英语原文共 12 页
机械臂的运动成像和误差相关电位诱导位置控制
摘要:本文介绍了一种利用运动图像激活误差相关电位，按固定的链接选择顺序停止单个链接运动,机器人手臂的脑电图(EEG)驱动的控制方案。右手运动图像用于顺时针旋转连杆，脚图像用于向前移动连杆。此处出现ErrP表明运动中的连杆越过固定的目标位置，该位置通常是平面或直线或点，具体取决于所期望的连杆在三维平面或二维直线周围或二维直线上的过渡。分类器将单个连杆运动任务解码为顺时针或逆时针、向前或向后、平移时不运动和旋转时不运动三种可能的类别标签。需要一个额外的分类器来检测ErrP信号的发生，该信号是由选择的目标位置的位置链接错误引起的。分别提取小波系数和自适应自回归参数作为运动图像和ErrP信号的特征。利用支持向量机分类器对运动想象和误差进行解码，分类精度达到80%以上。提出方案解码并执行控制机器人三个连杆运动所需的平均时间近似为33秒。实验结果表明，该控制器的稳态误差和峰值超调量分别为1.1%和1.1%。
关键字：脑-机接口(BCI) 误差相关电位(Errp) 运动图像解码 机械臂
Ⅰ.概述
脑-机接口(BCI)是目前研究的热点，由于其在下一代康复艾滋病中的应用日益增加，其重要性日益凸显。基于BCI的康复的优点在于假肢装置的自动控制附带有人体附属物，绕过自然路径-神经通讯方式和肌肉手段的运动控制。早期基于脑脊髓损伤的康复研究是从脑脊髓损伤模式分类器解码运动想象(MI)开始的。基于运动图像的BCI的一些有趣的应用值得特别提及，包括控制神经假肢设备、人形机器人的思维驱动运动控制，意念控制汽车驾驶，虚拟现实环境导航，游戏。文献中有侵袭性和非侵袭性、两种基于运动想象的控制手段。虽然入侵控制方法在分类精度和精度方面具有较好的控制性能，但非入侵控制方法由于其简单易用的用户界面而日益受到重视。功能磁共振成像(fMRI)、功能近红外光谱(fNIRS)、脑磁图(MEG)和脑电图(EEG)是BCI研究中常用的无创技术。在非侵入性脑电图技术中，脑电信号以其较高的时间分辨率、便携性和廉价性而受到人们的青睐。
在脑电图脑梗死常用的脑信号中，稳态视觉诱发电位(SSVEP)、慢皮层电位(SCP)、P300、事件相关去同步化/同步化(ERD/ERS)最为常见。ERD/ERS起源于运动规划、想象和/或执行过程中，因此与我们目前的研究相关。ERD的特征是运动开始时中央mu;和beta;的功率下降，而ERS的特征是运动结束后功率增加。这里没有介绍SSVEP、P300和SCP的特性，因为这些特性在本文中没有使用。
错误相关电位(Error related potential, ErrP)是另一种有趣的脑信号，由于其固有的表征用户对BCI系统中发生错误的感知的特性，目前在BCI研究中越来越受欢迎。ErrP表示受试者对错误响应的意识。误差在单次试验的基础上得到可靠的检测，因此在实时BCI应用中具有巨大的潜力。错误由以下三种典型的错误引发。首先，当受试者在快速选择反应任务中出现错误时，就会检测到。在这里，出现在头皮前部到中部区域的ErrP有一个负的偏移50 100毫秒后的主题提交错误。这种负性之后是中心体-顶叶正偏转。第二个组件与主体对错误的意识相关联。第二，在强化学习任务中会诱发错误，受试者在选择反应任务中收到对其表现的反馈。负反馈在接收到反馈后约250毫秒的中额叶区域产生一个负偏转的误差。最后，在观察任务中，当一个主体观察到另一个人或代理犯了错误时，就会产生错误。对误差的响应被推断为负挠度，从误差开始大约250毫秒。在本文中，我们将处理第三种类型的错误，称为观察错误。
ErrP信号通常与其他脑信号一起被用来发展混合BCI。例如，在Combaz等人使用ErrP来检测基于P300的心智拼写器分类中的(位置)错误。在[31]中，Ferrez和Millarsquo;n使用了交互错误，其中运动意图用于触发光标向左或向右移动，当检测到运动意图错误时，ErrP用作反馈信号来取消光标的移动。遗憾的是，关于闭环位置控制应用的BCI文献相对较少。可以看出，在理想的闭环位置控制系统中，需要将位置误差信号反馈给控制器来执行控制律。在位置控制系统中，能够对误差条件作出响应的误差信号是检测误差发生的理想选择。
在此，我们提出了一种利用ERD/ERS和ErrP相结合的机器人连杆位置控制方案。这里的受试者做一个动作，以连续模式触发机器人链接的运动，直到检测到一个ErrP(代表链接位置相对于视觉固定目标位置(VFTP)的可能超调)。然而VFTP对于单个链接是不同的。它可以表示一个平面/直线/点，这取决于链接在维平面/二维线周围/沿着二维线的所需转换。受试者接受约60 - 80小时的预训练，以便在复杂的3D位置控制任务中为单个链接定位VFTP。
