸出成份負熵最大化能導致信號的分離。
A. Hyvarinen等人在所發(fā)表的文章"New approximations of differentialentropy for independent component analysis and projection pursuit，， 中已證明J(u)的值可以通過式(2)來進行可靠的近似估計。
J (u) " c [E {G (u)} -E {G (v)} ]2 (2) 式中G是任何非二次函數(shù)，c是正常數(shù)，v是一個具有零均值、單位方差的高斯變 將估計輸出u和相應參考信號r之間相關作為約束條件，與負熵最大準則相結合，
用于優(yōu)化求解過程。輸出u和相應參考信號r之間相關通過式(3)表示。 f(u) = e (u，r) =Cov(u，r) = E {u， r} - {E (u) E (r)T} >0 (3) 將式(3)作為約束條件，加入目標函數(shù)，將一次性準確提取含眼電信息腦電信號
的問題轉化為一個帶不等式約束的優(yōu)化問題。 Maximize Jc(u) subject to f(u) = e (u， r) >0 (4) 為保證所提取的獨立成份為需要的信號成份，即所提取成份與參考信號的相關性
達到某一個合適的程度，同時也為簡化優(yōu)化算法，引入矢量z，將不等式約束轉換為等式約
束，使 h (u) = f (u) -z2 = 0 (5)
則問題進一步轉化為帶等式約束的優(yōu)化問題，如式(6)所示。
Maximize Jc(u) subject to h (u) = e (u，r)_z2 = 0 (6) 應用拉格朗日乘子法得到相應的增廣拉格朗日函數(shù)式，將此函數(shù)式作為粒子群優(yōu) 化算法的適應度函數(shù)，如式(7)所示。 F(w， ii ， z) = JG(u) + ii h(u) (7) 式中ii是正的拉格朗日數(shù)乘向量；u = wx， x為原始的含眼電信息腦電信號。
利用粒子群優(yōu)化算法進行尋優(yōu)計算，得到所需的分離矩陣W的行向量w，從而由輸 出信號u二wx得到期望提取的信號成份。粒子群優(yōu)化算法是一種成熟的平行、隨機的全局 優(yōu)化算法，是一種解決優(yōu)化問題的通用工具。在DCA-PS0算法中，優(yōu)化問題的每一個解稱為
一個粒子，第i個粒子表示為Ki= (Wi， Pi，Zi)，每一個粒子在搜索空間，各自擁有其方向
和速度，依據(jù)自己的經(jīng)驗和其它粒子的經(jīng)驗在問題搜索空間飛行，尋找最優(yōu)位置。每一個粒 子的行為被所定義的適應度函數(shù)評估。通過設定最大迭代次數(shù)結束算法運行。
進行尋優(yōu)計算的流程如下 i)如果首次優(yōu)化，則決定初始種群個體數(shù)目以及相關參數(shù)，對第i個個體而言，它 具有隨機給定的位置及速度。
7
ii)依據(jù)式(7)，計算每一個個體優(yōu)化的適應度函數(shù)。 iii)將每一個個體求得的適應度函數(shù)與其記錄中的個體最優(yōu)解進行比較，若當前
解較之前最優(yōu)結果更佳(適應度函數(shù)值更大)，則以之取代個體最優(yōu)解。此外，若目前求得
的解優(yōu)于群體最優(yōu)解，則將群體最優(yōu)解重設為目前的結果。 iv)將群體最優(yōu)解求得的參數(shù)值w， y ， z，取代之前的值。 v)按照式(8)、式(9)修改種群中各個體的位置和速度。
<formula>formula see original document page 8</formula> <+i = to/+ Am"1 (9)
