基于深度学习的脑电控制系统

时间：2019-06-26 10:54:34 所属分类：医学检验 浏览量:

【摘 要】在人工智能的新时代背景下，为解决上肢残疾人的正常生活问题，使他们能够实现生活自理，本文对基于深度学习的脑电控制系统进行研究设计并实现。 采集人脑皮层产生的脑电信号，提取特征，通过深度学习算法进行解析分类，从而控制机械手完成相应动作

　　【摘 要】在人工智能的新时代背景下，为解决上肢残疾人的正常生活问题，使他们能够实现生活自理，本文对基于深度学习的脑电控制系统进行研究设计并实现。 采集人脑皮层产生的脑电信号，提取特征，通过深度学习算法进行解析分类，从而控制机械手完成相应动作，同时压力传感器将动作的压力信息通过肢体残疾处周围的神经组织传递至大脑形成触觉，进而实现了让上肢残疾人完成一些日常的生理活动。

　　【关键词】脑电波;脑机接口;深度学习;机械手;触觉反馈

　　0 引言

　　随着现代医疗科学技术的极速发展，社会对残疾人的关注程度也越来越高。 数据显示[1]，在所有残疾人当中，处在可就业阶段的青壮年残疾人所占比率远远不到四分之一。 肢体的残疾给这些人带来了许多的不便，严重影响了他们的正常生活。 尽管我国医疗卫生技术较之前有了长足的进步，但依旧不能改变残疾人身体残疾的现状。

　　1 系统总体设计

　　本文将控制系统划分成信号源、信号采集与处理、提取与分类和机械手控制四个主要部分，如图 1 所示。 在信号采集终端获取实时脑电信号，通过蓝牙传输至 PC 机端。 一方面对原始信号数据进行保存， 另一方面对信号进行实时重建与 FFT 变换。 之后通过频域特征提取获取神经网络输入数据，对设定动作进行标记，然后优化神经网络参数。 在实时测试中输出预测动作编号，从而使机械手完成相应动作，并引入触觉反馈，使控制系统形成闭环。

　　2 系统硬件设计

　　2.1 信号采集设计采用

　　3D 打印的脑电采集头戴装置[2]。 装置使用带触脚干电极收集脑电信号，较湿电极以及不带触脚的电极，具有较好的信号稳定性和便利性。 脑电采集终端硬件电路组成如图 2 所示， 以 ATmega328P-AU 控制器和 TI 公司生产的 24 位模数转换芯片 ADS1299 为核心，外围电路包括电源电路、时钟电路、复位电路、调试电路以及蓝牙模块。 各硬件主要功能及参数如下： ①电 源 电 路 ： 信 号 采 集 系 统 使 用 6V 电 池 供 电 。 使 用 LM2664 稳压器输出固定 5V 参考电压， 使用 TPS72325 稳压器和 TLV700X LDO REG 稳压器输出稳定的模拟信号高低参考电压，使用 LP5907 稳压器输出稳定的数字信号高参考电压; ②串 口 通 信 ：ADS1299 通 过 串 口 通 信 传 输 采 样 频 率 为 250Hz 的脑电采样信号至控制器; ③蓝牙通信： 控制器通过 RFD22301 主机模块与 PC 机端进行数据通信并进行数据处理，具体媒介为载有 RFD22301 从机模块的 USB 接口。 2.2 机械手控制本设计采用 3D 打印机械手的各个结构组成部件[3]。 机械手控制硬件框图如图 3 所示。 以 STM32F103ZET6 主控制器为核心，外围电路主要包括蓝牙模块、电源电路、调试电路和舵机控制模块。