这里出现的ErrP表明机器人链接已经越过了所需的VFTP，因此应该立即停止，以防止位置超调进一步上升。机器人连杆与目标的校准是通过实验确定的固定角度和距离将连杆反向旋转或移动来实现的。本研究的新颖之处在于所提出的位置控制方案的架构设计，特别强调分类器的结构组织。它指的是固定顺序的链路控制，其中链路的位置控制按预先定义的顺序执行。为了避免在运动图像分类中产生混淆，本文在不同的时间段内对单个连杆进行运动规划。
目前的工作与错误相关电位在以下几个方面有所不同。在错误相关电位中，作者采用ERD/ERS对离散的运动步长进行处理，并在检测到误差后取消了运动的最后一步。然而，目前的工作，考虑了使用MI的单个链接的连续运动，并停止了链接的运动，然后使用ErrP的位置偏移校正。此外，本工作验证了系统在实际机器人上的性能。
本文的其余部分组织如下。第二部分介绍了用于设计机械臂EEG驱动位置控制方案的原理和方法。第三节是研究分类器性能的实验。第四节研究了该方案的控制器性能，第五节给出了结论。
Ⅱ．实现方法
A.位置控制方案
本节利用ERD/ ERS和ErrP两种脑信号，分别利用实验室制造的两自由度机器人和实用的六自由度机械手，提出了在二维空间和三维空间的位置控制方案。
位置控制方案采用ERD/ERS启动机器人单个链路的运动，当考虑中的链路试图通过所需的VFTP连接时，通过检测ErrP信号停止机器人的运动。我们首先以平面机器人手臂为例说明了位置控制原理(在平面上限制运动)，我们在实验室中开发了该手臂，以测试二维旋转和平移运动控制策略的可行性。接下来，我们使用一个由六个旋转关节(和六个连杆)组成的硬连线Jaco机器人手臂，验证了三维旋转运动的位置控制原理。
图1介绍了一个简单的二维机器人系统，该系统由两个连杆组成，第一个连杆为平面加形板，第二个连杆为黄色单杠。整个系统都安装在上面一个蓝色的桌子。一个固定在工作台上的电动机M1用于驱动加形板的角位置。该板还携带一个小电机M2和一个齿轮齿条式齿轮系统，其中电机M2用于驱动小齿轮(圆形齿轮)。顺时针方向移动机架的自由端(水平方向)齿轮)。在目前的情况下，目标是抓住放在桌子上的圆柱体由夹附在机架自由端上的夹具。
图1 用一个实验室制造的二维机器人演示了控制策略
这分两个阶段完成。在第一个阶段，受试者计划顺时针方向移动加号，用电机M1绕O点登板。
其中B表示圆柱体的位置。一旦主轴越过OB线，就会触发一个ErrP，并对其进行解码，以停止加号板的移动。小的偏移量由于检测误差和电机失活的延迟，可以通过逆时针旋转电路板来调整，通过从100个这样的实验试验中获得的一个实验选择的角位移值来调整。当加号板沿OB直线与主轴对齐后，受试者再次用脚将机架向前移动，驱动机架向前移动，直到检测到由ErrP引起的错误为止，此时机架的自由端C点与B点相交VFTP。ErrP被解码以停止机架的移动进一步，并做了偏移校正，以得到机架的自由端在气缸的位置。机器人最大角速度如图1所示为5°/s (1cm /s)。
将上述原理推广到机器人连杆运动的三维规划中。为此，我们使用了Jaco机器人臂(图2)。它是一个六连杆的机械手臂。机械手各连杆的最大角速度为5°/ s。这个手臂有6度自由和最大可达90厘米。图2中L1、L2和L3的连杆分别称为腰、后臂和前臂。链接L4、L5和L6在一起表示手腕及其不同的自由度。图2中的任何连杆i都可以绕其各自的z轴旋转，因为i = 1到6。我们这里的实验只使用了三和四个链接。在三个链接的情况下,我们使用链接L1把机器人搂着腰,链接L3把前臂在平面上的链接L2和L3链接,最后联系6扭转轴z6东方机器人的三根手指适当持有一个对象。在本文进行的所有实验中，如图2所示，保持L4和L5的连接固定。所有连杆在z轴上作正角运动时的回转方向如图2所示。对于有四个连杆的实验，除了上面所示的三个连杆外，我们还使用了L2连杆作为后臂的机器人。为了规划机器人手臂朝向固定目标位置的运动，例如在三维空间中的一个球，我们使用了电动机，然后对L1、L3和L6链接使用了上述介的ErrP。
图2 Jaco 6连杆机器人手臂的轴向配置。
图3概要地描述了利用Jaco机器人手臂在三维空间中进行位置控制的原理。骨架模型用黑线表示。初始构型如图3 (a)所示，机器人手臂位于OP W平面，球位于机器人的支座和轴向为OW。这里的规划分三部分完成步骤。在第一阶段间，受试者使用手动电机开始旋转躺在OP W平面上机械臂，使其顺时针绕OW轴旋转。当包含机器人手臂的OP W平面通过所需要的目标平面OQW时，主体生成一个ErrP信号。对ErrP信号进行解码后，停止link偏置角是由实验得到的平均值。