式中Amij+1稱為粒子i的速度，表征在第j次迭代中粒子位置的改變。表征在 第j次迭代中粒子i的當前位置。表征在第j次迭代中粒子i的修正位置。pidj表征 在第j次迭代中，粒子先前的最好位置。Pgdj表征在第j次迭代中，當前所有粒子已經(jīng)達到 的最優(yōu)位置。a ， ^是正加速度系數(shù)，Y稱為慣量權，r/， r '是在[o，l]之間的均勻分布 隨機數(shù)。 依據(jù)u = wx得到含眼電信息的腦電信號。 根據(jù)分類識別參考信號與所提取的含眼電信息腦電信號的相關性進行運動模式 識別的方法是 依據(jù)^ = ^^y^分別計算提取信號與六種分類識別參考信號A之間相關系數(shù)
的大小，式中u為所提取信號，fi為六種分類識別參考信號中的一個。選出相關系數(shù)最大的 一組與設定的閾值作比較，若大于閾值A ，將相關系數(shù)最大組的分類識別參考信號所對應 的手部運動模式作為識別結果，輸出相應的假手運動控制指令，若最大相關系數(shù)小于或等 于閾值A，說明此時殘疾人無手部動作意識，判別為手部無動作模式，將控制器輸出置零， 假手不動作，o. 5《A《1。 本發(fā)明方法采用眼、腦協(xié)調(diào)方式表達手部運動意愿，利用眼電信號包含的有用信 息，增強同一運動意識所產(chǎn)生腦電信號的特征；應用所提出的基于粒子群優(yōu)化的確定成份 分析算法(DCA-PSO)對含眼電信息腦電信號進行提取、分析、處理，實現(xiàn)手部多運動模式識 別。由于DCA-PSO方法在信號提取過程中，將包含需提取信號先驗知識的參考信號與輸出 信號相關作為約束條件，構建帶約束條件的優(yōu)化問題模型，并應用具有平行、隨機、全局優(yōu) 化特性的粒子群優(yōu)化算法進行尋優(yōu)計算，從而保證能一次性從原始檢測信號中提取所需信 號成份，且能克服目前獨立成份分析方法中由于采用基于梯度的優(yōu)化算法，使得在解決實 際高維優(yōu)化問題時，容易收斂到一個局部最優(yōu)點，而不是收斂到全局最優(yōu)點的問題。由于作 為仿生電動假手信號源的含眼電信息腦電信號特征明顯，因而手部運動模式識別的正確率 高，假手動作控制可靠，實現(xiàn)了高可靠識別率下三自由度假手六個動作的實時控制，而且特 別適用于神經(jīng)、肌肉嚴重退化的癱瘓人士使用。
圖1為本發(fā)明中基于粒子群優(yōu)化的確定成份分析方法的示意圖；
圖2為圖1中模式識別方法示意圖。
具體實施例方式
本發(fā)明選擇腦電拾電傳感器采集包含眼電信息的腦電信號。每個腦電拾電傳感 器包括頭皮拾電電極和至于耳部的參考電極，及與拾電電極和參考電極連接的初級放大 電路，初級放大電路的輸出端分別與對應的二次處理電路輸入端連接，二次處理電路包括 50Hz的陷波電路、后級放大電路、補償電路(用于消除共模信號)。二次處理電路輸出端與 A/D轉換電路的輸入端連接。三自由度電動假手的三個電機分別與對應的驅動電路連接。 微處理器分別與A/D轉換電路的輸出端、驅動電路的輸入端信號連接。
該裝置中的初級放大電路、二次處理電路(含后級放大電路、濾波電路等)、A/D轉 換電路、微處理器、電機的驅動電路均采用現(xiàn)有的單自由度仿生假手相應的電路和器件。
利用眼電和腦電信息的電動假手控制方法是將腦電拾電傳感器中的頭皮拾電電 極放置在國際腦電圖學會標準10-20導聯(lián)系統(tǒng)確定的腦前額部Fpl或Fp2位置、參考電極放 置在耳廓位置，當佩帶三自由度電動假手的殘疾人采用自然的眼、腦協(xié)調(diào)方式進行手部運 動想象，表達運動意志時，由腦電拾電傳感器拾取的原始信號經(jīng)初級放大、二次處理、A/D轉 換完成數(shù)據(jù)采集，進入微處理器，應用基于粒子群優(yōu)化的確定成份分析方法進行含眼電信 息腦電信號提取及運動模式分類，識別出張開、合攏、腕伸、腕屈、腕外旋、腕內(nèi)旋這六種手 部運動模式和手部無動作模式；根據(jù)識別的手部運動模式輸出相應控制信號給驅動電路， 經(jīng)驅動電路帶動假手的三個電機，完成三自由度電動假手的某種動作；當識別結果為手部 無動作模式時，輸出置零，假手不動作。 