脑-机接口BCI（Brain-Computer Interface）是在人(或动物)与外部设备间建立的直接连接通道。它通过采集、分析人的脑电信号，在人脑与计算机或其他电子设备之间建立直接交流和控制通道，从而可以不需语言或肢体动作,直接通过控制脑电来表达意愿或操作外接设备[1-2]。随着科学技术的发展，智能机器人在医疗领域的应用越来越广泛，如监护机器人、康复机器人等。目前康复机器人的训练方式对于患者而言仅仅是被动的运动治疗,缺乏对患者主动参与的刺激。根据脑可塑性理论,脑功能重组的恢复训练应该强调患者的主动参与,按照科学的运动学习方法对患者进行再教育以恢复其运动功能。同时,实践结果表明,患者积极参与到功能恢复训练中,能够获得更好的恢复效果[3]。本文介绍了一种基于思维脑电的脑-机接口的无线智能机器人控制系统设计方案，此方案将服务机器人与康复机器人相结合，不仅提供了机器人为精神损伤的瘫痪患者服务的功能，更融入了患者的康复训练。患者通过进行左右手想象运动得到相应的思维脑电，电信号经过脑电采集电路进入LabVIEW，进行特征提取及模式识别，判断出使用者的思维模式，然后发出相应的控制命令，通过串口传给单片机。单片机对命令进行编码后通过红外的形式向外发射，智能机器人上的红外一体化接收管对接收到的信号进行解码后作出相应的动作。

1 系统概况
基于思维脑电的脑-机接口无线智能机器人控制系统主要包括三个子系统:脑电采集电路子系统、基于LabVIEW的上位机子系统（特征提取、模式识别及反馈界面的实现），以及基于PIC单片机的下位机控制子系统(红外的编码及解码)。单片机选用Microchip的PIC18f14k50。系统示意图如图1所示。

小波包分解是小波分解的推广。在小波分析中，原始信号被分解为逼近部分和细节部分。逼近部分再分解为另一层的逼近和细节，重复这样的过程，直到分解为设定的分解层。其中细节部分也进行相同的分解。小波包分解具有任意多尺度特点，避免了时频固定的缺陷，为时频分析提供了极大的选择余地，更能反映信号的本质和特征[5]。
在小波多分辨率分析中，可以将不同的尺度因子j在Hilbert空间按照二进制继续进行频率细分。
2.2 基于欧拉距离模式识别算法的实现
欧拉距离识别方法的基本原理为：将已知类别的向量设为训练向量组，未知类别的向量归为测试组[6]。将测试组中的向量分别与训练向量组中的所有向量进行距离比较，记住与其距离最近的那个训练集向量，则测试组向量与该训练组向量的类别一样，至此识别过程结束。
欧拉距离算法的公式为：

图2、图3中的横坐标表示特征提取得到7个频段的数据，纵坐标表示140组脑电数据。db4中列与列之间的能量差比较大，因此可认为它的特征提取结果较好。由模式识别验证特征提取的结果，db4小波包分解经过欧拉距离方法的模式识别后，得到识别率为71.43%;sym2小波包分解经过欧拉距离方法的模式识别后，得到识别率为68.57%。故取db4小波包分解的方法。
　本文采用4、5、6层小波包分解的方法进行特征提取，如图4、图5所示分别为4、6层小波包分解的能量分布图。

根据小波包分解的原理，分解层数越多，得到的频段则越精细。由图4、图5可以看出，6层小波包分解的频段分得非常细，而4层小波包分解所得到的频段相对稀疏。通常，小波包分解层数越多，得到的频段应该越精确，识别结果势必会越好[6]。但在模式识别实验中，4、5、6层小波包分解对应的特征向量所得到的最佳识别率分别为：84.1%、87.3%、64.27%。这说明分解得到越精细的频段不一定对应着越好的识别结果。因为6层小波包分解可能加入了更多干扰信号成分,对识别结果有一定影响。
3.2 基于欧拉距离的模式识别实验结果
模式识别是检验特征提取所得特征向量性质的标准。本文分别比较了4、5、6层小波包分解采用欧拉距离模式识别时所得结果。
4层小波包分解特征提取之后得到大小为140×7的特征向量，经欧拉距离模式识别后识别率为79.429%。5层小波包分解特征提取之后得到大小为140×11的特征向量，经欧拉距离模式识别后识别率为85.429%。6层小波包分解特征提取之后得到大小为140×27的特征向量，经欧拉距离模式识别后所得识别率为64.286%。
由上述实验可知，在小波包分解为5层时识别效率最高。
3.3 红外遥感
红外通信是利用950 nm近红外波段的红外线作为传递信息的信道。发送端将基带二进制信号调制为一系列的脉冲串信号，通过红外发射管发射红外信号。接收端将接收到的光脉转换成电信号，再经过放大、滤波等处理后送给解调电路进行解调，还原为二进制数字信号后输出。常用的有两种方法：通过脉冲宽度实现信号调制的脉宽调制（PWM）和通过脉冲串之间的时间间隔实现信号调制的脉时调制（PPM）。
红外通信可用于沿海岛屿间的辅助通信、室内通信、近距离遥控、飞机内广播和航天飞机内宇航员间的通信。由于BCI应用系统基本用于室内控制或近距离控制，所以使用红外遥控技术既可以满足系统的需要,又能最大限度地节约成本。
本文采用NEC-E3编码方式进行红外编码，实验结果如图6所示。

由示波器显示可看出，此实验成功将脑电识别结果进行NEC-E3编码，并发给智能机器人接收模块。
实验结果表明，受试者通过进行想象左右手运动，能够发出有效的思维脑电。通过LabVIEW进行特征提取和模式识别，基于小波包分解的特征提取和基于欧拉距离的模式识别算法可以正确识别思维脑电信号，分辨出受试者进行的思维模式，并将此模式对应的命令无线发给智能机器人，控制智能机器人的运动。因此，本文提出的基于BCI的无线智能机器人控制系统的方案是可行的，具有较高的应用价值。
参考文献
[1] 高上凯. 神经工程与脑-机接口[J]. 生命科学, 2009,21(02):177-180.
[2] VAN G M, FARQUHAR J, SCHAEFER R, et al. The brain-computer interface cycle[J]. J Neural Eng, 2009,6(4):1-10.
[3] 马贇,王毅军, 高小榕,等. 基于脑-机接口技术的虚拟现实康复训练平台[J].中国生物医学工程学报,2007,26(3):373-378.
[4] 高湘萍，吴小培,沈谦. 基于脑电的意识活动特征提取与识别[J]. 安徽大学学报(自然科学版), 2006, 30(2):33-36.
[5] 周湶,卢毅,李剑,等.小波包提取算法和相关分析用于电缆双端行波测距[J]. 高电压技术, 2011,37(7):1695-1699.
[6] CHOI Y S, KIM L K, OH J T. PE file header analysisbased packed PE file detection technique[C].Proc of Int’l Symp on Computer Science and Its Applications, 2008:28-31.
[7] 汤敏,倪斌. 通过LabVIEW图形化开发平台有效优化多核处理器环境下的信号处理性能[J]. 国外电子测量技术, 2010,29(2):12-14.