基于運動想象腦電控制的智能家居系統(tǒng)

1、基于運動想象腦電控制的智能家居系統(tǒng)摘要:將智能家居與腦機接口( Brain Computer Interface- BCI)技術(shù)相結(jié)合，利用意念實現(xiàn)對家居的操作與控制，能夠為 運動障礙人士提供更友好和便利的家居生活，具有重要的社會意義。本文以左右手運動意圖為例提出一種基于運動想 象腦電控制的智能家居系統(tǒng)，對系統(tǒng)設(shè)計中涉及的腦電信號采集、噪聲濾除預(yù)處理、特征提取和分類識別等方面進行研 究，并給出系統(tǒng)的實現(xiàn)方案。關(guān)鍵詞：智能家居；腦機接口；特征提??；分類識別Smart Home System Based on Motion Imagination EEG ControlAbstract: Comb

2、ining smart home with Brain Computer Interface ( BCI) technology and using ideation to achieve home operation and control can provide a more friendly and convenient home life for people with sports disabilities which has important social significance. This paper proposes a smart home system based on

3、 motion imagination EEG control taking the left and right hand movement intention as an example, studies the EEG signal acquisition, noise filtering preprocessing, feature extraction and classification recognition involved in the system design. (nd in the end, a realization plan of the system is giv

4、en.Key words： smart home; brain computer interface; feature extraction; classification recognitiono引言智能家居的概念是將住宅中的家用設(shè)備-如計 算機、照明系統(tǒng)、送風(fēng)系統(tǒng)等)利用計算機科學(xué)技術(shù)、 無線通信技術(shù)等手段進行信息化處理并整合為一個 智能體，能夠根據(jù)使用者的需求自動地提供安全監(jiān) 控、照明/取暖控制、影音娛樂等功能,從而提升家居 生活的便利性和舒適度婦7。目前投入使用的智能家 居系統(tǒng)采用的人機交互方式有手勢交互、語音交互和 客戶端操作3種妍7。然而，世界衛(wèi)生組織發(fā)布的 (World Repo

5、rt on Disability)顯示647 ,目前全世界有超 過2億人患有運動障礙，并且人數(shù)還在持續(xù)增長。這 些人難以完成有效的人機交互從而不能體會到智能 家居帶來的便利,因此一種不受身體條件約束的智能 家居交互方式成為亟需解決的問題610-137 !腦機接口- Brain Computer Interface, BCI)技術(shù)通 過外圍輔助設(shè)備直接對腦電信號-Electroenc Ephalo Gram, EEG)進行采集，然后利用模式識別方法對 EEG信號進行分類和識別，將不同的EEG信號與使 用者特定的意圖聯(lián)系起來,從而達到通過EEG信號 與外界進行信息交互的目的6婦27。最初的腦機接口

6、 系統(tǒng)較為復(fù)雜和昂貴，隨著電子信息技術(shù)、微電子技 術(shù)的發(fā)展，腦機接口系統(tǒng)向著輕量化、低成本、便攜可 移動等方向發(fā)展。BCI技術(shù)的發(fā)展為前述問題提供 了新的思路，即將BCI技術(shù)與智能家居技術(shù)相結(jié)合, 將BCI作為智能家居一種新的人機交互方式,從而使 運動障礙人士能夠利用自己的“意念”實現(xiàn)對智能家 居系統(tǒng)的控制。當(dāng)前國內(nèi)外學(xué)者對基于BCI的智能家居系統(tǒng)進 行了大量的研究，例如Illinois大學(xué)的Donchin和 Farewell教授在1988年利用P300BCI系統(tǒng)從偏癱患 者的EEG信號中提取出了英文字母信息，驗證了利 用BCI技術(shù)與外界進行交互的可能6187; Tubingen大 學(xué)的Dor

7、nhege研究員和Birbaumer研究員合作，利用 皮層慢電位實現(xiàn)對外界機器人的控制6197 ；文獻20 設(shè)計了一種利用SSVEP腦電信號的輪椅控制系統(tǒng)， 能夠通過測試者的腦電信號控制輪椅的左右行駛。一個完整的BCI智能家居系統(tǒng)通常包括EEG信 號采集處理系統(tǒng)、通信傳輸系統(tǒng)和控制系統(tǒng)3個部 分，其中EEG信號采集處理系統(tǒng)需要完成對EEG信 號的有效捕獲、噪聲剔除、特征提取和分類識別，決定 著BCI蓍能家居系統(tǒng)性能的優(yōu)劣。因此本文在前述 研究的基礎(chǔ)上，以左右手運動意圖信號為例，采用G. TEC公司的g. MOBIlab設(shè)備+ EEG信號放大器對 EEG信號進行采集，利用小波變換實現(xiàn)噪聲抑制，提