如圖1所示，基于粒子群優(yōu)化的確定成份分析方法包括構建參考信號、提取含眼 電信息腦電信號以及運動模式分類。 (1)參考信號包括信號提取參考信號和分類識別參考信號，構建參考信號的具體 方法是 ①在符合標準的腦電信號實驗室，采集手抓取、手張開、手腕上翻、手腕下翻、手腕 內(nèi)旋、手腕外旋六種真實手部動作對應的原始檢測信號，進行離線分析處理，得到與六種手 部運動模式對應的含眼電信息腦電信號作為樣本信號。
②將該樣本信號直接作為分類識別參考信號。 ③采用投影尋蹤方法構建信號提取參考信號，具體是依據(jù)六類含眼電信息腦電
信號樣本都包含的單峰脈沖信號作為構建參考信號的初始模型；再選擇六種含眼電信息腦
電信號樣本中的一種，依據(jù)Hall投影指標，將樣本信號數(shù)據(jù)投影到一維空間上，找出與初
始模型相差最大的投影，將該投影包含的初始模型中沒有反映出來的結構合并到初始模型
上，得到改進的新模型；再從新模型出發(fā)，從六種樣本信號中重新選擇一種，重復以上步驟，
對模型進行再次修正，直至六種含眼電信息腦電信號樣本都按上述步驟選擇處理完畢；最
終的修正模型即為信號提取參考信號。
(2)提取含眼電信息腦電信號的具體方法是 a.首先將信號提取參考信號r與輸出信號u相關作為約束條件構造優(yōu)化算法所需 的適應度函數(shù)，具體是 采用負熵最大化目標函數(shù)，輸出信號u的負熵J(u)為
J(u) = H(ug)-H(u) (1)
式中Ug是與輸出信號u方差相同的高斯隨機向量、H(.)表示信號的負熵；將式(1) 簡化為 J (u) " c [E {G (u)} -E {G (v)} ]2 (2) 式中G是任何非二次函數(shù)，c是正常數(shù)，v是一個具有零均值、單位方差的高斯變 將輸出信號u和信號提取參考信號r之間相關作為約束條件，表示為
e (u， r) = Cov (u， r) = E {u， r} - {E (u) E (r)T} > 0 (3) 將式(3)作為約束條件，加入負熵最大化目標函數(shù)，同時引入矢量z，將提取含眼
電信息腦電信號的問題轉化為帶等式約束的優(yōu)化模型，表示為 Maximize Jc(u) subject to h (u) = e (u，r)_z2 = 0 (4) 應用拉格朗日乘子法得到相應的增廣拉格朗日函數(shù)式，將此函數(shù)式作為粒子群優(yōu) 化算法的適應度函數(shù)，表示為 F(w， u ， z) =JG(u) + uh(u) (5) 式中ii是正的拉格朗日數(shù)乘向量；u二wx，x為原始檢測信號、w為分離矩陣W的 行向量。 b.利用粒子群優(yōu)化算法進行尋優(yōu)計算，得到所需的分離矩陣W的行向量w，從而由 輸出信號u二wx得到期望提取的信號成份；通過設定最大迭代次數(shù)結束算法運行。進行尋 優(yōu)計算的流程如下 i)如果首次優(yōu)化，則決定初始種群個體數(shù)目以及相關參數(shù)，對第i個個體而言，它
具有隨機給定的位置及速度，第i個粒子表示為k , = (Wi， ii i， Zi); ii)依據(jù)式(5)，計算每一個個體優(yōu)化的適應度函數(shù)F(Wi， ii i， Zi); iii)將每一個個體求得的適應度函數(shù)F(Wi， ii" Zi)與記錄中的該個體的最優(yōu)適
應度函數(shù)值進行比較，若當前適應度函數(shù)值大于先前的該個體的最優(yōu)適應度函數(shù)值，則以
當前適應度函數(shù)值作為記錄中的最優(yōu)適應度函數(shù)值，若當前適應度函數(shù)值小于等于先前的
