英语原文共 6 页
基于人类意识的踝关节康复机器人的合作控制设计
艾青松 王磊 陈昆 陈安琪 方义林 胡杰伟 刘泉 周祖德
（1）中国，武汉，武汉理工大学信息工程学院
(2)中国，武汉，武汉理工大学机电工程学院
摘要
运动想象脑电图（EEG）是一种主观意识诱发的脑信号。体育康复领域的相关研究表明运动想象训练可以促进受损的恢复神经和运动神经通路的重建。这个论文提出了一种人脑协同控制策略基于DSP的气动肌肉踝关节康复机器人运动想象脑电图。机器人提供辅助康复对神经传导受损患者的训练但是有运动意图。脑网络算法是用于选择运动图像的最佳通道信号和共同空间模式（CSP）方法是结合局部时频分析方法特征尺度分解（LCD）提取时频信息。最后，处理分类通过光谱回归判别分析（SRDA）分类。此外，还有两种康复训练模式设计，即同步康复训练和异步康复训练。实验结果证明大脑意图驱使人类机器人合作实现控制方法，完成踝关节康复有效的培训任务。
关键词 - 脑电图，运动想象，适应机器人，协同控制，脑网络
I导言
机器人辅助康复系统有更高的要求控制精度和可重复性比传统手册复原。改善这一点对康复效率和减少人工劳动具有重要意义。并近年来受到越来越多的关注。大部分的传统方法由治疗师进行康复训练[1]。现在很多组织都在家里，国外正在研究和使用颅神经康复机器人康复。脑机界面（BCI）不依赖于肌肉的组成，大脑外周神经或通过大脑控制外部设备思考[2]。运动想象恢复了部分休眠的突触，甚至重建的途径用于运动传导[3]。结合BCI技术运动想象信号可以激发伴有偏瘫并诱发脑神经康复患者的意愿[4]，最后完成患者的康复疗程。目前，基于运动想象的BCI已应用于医疗检测和康复，军事运输和娱乐生活。施T等人，设计和实施基于运动想象的室内无人机脑机接口系统[5]。开发了一种新的莫尔斯代码启发方法根据MI-BCI增加输出命令的数量设计[6]。但是，在目前的研究中，使用BCI修复脚踝的技术很少见。此外，传统的脚踝康复依赖于医生的一对一培训，使其难以实现高强度，高精度，有针对性的康复培训要求。应用BCI进行踝关节康复治疗不仅让康复从业者摆脱了繁重的训练任务，也有助于更科学和更有科学的患者有效的康复训练。在这项研究中，基于此大脑的意图使得气动肌肉驱动的踝关节康复机器人的设计[7]。与传统的脑电图相比处理，我们使用大脑网络来选择频道，这有效地减少了大脑的特征维度信号并提高信号处理的效率。在另外，多域特征融合用于分类。在本文中，结合了CSP方法用局部特征尺度分解法时频域方法完全提取频域和空域信息，以及有效提高分类准确率。最后，分类结果用作控制信号踝关节康复机器人。它允许患者积极参加踝关节康复训练有效地提高了康复效率获得了更好的康复效果。
II.方法和实验设置方法
本文介绍了运动想象信号处理模块主要分为四个步骤：预处理，通道选择，特征提取和模式识别。 我们对数据执行8-30Hz过滤设置去除伪像并提高噪比根据事件相关的特征信号去同步（ERD）和事件相关的同步（ERS）[8]脑电图特征空间维度非常高并且样本量有限。 因此，为了改进脑电信号识别的准确性，有必要为脑电图选择频道。 我们研究频道选择基于大脑网络。
（1）基于脑网络的频道选择
人类的思想和意识器官，结构和大脑的功能非常复杂。通过突触数千亿的神经元形成一个复杂的连接结构网络。大脑的精确功能，无论简单与否，总是依赖于广泛的互动多个大脑区域之间，形成一个复杂的网络功能。在大脑网络中，节点是大脑区域，边缘是物理连接或大脑区域的功能相关性。有四个构建大脑功能性脑网络的主要步骤[10]：
1）定义网络节点。适用于多通道脑电图信号，电极覆盖的区域通常定义对应于每个EEG导联作为节点。
2）量化节点之间的关系。
3）确定阈值和构建脑皮质功能性脑网络。实力每个导联的EEG信号之间确定两者之间是否有联系节点，即强度是否大于集合阈值，之间建立连接两个线索，以及相应的元素邻接矩阵设置为1，否则，如果不建立连接，设置相应的邻接矩阵的元素为0.通常是邻接矩阵对角元素是0，并且构建的网络称为0-1二进制网络。