8、 取二維功率譜特征，利用SVM分類器進行分類識別, 并對結(jié)果進行分析,為相關(guān)科研工作者提供新的思路。1 EEG信號采集利用g. MOBIlab設(shè)備采集到的大腦皮層隨時間 變化的電位信號就是腦電信號,反映的是大腦生物電 活動特性。根據(jù)被試者狀態(tài)不同，EEG信號可以分 為自發(fā)腦電信號和誘發(fā)腦電信號2種。其中自發(fā)腦 電信號是被試者在自然狀態(tài)下根據(jù)特定的任務(wù)指引 產(chǎn)生的腦電信號，當(dāng)前研究最多的是基于人體四肢運 動意圖觸發(fā)的，分為事件相關(guān)同步和事件相關(guān)去同步 2種，基于運動想象的BCI技術(shù)就是一種典型的自發(fā) 腦電信號控制系統(tǒng);誘發(fā)腦電信號是在外界刺激條件 下產(chǎn)生的一種事件相關(guān)電位，典型的是P300電位，

9、即 被試者在受到刺激后300 ms左右時產(chǎn)生的電位波 動。由于基于運動想象的BCI技術(shù)容易實現(xiàn)且數(shù)據(jù) 易于獲取和分析，因此本文對此進行研究。根據(jù)文獻2122 7,被試者在進行左右手運動想 象任務(wù)時，對應(yīng)g. MOBIlab腦電采集設(shè)備的FC6導(dǎo) 聯(lián)通道的ERS/ERD電壓變化最為明顯，因此試驗中 對FC6通道的EEG信號進行采集。本文試驗被試者 為27歲青年志愿者，首先被試者按照要求處于放松 狀態(tài)，然后受試者被要求按照前方顯示屏的指示想象 左右手運動：當(dāng)前方顯示屏出現(xiàn)“5”指示箭頭時，被 試者想象左手運動；當(dāng)前方顯示屏出現(xiàn)“*”箭頭時， 被試者想象右手運動。在此過程中g(shù). MOBIlab腦電

10、采集設(shè)備對被試者的腦電信號進行采集，試驗進行 300次，其中150次為想象左手運動，另外150次為 想象右手運動，數(shù)據(jù)采樣頻率為128 Hz,有效的采樣 時間為6 s,每組數(shù)據(jù)長度為768個采樣點。圖1(a) 和圖1( b)分別給出了想象左手運動和想象右手運動 的腦電信號的典型波形圖，可以看出，想象左手運動 腦電信號波形支撐區(qū)較窄，而想象右手運動腦電信號 波形支撐區(qū)較寬，因此可以據(jù)此對2種運動想象腦電(b)想象右手運動 圖1腦電信號波形圖2 EEG信號噪聲抑制EEG信號作為一種典型的微弱信號，其電壓幅 度只有&V級,容易受到噪聲的影響，例如皮膚出汗、 肌肉活動等都會污染EEG信號中的有效信息，

11、因此 在信號采集時除了保證被試者心態(tài)平和，避免多余的 心理或物理活動外,對采集到的信號要進行必要的噪 聲抑制預(yù)處理，濾除其中的噪聲等干擾分量。針對EEG信號非線性、非平穩(wěn)和時變性特點,本 文將經(jīng)驗?zāi)B(tài)分解-Empirical Mode Decomposition, EMD)引入EEG信號處理領(lǐng)域，利用EMD的信號驅(qū) 動和自適應(yīng)能力實現(xiàn)對信號中噪聲分量的濾除。 EMD通過被稱為“篩選”的迭代步驟將信號分解為一 系列本征模函數(shù)-Intrinsic Mode Function, IMF)和的 形式,經(jīng)過分解后,信號中的有用信息被分解到各個 IMF中，而噪聲分量則被分解到余項中。給出了 EMD迭代的算

12、法流程。算法1 EMD算法流程1將輸入信號-(；)記為=(;)=-(；);2利用(值對=(;)中的所有局部極大值進行平滑濾波,得到 =(；)的上包絡(luò)曲線；) /3利用(值對=(;)中的所有局部極小值進行平滑濾波,得到 =(；)的下包絡(luò)曲線頑；)/4計算上下包絡(luò)曲線的平均值,！( ；)= - =( ；) +商(；)/2；5 令=(；)=(；)-m( t):6判斷=(t)是否為IMF,若是，記為imf#，令I(lǐng)( t) = -( t)- imfi，并將i ( t)作為新的=(t),轉(zhuǎn)入步驟2計算下一個 IMF;否則,對步驟5得到的新的時域信號=(t)重復(fù)進行步 驟2 步驟5的運算,直到得到imf#。