該個體的最優(yōu)適應度函數(shù)值，則記錄中的該個體的最優(yōu)適應度函數(shù)值不變；若當前該個體
的最優(yōu)適應度函數(shù)值大于群體的最優(yōu)適應度函數(shù)值，則將當前該個體的最優(yōu)適應度函數(shù)值
作為群體的最優(yōu)適應度函數(shù)值；若當前該個體的最優(yōu)適應度函數(shù)值小大等于群體的最優(yōu)適
應度函數(shù)值，則群體的最優(yōu)適應度函數(shù)值不變； iv)將群體最優(yōu)解求得的參數(shù)值w， y ， z，取代之前的值； v)按照式(6)和式(7)修改種群中各個體的位置和速度；
A附/" = yA附/' +仍^.乂 —附/ ) + p2(p" 一附/) ( 6 ) = + Am/+1 ( 7 ) 式中Amij+1為粒子i的速度，即在第j次迭代中粒子位置的改變；niiJ'為在第j 次迭代中粒子i的當前位置；1^'+1為在第j次迭代中粒子i的修正位置；Pidj為在第j次 迭代中，粒子先前的最好位置；PgdJ為在第j次迭代中，當前所有粒子已經(jīng)達到的最優(yōu)位置； A 、 ^是正加速度系數(shù)，Y為慣量權，r/、iV是在[O，l]之間的均勻分布隨機數(shù)；
c.依據(jù)u = wx得到輸出信號u，即含眼電信息的腦電信號；
(3)如圖2所示，運動模式分類是根據(jù)分類識別參考信號與所提取的含眼電信息 腦電信號的相關性進行運動模式識別，具體方法是
的大小，式中u為所提取信號，fi為六種分類識別參考信號中的一個；選出相關系數(shù)最大的 一組與設定的閾值作比較，若大于閾值A ，將相關系數(shù)最大組的分類識別參考信號所對應 的手部運動模式作為識別結果，輸出相應的假手運動控制指令，若最大相關系數(shù)小于或等 于閾值A，說明此時殘疾人無手部動作意識，判別為手部無動作模式，將控制器輸出置零， 假手不動作，O. 5《A《1。
具體工作過程是 當佩戴三自由度電動假手的殘疾人需要控制假手動作時，參照人們習慣采用的 腦、眼、手協(xié)調(diào)進行手部運動的模式，采用眼腦協(xié)調(diào)方式進行手部運動想象，電動假手系統(tǒng) 將根據(jù)對應手部動作的含眼電信息腦電信號，在分析、識別的基礎上，控制假手完成相應的 動作腕部上翻運動控制意識，假手同步完成伸腕動作；腕部下翻運動控制意識，假手同步 完成屈腕動作；腕部外旋運動控制意識，假手同步完成手腕外旋；腕部內(nèi)旋運動控制意識， 假手同步完成手腕內(nèi)旋；五指伸展運動控制意識，假手手部張開；握拳運動控制意識，假手 手部合攏；手部放松意識，假手不做任何動作。避免傳統(tǒng)商用的多自由度假手需要通過多次 切換才能達到多自由度假手控制的情況，實現(xiàn)了三自由度假手六個動作的實時控制。
分別計算提取信號與六種分類識別參考信號A之間相關系數(shù)
1權利要求
利用眼電和腦電信息的電動假手控制方法，其特征在于該控制方法是將腦電拾電傳感器中的頭皮拾電電極放置在國際腦電圖學會標準10-20導聯(lián)系統(tǒng)確定的腦前額部Fp1或Fp2位置、參考電極放置在耳廓位置，由腦電拾電傳感器拾取的原始信號經(jīng)初級放大、二次處理、A/D轉換完成數(shù)據(jù)采集，進入微處理器，應用基于粒子群優(yōu)化的確定成份分析方法進行含眼電信息腦電信號提取及運動模式分類，識別出張開、合攏、腕伸、腕屈、腕外旋、腕內(nèi)旋這六種手部運動模式和手部無動作模式；根據(jù)識別的手部運動模式輸出相應控制信號給驅動電路，驅動電機帶動電動假手動作；當識別結果為手部無動作模式時，輸出置零，假手不動作；所述基于粒子群優(yōu)化的確定成份分析方法包括構建參考信號、提取含眼電信息腦電信號以及運動模式分類；(1)所述的參考信號包括信號提取參考信號和分類識別參