4）通过使用现有的复杂网络措施分析已建立的功能性脑网络。在目前的研究中，无论二进制矩阵如何A = [aij]或权重矩阵W = [wij]，有需要计算的许多网络指标，包括全局网络属性和本地节点属性。在这研究，我们计算两个节点指标：度ki，聚合系数ci。
节点的程度定义如下：
|
|
（1） |
在（1）中，aij（wij）表示为a的元素（i，j）二进制（权重）网络。 学位是一个基本的衡量标准节点与网络中其他节点的连接。 它是定义为节点的边数。
节点聚合系数的定义如下如下[11]：
|
|
（2） |
在（2）中，E表示节点i的直接邻居之间的连接数。a的聚合系数节点定义为实际边数的比率在节点中存在最小边数使此节点完全连接。 聚合系数节点反映本地连接或社区给定节点的邻居。 在目前的研究中，我们计算共有2个全球指标：平均路径长度和本地效率。 平均路径长度L代表全局网络的连接特性。 这是平均值任意两个节点之间的距离，例如：
|
|
（3） |
在（3）中，N表示网络节点的总数和dij表示节点i和j之间的距离网络。 平均路径长度反映了连通性和网络结构的分散。 也就是说，平均路径越短，网络越紧凑结构和网络的连接性越好。相反，网络结构越松散，越多节点之间的通信很困难，而且更糟糕网络的连通性。对于具有N个节点和K个连接的网络G，
全球效率计算如下：
|
|
（4） |
计算局部效率的公式为如下：
|
|
（5） |
Eglob（Gi）是Gi的全球效率。 Gi代表由节点i的邻居组成的子图。全球和本地效率衡量全球和本地信息网络的传输能力。在这项研究中，我们将数据集2a中的22个电极定义为22个节点并使用典型的相关分析来建立每个节点之间的连接矩阵。 然后我们设置一个阈值根据网络中的边数并设置已建立连接的连接值绝对值大于阈值的矩阵为1，否则将其设置为0，从而建立0-1二进制
网络对应于大脑网络。 原本的连接矩阵称为加权网络[12]。
（2）基于多域特征融合的分类
CSP方法与时频相结合域局部特征尺度分解方法充分提取频域和空域信息提高分类准确性。 首先，通道后选择基于大脑网络的一些渠道选定的运动图像信号受LCD控制分解获得一系列内在规模组件ISC。 频率签名是从中提取的ISC分量的希尔伯特谱的瞬时频率。 然后我们融合ISC组件和EEG用CSP发信号并处理它以提取空间特征。最后，我们融合功能并对其进行分类以执行四种运动想象脑电信号的实验[14]。 在本文中，空间和频率的特征域通过串行特征融合策略融合。我们假设EEG信号的特征向量通过在空间和空间中合并上述特征而获得的频域为Fisin;R14times; （KP N），则：
|
|
|
在（6）中，特征向量是频域特征在LCD之后从ISC组件中提取分解。 f1i是i的频域特征第三部分。P表示所选的数量每个ISC中的频率点，在本文中设置为20。该特征向量F2是EEG信号的空间特征用CSP提取，其中是2范式。光谱回归判别分析（SRDA）[13]分类器在本文中用于分类。通过使用谱图分析，我们可以对特征数据进行分类通过简单地求解一个序列来解决特征向量因此，大大减少了正则化最小二乘问题减少分类时间和存储。
光谱回归判别分析（SRDA）[13]分类器在本文中用于分类。 通过使用谱图分析，我们可以对特征数据进行分类通过简单地求解一个序列来解决特征向量。因此，大大减少了正则化最小二乘问题减少分类时间和存储.Experimetal设置在本文中，我们设计了两个实验程序，同步康复训练和异步训练康复训练。
-
同步康复训练
根据一系列指令序列受试者执行相应的运动想象进行实验预设康复训练任务。比较实验的分类结果与相应的指令序列。 如果匹配，则相应指令通过Socket发送到机器人控制模块康复训练软件模块中的沟通，并且指令被转换为位移气动肌肉控制脚踝机器人的旋转。如果它们不一致，请重新运动想象实验直到指令序列结束完成。 - 异步康复训练