13、經(jīng)過EMD迭代后，可以得到EMD分解結(jié)果為：-(t)!imf+ + =7( 1)+ = 1其中,imf,為第+個IMF, =7為經(jīng)過7次分解后的剩余 項或者被稱為趨勢項。(a)想象左手運動0100200300400500600 700800采樣點-W)想象右手運動圖2 SNR=5 dB時腦電信號波形圖圖2給出了利用MATLAB自帶的AWGN()函數(shù) 向圖1所示的腦電信號疊加高斯白噪聲，構(gòu)造信噪比 為5 dB時的運動腦電信號波形圖，對比圖1(a)想象左手運動0100200300400500600 700800采樣點-W)想象右手運動圖2 SNR=5 dB時腦電信號波形圖0.50100200 30

14、0400500600700 800采樣點( a) 想象左手運動(W)想象右手運動 圖3 0.50100200 300400500600700 800采樣點( a) 想象左手運動(W)想象右手運動 圖3 EMD去噪結(jié)果0100200300400500600700800采樣點EEG信號特征提取特征1EEG信號的波形嫡特征：=-!p( m) %(m)EEG信號的波形嫡特征：=-!p( m) %(m)Feature(2)特征2 EEG信號的波形支撐區(qū)寬度特征：Feature?find ( |-( m) F - 商! 1-( m) |2) =-(m) / ! -( m) ,EEG=-(m) / ! -(

15、 m) ,EEG信號的波形嫡特m = 1特征3 EEG信號的波形二階中心距特征：Feature. - m - m) !-( m)- 4)其中,-(m)二-m) / -( m) , m 二 m X - m)為信 m = 1m = 1號質(zhì)心位置，信號波形的二階中心距特征描述了信號 的波形相對于質(zhì)心的分布。圖4給出了利用g. MOBIlab腦電采集設(shè)備獲取 的ZC6導(dǎo)聯(lián)通道的300組實測數(shù)據(jù)進行特征提取獲 取的二維歸一化特征分布圖，其中“?！狈柎淼氖?對想象左手運動腦電信號提取的特征，“ + ”符號代 表的是對想象右手運動腦電信號提取的特征，從圖4-b)特征1和特征3歸一化二維分布-c)特征2和

16、特征3歸一化二維分布 圖4 歸一化二維特征分布圖4 EEG信號分類識別在完成特征提取后,對運動腦電信號的分類就進 入最后的分類識別階段,其中分類器的設(shè)計和選擇是 這一階段的關(guān)鍵。目前常用的分類器有線性分類器、 神經(jīng)網(wǎng)絡(luò)分類器、貝葉斯分類器、支撐向量機-Support Vector Machine, SVM)和相關(guān)向量機分類器等。 其中SVM在面對小樣本、非線性及高維模式分類問 題時相對于其他幾種分類器具有更優(yōu)的分類性能、更 強的推廣泛化能力、更高的分類性能和計算效率，因 此本文選用SVM作為系統(tǒng)的分類器。運動腦電信號分類是一種典型的兩類目標分類 問題，對于給定的訓(xùn)練樣本集(，%1)，1 = 1

17、，N，uk 為第1個輸入樣本,( +1，-1為對應(yīng)的類別標 號。兩類SVM分類函數(shù)為：7in了 | 3 | 2 + 2( &i)皿)2- 5)s. t ( ,1 +) - 1 + $ 0, 1 = #，K 其中，為懲罰項，2為懲罰因子,3為權(quán)值,)為分 類面參數(shù)。通過引入滿足Mercer條件的內(nèi)積函數(shù)! (ui，u)得到非線性分類問題的最優(yōu)分類面如下：KA( u) = sgA ! 61%1!( ,1 ,u) + y- 6)i=1其中,61和3為確定最優(yōu)分類面的參數(shù)，使用不同的 核函數(shù)可以得到不同的支持向量算法,下面是目前常 用的核函數(shù)。多項式核函數(shù)： TOC o 1-5 h z !( u,ui

18、) = 6( u , u+) + 1 #(7)徑向基核函數(shù)：!( u,u+) = exp - # | u - u+ | 2(8)Sigmoid核函數(shù)：!( u ,u+) = tanh ( #( u % u+) + 2)- 9)其中#為核參數(shù)。為了驗證所提特征和SVM分類器的分類性能， 在300組EEG信號中隨機選取160組作為訓(xùn)練樣 本，剩余140組作為測試樣本。提取上述三維特征并 利用SVM分類器進行分類,SVM分類器選用徑向基 核函數(shù)，核參數(shù)在6。，5范圍內(nèi)采用交叉驗證的方式 進行擇優(yōu)。表1給出了分類結(jié)果混淆矩陣，并將結(jié)果 與傳統(tǒng)小波方法和共空間模式(CSP)方法6237進行對 比。其中,混淆矩陣中每一類分類結(jié)果的計算方法為 該類別中正確分類的樣本數(shù)除以該類別的總測試樣 本數(shù)，總的正確分類結(jié)果的計算方法為2類樣本中正 確分類的樣本數(shù)和除以總的測試樣本數(shù)。從表1可 以看出，本文方法可以獲得92.4%的平均正確分類結(jié)果，明顯高于小波方法87.7%和CSP方法90.3% 的分