基于運(yùn)動(dòng)想象腦電控制的智能家居系統(tǒng)

1、基于運(yùn)動(dòng)想象腦電控制的智能家居系統(tǒng)摘要:將智能家居與腦機(jī)接口( Brain Computer Interface- BCI)技術(shù)相結(jié)合，利用意念實(shí)現(xiàn)對(duì)家居的操作與控制，能夠?yàn)?運(yùn)動(dòng)障礙人士提供更友好和便利的家居生活，具有重要的社會(huì)意義。本文以左右手運(yùn)動(dòng)意圖為例提出一種基于運(yùn)動(dòng)想 象腦電控制的智能家居系統(tǒng)，對(duì)系統(tǒng)設(shè)計(jì)中涉及的腦電信號(hào)采集、噪聲濾除預(yù)處理、特征提取和分類(lèi)識(shí)別等方面進(jìn)行研 究，并給出系統(tǒng)的實(shí)現(xiàn)方案。關(guān)鍵詞：智能家居；腦機(jī)接口；特征提??；分類(lèi)識(shí)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(jì) 算機(jī)、照明系統(tǒng)、送風(fēng)系統(tǒng)等)利用計(jì)算機(jī)科學(xué)技術(shù)、 無(wú)線(xiàn)通信技術(shù)等手段進(jìn)行信息化處理并整合為一個(gè) 智能體，能夠根據(jù)使用者的需求自動(dòng)地提供安全監(jiān) 控、照明/取暖控制、影音娛樂(lè)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(jī)交互方式有手勢(shì)交互、語(yǔ)音交互和 客戶(hù)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(guò)2億人患有運(yùn)動(dòng)障礙，并且人數(shù)還在持續(xù)增長(zhǎng)。這 些人難以完成有效的人機(jī)交互從而不能體會(huì)到智能 家居帶來(lái)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(wèn)題610-137 !腦機(jī)接口- Brain Computer Interface, BCI)技術(shù)通 過(guò)外圍輔助設(shè)備直接對(duì)腦電信號(hào)-Electroenc Ephalo Gram, EEG)進(jìn)行采集，然后利用模式識(shí)別方法對(duì) EEG信號(hào)進(jìn)行分類(lèi)和識(shí)別，將不同的EEG信號(hào)與使 用者特定的意圖聯(lián)系起來(lái),從而達(dá)到通過(guò)EEG信號(hào) 與外界進(jìn)行信息交互的目的6婦27。最初的腦機(jī)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(jī)接口系統(tǒng)向著輕量化、低成本、便攜可 移動(dòng)等方向發(fā)展。BCI技術(shù)的發(fā)展為前述問(wèn)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(jī)交互方式,從而使 運(yùn)動(dòng)障礙人士能夠利用自己的“意念”實(shí)現(xiàn)對(duì)智能家 居系統(tǒng)的控制。當(dāng)前國(guó)內(nèi)外學(xué)者對(duì)基于BCI的智能家居系統(tǒng)進(jìn) 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(hào)中提取出了英文字母信息，驗(yàn)證了利 用BCI技術(shù)與外界進(jìn)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(shí)現(xiàn)對(duì)外界機(jī)器人的控制6197 ；文獻(xiàn)20 設(shè)計(jì)了一種利用SSVEP腦電信號(hào)的輪椅控制系統(tǒng)， 能夠通過(guò)測(cè)試者的腦電信號(hào)控制輪椅的左右行駛。一個(gè)完整的BCI智能家居系統(tǒng)通常包括EEG信 號(hào)采集處理系統(tǒng)、通信傳輸系統(tǒng)和控制系統(tǒng)3個(gè)部 分，其中EEG信號(hào)采集處理系統(tǒng)需要完成對(duì)EEG信 號(hào)的有效捕獲、噪聲剔除、特征提取和分類(lèi)識(shí)別，決定 著B(niǎo)CI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(yùn)動(dòng)意圖信號(hào)為例，采用G. TEC公司的g. MOBIlab設(shè)備+ EEG信號(hào)放大器對(duì) EEG信號(hào)進(jìn)行采集，利用小波變換實(shí)現(xiàn)噪聲抑制，提