考信號，構建參考信號的具體方法是①在符合標準的腦電信號實驗室，采集手抓取、手張開、手腕上翻、手腕下翻、手腕內(nèi)旋、手腕外旋六種真實手部動作對應的原始檢測信號，進行離線分析處理，得到與六種手部運動模式對應的含眼電信息腦電信號作為樣本信號；②將該樣本信號直接作為分類識別參考信號；③采用投影尋蹤方法構建信號提取參考信號，具體是依據(jù)六類含眼電信息腦電信號樣本都包含的單峰脈沖信號作為構建參考信號的初始模型；再選擇六種含眼電信息腦電信號樣本中的一種，依據(jù)Hall投影指標，將樣本信號數(shù)據(jù)投影到一維空間上，找出與初始模型相差最大的投影，將該投影包含的初始模型中沒有反映出來的結構合并到初始模型上，得到改進的新模型；再從新模型出發(fā)，從六種樣本信號中重新選擇一種，重復以上步驟，對模型進行再次修正，直至六種含眼電信息腦電信號樣本都按上述步驟選擇處理完畢；最終的修正模型即為信號提取參考信號；(2)提取含眼電信息腦電信號的具體方法是a.首先將信號提取參考信號r與輸出信號u相關作為約束條件構造優(yōu)化算法所需的適應度函數(shù)，具體是采用負熵最大化目標函數(shù)，輸出信號u的負熵J(u)為J(u)＝H(ug)-H(u) (1)式中ug是與輸出信號u方差相同的高斯隨機向量、H(.)表示信號的負熵；將式(1)簡化為J(u)≈c[E{G(u)}-E{G(v)}]2 (2)式中G是任何非二次函數(shù)，c是正常數(shù)，v是一個具有零均值、單位方差的高斯變量；將輸出信號u和信號提取參考信號r之間相關作為約束條件，表示為ε(u，r)＝Cov(u，r)＝E{u，r}-{E(u)E(r)T}＞0(3)將式(3)作為約束條件，加入負熵最大化目標函數(shù)，同時引入矢量z，將提取含眼電信息腦電信號的問題轉化為帶等式約束的優(yōu)化模型，表示為Maximize JG(u)subject to h(u)＝ε(u，r)-z2＝0(4)應用拉格朗日乘子法得到相應的增廣拉格朗日函數(shù)式，將此函數(shù)式作為粒子群優(yōu)化算法的適應度函數(shù)，表示為F(w，μ，z)＝JG(u)+μh(u) (5)式中μ是正的拉格朗日數(shù)乘向量；u＝wx，x為原始檢測信號、w為分離矩陣W的行向量；b.利用粒子群優(yōu)化算法進行尋優(yōu)計算，得到所需的分離矩陣W的行向量w，從而由輸出信號u＝wx得到期望提取的信號成份；通過設定最大迭代次數(shù)結束算法運行；進行尋優(yōu)計算的流程如下i)如果首次優(yōu)化，則決定初始種群個體數(shù)目以及相關參數(shù)，對第i個個體而言，它具有隨機給定的位置及速度，第i個粒子表示為κi＝(wi，μi，zi)；ii)依據(jù)式(5)，計算每一個個體優(yōu)化的適應度函數(shù)F(wi，μi，zi)；iii)將每一個個體求得的適應度函數(shù)F(wi，μi，zi)與記錄中的該個體的最優(yōu)適應度函數(shù)值進行比較，若當前適應度函數(shù)值大于先前的該個體的最優(yōu)適應度函數(shù)值，則以當前適應度函數(shù)值作為記錄中的最優(yōu)適應度函數(shù)值，若當前適應度函數(shù)值小于等于先前的該個體的最優(yōu)適應度函數(shù)值，則記錄中的該個體的最優(yōu)適應度函數(shù)值不變；若當前該個體的最優(yōu)適應度函數(shù)值大于群體的最優(yōu)適應度函數(shù)值，則將當前該個體的最優(yōu)適應度函數(shù)值作為群體的最優(yōu)適應度函數(shù)值；若當前該個體的最優(yōu)適應度函數(shù)值小大等于群體的最優(yōu)適應度函數(shù)值，則群體的最優(yōu)適應度函數(shù)值不變；iv)將群體最優(yōu)解求得的參數(shù)值w，μ，z，取代之前的值；v)