　　各个硬件组成部分功能及参数如下： ①蓝牙通信：主控制器通过机械手的从机蓝牙模块接收信号采集端的实时脑电信号并进行相应的处理; ②主控制器： 通过使用在 PC 机端处理生成的脑电数据集对神经网络不断优化调整，对实时蓝牙传输的脑电信号进行预测，生成控制信号从而舵机控制板驱动舵机工作; ③舵机控制： 本设计使用的舵机控制板是 Veyron Servo Driver 24-Channel，舵机使用的是辉盛 SG90; ④触觉反馈：通过机械手上的压力传感器反馈信号到处理器，处理器根据传入信号的不同，结合相应程序，控制舵机气泵与气阀，给腕带进行充放气，以给予不同程度的压力反馈，提供触觉体验; ⑤视觉反馈：通过对机械手控制情况的视觉观察，人脑的学习机制通过调整脑电信号从而更好的实现对机械手的控制。

　　3 系统软件与算法实现

　　3.1 PC 机端信号处理原始脑电信号经

　　AD 转换后得到的数字信号通过蓝牙传输至 PC 机端， 使用脑电可视化软件输出原始的脑电信号时域波形变化、FFT 变换后的频谱图以及脑电活跃区域光谱图， 同时保存传输的原始脑电数据，为制作数据集作铺垫，如图 4 所示。

　　3.2 特征提取与深度学习

　　3.2.1 特征提取

　　医学研究总结脑电波主要含有 α、β、δ、θ 四种[4]，有特定的频率范围，且没有较大的频率范围交叉。 因此，本设计对软件保存的原始脑电数据根据动作想象时间长度约 500ms 左右进行分割[5]，然后依据四种脑电波的频率范围设计 4 个数字滤波器，分别统计每个频率范围内的 FFT 变换幅值并累计相加得到 nα、 nβ、nσ、nΘ。 图 5 所示的是某个时刻脑电信号的分割。

　　在送入神经网络进行训练之前需要对以上 4 个特征值进行归一化。 具体公式如下：这不仅极大地减轻训练神经网络的负担，同时加速了神经网络的优化过程。 完整的一次动作想象过程应是由许多以上 4 个特征值组成的一个时间序列。 控制手部动作思维想象下的脑电特征序列和该动作的编号构成了一个完整的数据。 依据规律按照 7:3 的比例将整个数据集划分训练集和测试集。

　　3.2.2 深度学习

　　脑电信号本质是一个随时间变化的电压序列，据此本设计采用多对多循环神经网络模型(RNN)[6]。 模型结构如下图 6 所示，模型每一个单元内部结构如下图 7 所示。

　　实际运用中，RNN 模型在语音信号识别中表现出色。其实，语音信号与脑电信号在许多方面相类似[6]：均是携带大量信息的人体信号;均是一种随时间变化的电压序列等等。 因此，应用在语音识别方面的模型和技巧同样也能应用于脑电信号分析。通过对 RNN 模型的搭建以及脑电数据集的训练和参数的优化，实验模型整体的测试准确率比较高，平均可以达到 90% 以上。保存训练完毕的 RNN 模型参数， 在实际测试中将实时脑电信号通过蓝牙传输至主控制器中进行处理，与模型参数进行计算，把输出的预测值转换成控制舵机信号进而完成整个脑电控制机械手的过程。

　　4 结语

　　脑机接口技术不仅为研究视听觉感知、运动学习、大脑皮层可塑性和神经损伤康复等深层次脑作用机制提供了全新的研究手段，而且为全面破译脑部信息的加工过程、理解大脑的工作原理带来了希望。 本系统设计作为脑机接口技术的一个应用，希望能够为推进该领域的发展做出一定的贡献。

　　参考文献：

　　[1]国家统计局、第二次全国残疾人抽样调查领导小组. 第二次全国残疾人抽样调查主要 数据公报. http://www.stats.gov.cn/tjsj/ndsj/shehui/ 2006/html/fu3.htm

　　[2]Taylor, D.M., Direct Cortical Control of 3D Neuroprosthetic Devices. Science, 2002. 296(5574): p. 1829-1832

　　[3]韩丽丽,王奇志,杨永刚.机械臂抓取行为规划研究综述[J].计算机与现代化,2018(09):11-16.

　　基于深度学习的脑电控制系统 相关论文期刊你还可以了解：《现代仪器与医疗》

转载请注明来自：http://www.zazhifabiao.com/lunwen/yyws/yxjy/45251.html