8、 取二維功率譜特征，利用SVM分類(lèi)器進(jìn)行分類(lèi)識(shí)別, 并對(duì)結(jié)果進(jìn)行分析,為相關(guān)科研工作者提供新的思路。1 EEG信號(hào)采集利用g. MOBIlab設(shè)備采集到的大腦皮層隨時(shí)間 變化的電位信號(hào)就是腦電信號(hào),反映的是大腦生物電 活動(dòng)特性。根據(jù)被試者狀態(tài)不同，EEG信號(hào)可以分 為自發(fā)腦電信號(hào)和誘發(fā)腦電信號(hào)2種。其中自發(fā)腦 電信號(hào)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(hào)，當(dāng)前研究最多的是基于人體四肢運(yùn) 動(dòng)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(yùn)動(dòng)想象的BCI技術(shù)就是一種典型的自發(fā) 腦電信號(hào)控制系統(tǒng);誘發(fā)腦電信號(hào)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(shí)產(chǎn)生的電位波 動(dòng)。由于基于運(yùn)動(dòng)想象的BCI技術(shù)容易實(shí)現(xiàn)且數(shù)據(jù) 易于獲取和分析，因此本文對(duì)此進(jìn)行研究。根據(jù)文獻(xiàn)2122 7,被試者在進(jìn)行左右手運(yùn)動(dòng)想 象任務(wù)時(shí)，對(duì)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(yàn)中 對(duì)FC6通道的EEG信號(hào)進(jìn)行采集。本文試驗(yàn)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(yùn)動(dòng)：當(dāng)前方顯示屏出現(xiàn)“5”指示箭頭時(shí)，被 試者想象左手運(yùn)動(dòng)；當(dāng)前方顯示屏出現(xiàn)“*”箭頭時(shí)， 被試者想象右手運(yùn)動(dòng)。在此過(guò)程中g(shù). MOBIlab腦電

10、采集設(shè)備對(duì)被試者的腦電信號(hào)進(jìn)行采集，試驗(yàn)進(jìn)行 300次，其中150次為想象左手運(yùn)動(dòng)，另外150次為 想象右手運(yùn)動(dòng)，數(shù)據(jù)采樣頻率為128 Hz,有效的采樣 時(shí)間為6 s,每組數(shù)據(jù)長(zhǎng)度為768個(gè)采樣點(diǎn)。圖1(a) 和圖1( b)分別給出了想象左手運(yùn)動(dòng)和想象右手運(yùn)動(dòng) 的腦電信號(hào)的典型波形圖，可以看出，想象左手運(yùn)動(dòng) 腦電信號(hào)波形支撐區(qū)較窄，而想象右手運(yùn)動(dòng)腦電信號(hào) 波形支撐區(qū)較寬，因此可以據(jù)此對(duì)2種運(yùn)動(dòng)想象腦電(b)想象右手運(yùn)動(dòng) 圖1腦電信號(hào)波形圖2 EEG信號(hào)噪聲抑制EEG信號(hào)作為一種典型的微弱信號(hào)，其電壓幅 度只有&V級(jí),容易受到噪聲的影響，例如皮膚出汗、 肌肉活動(dòng)等都會(huì)污染EEG信號(hào)中的有效信息，

11、因此 在信號(hào)采集時(shí)除了保證被試者心態(tài)平和，避免多余的 心理或物理活動(dòng)外,對(duì)采集到的信號(hào)要進(jìn)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(duì)EEG信號(hào)非線(xiàn)性、非平穩(wěn)和時(shí)變性特點(diǎn),本 文將經(jīng)驗(yàn)?zāi)B(tài)分解-Empirical Mode Decomposition, EMD)引入EEG信號(hào)處理領(lǐng)域，利用EMD的信號(hào)驅(qū) 動(dòng)和自適應(yīng)能力實(shí)現(xiàn)對(duì)信號(hào)中噪聲分量的濾除。 EMD通過(guò)被稱(chēng)為“篩選”的迭代步驟將信號(hào)分解為一 系列本征模函數(shù)-Intrinsic Mode Function, IMF)和的 形式,經(jīng)過(guò)分解后,信號(hào)中的有用信息被分解到各個(gè) IMF中，而噪聲分量則被分解到余項(xiàng)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(hào)-(；)記為=(;)=-(；);2利用(值對(duì)=(;)中的所有局部極大值進(jìn)行平滑濾波,得到 =(；)的上包絡(luò)曲線(xiàn)；) /3利用(值對(duì)=(;)中的所有局部極小值進(jìn)行平滑濾波,得到 =(；)的下包絡(luò)曲線(xiàn)頑；)/4計(jì)算上下包絡(luò)曲線(xiàn)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(jì)算下一個(gè) IMF;否則,對(duì)步驟5得到的新的時(shí)域信號(hào)=(t)重復(fù)進(jìn)行步 驟2 步驟5的運(yùn)算,直到得到imf#。