按照式(6)和式(7)修改種群中各個體的位置和速度； <mrow><msubsup> <mi>m</mi> <mi>i</mi> <mrow><mi>j</mi><mo>+</mo><mn>1</mn> </mrow></msubsup><mo>=</mo><msubsup> <mi>m</mi> <mi>i</mi> <mi>j</mi></msubsup><mo>+</mo><msubsup> <mi>Δm</mi> <mi>i</mi> <mrow><mi>j</mi><mo>+</mo><mn>1</mn> </mrow></msubsup><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo></mrow> </mrow>式中Δmij+1為粒子i的速度，即在第j次迭代中粒子位置的改變；mij為在第j次迭代中粒子i的當前位置；mij+1為在第j次迭代中粒子i的修正位置；pidj為在第j次迭代中，粒子先前的最好位置；pgdj為在第j次迭代中，當前所有粒子已經(jīng)達到的最優(yōu)位置；是正加速度系數(shù)，γ為慣量權，r1i、r2j是在
之間的均勻分布隨機數(shù)；c.依據(jù)u＝wx得到輸出信號u，即含眼電信息的腦電信號；(3)所述的運動模式分類是根據(jù)分類識別參考信號與所提取的含眼電信息腦電信號的相關性進行運動模式識別，具體方法是依據(jù) <mrow><mi>ρ</mi><mo>=</mo><mfrac> <mrow><mi>Cov</mi><mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <msub><mi>r</mi><mi>i</mi> </msub> <mo>)</mo></mrow> </mrow> <mrow><msqrt> <mi>Du</mi></msqrt><msqrt> <mi>D</mi> <msub><mi>r</mi><mi>i</mi> </msub></msqrt> </mrow></mfrac> </mrow>分別計算提取信號與六種分類識別參考信號ri之間相關系數(shù)的大小，式中μ為所提取信號，ri為六種分類識別參考信號中的一個；選出相關系數(shù)最大的一組與設定的閾值作比較，若大于閾值Δ，將相關系數(shù)最大組的分類識別參考信號所對應的手部運動模式作為識別結果，輸出相應的假手運動控制指令，若最大相關系數(shù)小于或等于閾值Δ，說明此時殘疾人無手部動作意識，判別為手部無動作模式，將控制器輸出置零，假手不動作，0.5≤Δ≤1。F200910154966XC00031.tif,F200910154966XC00033.tif
全文摘要
本發(fā)明涉及一種利用眼電和腦電信息的電動假手控制方法?，F(xiàn)有假手控制方法不適合神經(jīng)、肌肉嚴重退化的癱瘓人士使用。本發(fā)明方法是將腦電拾電傳感器中的頭皮拾電電極放置在國際腦電圖學會標準10-20導聯(lián)系統(tǒng)確定的腦前額部Fp1或Fp2位置，參考電極放置在耳廓位置，原始信號處理后進入微處理器，應用基于粒子群優(yōu)化的確定成份分析方法進行參考信號構建、含眼電信息腦電信號提取及手部運動模式識別，根據(jù)識別結果微處理器輸出相應控制信號控制電動假手動作。本發(fā)明方法采用眼、腦協(xié)調(diào)方式表達手部運動意愿，利用眼電信號包含的有用信息，增強同一運動意識所產(chǎn)生腦電信號的特征，手部運動模式識別的正確率高，假手動作控制可靠。
文檔編號G06F19/00GK101711709SQ20091015496
公開日2010年5月26日 申請日期2009年12月7日 優(yōu)先權日2009年12月7日
發(fā)明者孫曜, 羅志增 申請人:杭州電子科技大學