图3 (a)机器人手臂在正交平面(b)机器人手臂放置在OWQ平面的关节3
接下来，受试者计划将连杆L3转向连接球b中心与点R的直线，即连杆L3的起点。这里，位于OQW平面上的RB充当链接L3的VFTP。一旦RS穿过RB，受试者再次产生一个ErrP，通过解码，其中链路L3在OQW平面上被一个固定的偏移量向后翻转。
在最后一个阶段中，我们需要调整夹持器，使其绕对称线旋转，这样就可以抓住球。这对于图3 (b)所示的夹持器来说不是必需的，但是对于Jaco的夹持器来说是必要的，因为夹持器包含三个手指，夹持器需要将两个手指朝向球的一侧，第三个手指朝向球的另一侧。就像之前的两个自行车，他的自行车也需要电动机来绕其对称轴旋转，通过解码ErrP信号停止，然后通过一个小的偏移量返回，通过取100个相同条件，相同主题的实验。手指正确定位后，受试者用右手进行运动图像抓取。需要注意的是，对于抓取或不抓取操作，只需要运动图像(MI)解码即可。
链路将通过链路的VFTP，从Cz、fz和pz通道生成一个ErrP。然后提取ErrP特征并提交给错误分类器。当错误分类器检测到错误时，控制逻辑通过实验选择的偏移量将链接反向移动。规定的流程上面的for链接L1按照用户为特定控制问题定义的固定顺序对必要的链接重复执行。下面给出了持球位置控制方案的代码。
B.提出了位置控制方案
运动表象信号来源于大脑的感觉运动皮层区，电极放置中离这些位置最近的电极系统有f4, f3, C4, C3, Cz, p4和p3。因此，这七个脑电图电极被选择用于运动成像解码。此外，扣带皮层是ErrP[36]的来源，我们使用最近的电极fz、Cz和pz来捕捉它。因此，这三个电极被用来检测ErrP信号。所使用的电极列表包括f4、f3、C4、C3、p4、p3、fz、Cz和pz。图4给出了该方案的示意图位置控制方案。在图4中，我们分别提取了运动想象和ErrP信号的脑电图特征。为每个连杆分配一个固定的时间槽来解码运动想象特性，以确定该连杆的适当运动类别。使用软件开关将电机的想象特性传输到正确链接的解码器/分类器。链接的解码动作相关任务现在转移到电机驱动逻辑，以便在解码器输出之后开始移动链接。例如，如果解码器输出链接L1为CC，电机驱动逻辑产生一个控制命令，使L1链路逆时针旋转。受试者继续观察链接的移动。在某一时刻，它可以添加到这里，释放球在桌子上的一个期望的位置，在伪代码中的5个步骤是重复的。此外，链接列表可以不止一次地包含一个链接，但是按照顺序排列，这取决于它们在增加的时间顺序中所需要的选择。
图4 提出了位置控制方案
C.预处理
首先利用公共平均参考(CAR)对输入的脑电图信号进行空间滤波，即，从所有使用的通道中获得的平均信号值减去相同采样实例中各个通道的信号值。CAR通过简单的方法消除了杂散噪声。我们首选的是汽车，因为其计算非常小。
D.运动图像处理与分类
汽车滤波后的信号通过8 24赫兹通带滤波器，通过6阶IIR椭圆滤波器实现。椭圆滤波器的优点在于它具有良好的频域特性，具有快速滚转和良好的通带和阻带波纹衰减特性。接下来，我们使用小波变换将滤波后的信号的每个实例分解到它的第五层。本研究采用的母波为Daubechius 4 (dB4)。小波变换在给定的时间周期内提供局部频率信息，非常适合于脑电信号等非平稳信号。MI信号主要出现在8 12 Hz和16 24 Hz范围内。对于250 Hz的采样频率，与这两个频率范围相关的信息可以在第四和第五系数中找到。因此，在本研究中，将第四个和第五个系数的能量百分比作为每个实例的特征。
MI特征选择:在提取特征特征的基础上，选取最优的特征子集构造特征向量的n维特征集。这里，我们使用了基于相关性的特征选择(CFS)算法来满足这个目的。该算法首先由Hall开发，基于启发式搜索特征的“最佳”子集，该算法考虑了特征在预测类时的个体性能和相互关联的程度。霍尔提出的假设是启发的基础，它指出:好的特征子集包含与类高度相关(预测)的特征，但彼此不相关。这意味着CFS只选择那些在类中高度相关但与其他类不相关的特性。该算法的这些特点使得CFS适用于脑电图数据。
MI译码:针对目前的MI分类问题，可以使用标准的模式分类器来分类。提出了一种能够同时实类识别能力和鲁棒性的分类器。然而，这里最有趣的因素是分类所需的时间。支持向量机(SVM)以其良好的识别精度和识别速
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。