13、經(jīng)過(guò)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(gè)IMF, =7為經(jīng)過(guò)7次分解后的剩余 項(xiàng)或者被稱(chēng)為趨勢(shì)項(xiàng)。(a)想象左手運(yùn)動(dòng)0100200300400500600 700800采樣點(diǎn)-W)想象右手運(yùn)動(dòng)圖2 SNR=5 dB時(shí)腦電信號(hào)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(hào)疊加高斯白噪聲，構(gòu)造信噪比 為5 dB時(shí)的運(yùn)動(dòng)腦電信號(hào)波形圖，對(duì)比圖1(a)想象左手運(yùn)動(dòng)0100200300400500600 700800采樣點(diǎn)-W)想象右手運(yùn)動(dòng)圖2 SNR=5 dB時(shí)腦電信號(hào)波形圖0.50100200 30

14、0400500600700 800采樣點(diǎn)( a) 想象左手運(yùn)動(dòng)(W)想象右手運(yùn)動(dòng) 圖3 0.50100200 300400500600700 800采樣點(diǎn)( a) 想象左手運(yùn)動(dòng)(W)想象右手運(yùn)動(dòng) 圖3 EMD去噪結(jié)果0100200300400500600700800采樣點(diǎn)EEG信號(hào)特征提取特征1EEG信號(hào)的波形嫡特征：=-!p( m) %(m)EEG信號(hào)的波形嫡特征：=-!p( m) %(m)Feature(2)特征2 EEG信號(hào)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(hào)的波形嫡特m = 1特征3 EEG信號(hào)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(hào)質(zhì)心位置，信號(hào)波形的二階中心距特征描述了信號(hào) 的波形相對(duì)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(shí)測(cè)數(shù)據(jù)進(jìn)行特征提取獲 取的二維歸一化特征分布圖，其中“?！狈?hào)代表的是 對(duì)想象左手運(yùn)動(dòng)腦電信號(hào)提取的特征，“ + ”符號(hào)代 表的是對(duì)想象右手運(yùn)動(dòng)腦電信號(hào)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(hào)分類(lèi)識(shí)別在完成特征提取后,對(duì)運(yùn)動(dòng)腦電信號(hào)的分類(lèi)就進(jìn) 入最后的分類(lèi)識(shí)別階段,其中分類(lèi)器的設(shè)計(jì)和選擇是 這一階段的關(guān)鍵。目前常用的分類(lèi)器有線(xiàn)性分類(lèi)器、 神經(jīng)網(wǎng)絡(luò)分類(lèi)器、貝葉斯分類(lèi)器、支撐向量機(jī)-Support Vector Machine, SVM)和相關(guān)向量機(jī)分類(lèi)器等。 其中SVM在面對(duì)小樣本、非線(xiàn)性及高維模式分類(lèi)問(wèn) 題時(shí)相對(duì)于其他幾種分類(lèi)器具有更優(yōu)的分類(lèi)性能、更 強(qiáng)的推廣泛化能力、更高的分類(lèi)性能和計(jì)算效率，因 此本文選用SVM作為系統(tǒng)的分類(lèi)器。運(yùn)動(dòng)腦電信號(hào)分類(lèi)是一種典型的兩類(lèi)目標(biāo)分類(lèi) 問(wèn)題，對(duì)于給定的訓(xùn)練樣本集(，%1)，1 = 1

17、，N，uk 為第1個(gè)輸入樣本,( +1，-1為對(duì)應(yīng)的類(lèi)別標(biāo) 號(hào)。兩類(lèi)SVM分類(lèi)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(xiàng)，2為懲罰因子,3為權(quán)值,)為分 類(lèi)面參數(shù)。通過(guò)引入滿(mǎn)足Mercer條件的內(nèi)積函數(shù)! (ui，u)得到非線(xiàn)性分類(lèi)問(wèn)題的最優(yōu)分類(lèi)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(lèi)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(xiàng)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(yàn)證所提特征和SVM分類(lèi)器的分類(lèi)性能， 在300組EEG信號(hào)中隨機(jī)選取160組作為訓(xùn)練樣 本，剩余140組作為測(cè)試樣本。提取上述三維特征并 利用SVM分類(lèi)器進(jìn)行分類(lèi),SVM分類(lèi)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(yàn)證的方式 進(jìn)行擇優(yōu)。表1給出了分類(lèi)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(jìn)行對(duì) 比。其中,混淆矩陣中每一類(lèi)分類(lèi)結(jié)果的計(jì)算方法為 該類(lèi)別中正確分類(lèi)的樣本數(shù)除以該類(lèi)別的總測(cè)試樣 本數(shù)，總的正確分類(lèi)結(jié)果的計(jì)算方法為2類(lèi)樣本中正 確分類(lèi)的樣本數(shù)和除以總的測(cè)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(lèi)結(jié)果，明顯高于小波方法87.7%和CSP方法90.3% 的分