受试者决定了运动想象的种类他们将根据预设进行实验康复训练任务的位置。比较当前实验的分类结果与前一个实验的分类结果。如果它们是相同的，相应的指令被发送到机器人控制模块通过Socket通讯康复训练软件模块，指令是转换成气动肌肉的位移控制脚踝机器人的旋转。如果他们不匹配，重新运动想象实验直到脚踝机器人到达预定位置并进行康复训练结束了。
III. 实验结果与讨论
本文的实验环境如下：奔腾（R）双核CPU E5800@3.20GHz，1.93GBRAM，32位Windows XP Professional 2002操作系统系统，MATLAB R2012b和LabVIEW。 系统。件结构如图3所示。
图3 系统硬件结构
四名受试者进行了100次实验完成以前的工作并适应的系统系统。 选择75％的实验数据作为培训数据和剩余的25％作为测试数据。 十个十字架对每组数据进行了验证。 结果如表1所示。
表1不同渠道下4名受试者的分类准确性选择（％）
由于实际的EEG采集装置共有16个通道，我们使用基于脑网络的频道选择算法分别选择8个通道和10个通道。与仅选择三个的结果相比C3，C4，Cz的通道和使用所有16个通道。 如图所示在表1中，四个科目的平均准确度可以使用所有频道时达到70％，而只有47％仅使用C3，C4和Cz。 当选择的数量通道为10，对象2和4的结果均优于选择所有频道。 当选择的频道数量是8，四个科目的分类准确性减少到一定程度。 但是，相比三者渠道，结果仍然明显改善了最高为18.1％，通道总数减少一半，功能的数量也减少了50％。 这个表明信道选择算法改进了分类精度和计算效率。
实验中的运动想象控制策略是如表2所示.
表2 运动想象控制策略
X和Y轴的方向是如图表3所示。 X方向的角度变化和Y轴选择顺时针方向为参考
表3 运动图像控制策略
在同步康复训练实验中，受试者通过实时控制脚踝机器人的运动来完成康复训练运动想象。 此实验中的通道数设定为10，并设计了训练轨迹根据康复训练的要求任务。 我们设计了一个康复训练任务和控制对应于踝关节机器人的指令序列轨迹是（22002200100113331）。 受试者表演根据表2中的运动想象任务分类结果是正确的，脚踝机器人将完成根据指示进行康复行动。
在实验过程中，我们通过控制气动的位移肌肉控制了旋转脚踝机器人。所以有两组位移数据由同时控制的主体产生的踝关节机器人通过运动想象信号来实现。如图4（a）（b）所示，每组数据包含三个气动的位移数据肌肉。和实际的轨迹和理想的轨迹气动肌肉都显示在每个位移同时。收到的控制指令此时的脚踝机器人也在图中示出。它可以看出，踝关节康复机器人保持静止直到从图4（a）收到指令为止表2收到第一条指令2时三个气动肌肉的理论值流离失所变了。 相应地，x中的角度踝关节康复机器人的方向增加了两个度。
—实际的轨道 —理想的轨道
图4气动肌肉同步训练实验位移轨迹
它显示在三者的实际位移中气动肌肉如图4所示。可以看出，第一和第三气动的位移幅度肌肉变化，而第二个位移气动肌肉保持不变。最后，主题可以感觉到脚踝机器人驾驶它的脚踝来表演相应的运动。综合，理论三个气动肌肉的位移值对应的四条指令都有变化，而且踝关节康复收到的完整说明机器人与实验前的预设一致。每次踝关节康复机器人都会收到指令，三者的理论位移值气动肌肉会更新，脚踝康复机器人将产生角度变化。最后，康复训练任务在踝关节康复后结束机器人接收完整的命令并移动到实验前设定的指定位置。总结一下，同步控制踝关节康复的策略机器人是可行的。
在异步实验期间，两套位移数据由主体产生同步控制脚踝机器人的运动通过运动想象信号也已被收集。 如图5所示。
—实际的轨道 —理想的轨道
图5气动肌肉异步训练实验位移轨迹
在异步实验中，受试者需要将踝关节康复机器人在X轴方向上移动到-4度，在Y轴方向上移动到-6度按照要求运动想象踝关节康复训练，完成踝关节康复训练。踝关节康复的具体运动路径机器人由主体决定，只需要到达最终指定位置。三者的痕迹受试者的异步控制的气动肌肉踝关节康复机器人如图5（a）（b）所示。从（a）可以看出，受试者表现出两
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
