脑-机接口BCI(Brain-Computer Interface)是一种利用脑部神经发出的信息与计算机或其他外部设备通信的系统^[1]。基于头皮的脑电信号可以反映大脑的不同状态，且记录简单、无创，能够实时地进行信号的提取和分类，在目前脑-机接口研究中是最多的^[2]。

传统的轮椅人机交互由声音、摇杆和按键等实现。然而对于高位瘫痪不具备语言能力的人来说，通过BCI这种技术可以很好地帮助他们实现意念控制外部设备的愿望。目前随着BCI技术的发展，实现大脑控制外部设备变得越来越有可能。在国外，Farwell等人就利用脑电信号中的P300开发了虚拟打字机，可以实现意念控制文字的输入^[3]。同时，在现有脑电控制的智能轮椅系统中，可以利用闭眼放松的脑电信号的Alpa波和左右手运动想象脑电信号的Beta波来实现对轮椅的控制^[4]。而脑电信号很微弱且易受外部环境的干扰^[5]，其处理的算法也非常复杂。对于利用脑电信号进行控制的系统，处理脑电的步骤一般包括信号的滤波、特征提取、信号分类和转换。脑电特征提取方法主要有小波(包)分析、功率谱法和共空间模型等。而脑电信号的分类方法中最主要的包括线性判别法、支持向量机法和人工神经网络等^[6]。

由于脑机接口的研究很复杂，许多处理算法也只是处于离线的理论研究阶段，实际操作的可靠性也有待提高。本文主要研究了脑电数据的离线处理方法，运用AR模型估计方法验证了想象数据的可分离性，然后使用感知器算法对信号的特征进行分类，并基于BCI2000平台将其转换为控制信号，达到了控制外部轮椅设备的目的。该操作平台的优点是：不利用人体的肢体动作就可以实现对轮椅运动方向的控制，成本较低，为行动有障碍的残疾人士提供了一个自由的控制平台，对今后进一步实现轮椅的集成控制有重要意义。

1 BCI2000试验平台

BCI2000是一种能描述任意BCI系统的模型，该模型由4个相互联系的功能模块构成：数据获取模块（数据的采集和存储）、信号处理模块、用户应用程序模块、操作员模块，如图1所示。这4个模块各自分离，并通过TCP/IP协议进行相互通信^[7]。

在BCI2000系统运行过程中，每次数据获取模块获得一组脑电数据后，就发送给信号处理模块，在此对脑电数据进行信号的特征提取和模式分类，并将分类的结果转化为控制命令发送给用户应用模块。每个模块各自实现自己的功能，它们之间的通信协议不受信号的通道数和采样率、信号处理的复杂度和所需要控制的外部设备等因素的限制^[7]。

2 脑电信号分析

2.1 特征分析

在想象运动中Mu节律的能量高低及分布可用于对数据进行分类，并且可以通过训练用户控制Mu节律的能量高低和分布状况来实现对外部设备的控制[8]。本设计利用Mu节律的能量幅值变化来研究人脑下达不同运动意识指令时EEG的表现特征，并且将时域特征与频域特征结合作为时频特征。实验中，利用刺激界面使被试者进行左右手运动的想象动作，从提示到结束的时间为9 s，同时记录下被试者的脑电数据，将通过电脑采集的脑电数据存储到计算机内。最后利用MATLAB进行数据分析，提取脑电数据的特征向量。

Mu节律处于(8～12)Hz频带，由于Mu节律在运动皮层区域记录，与人体运动功能紧密相关^[9]，选取5阶带通椭圆滤波器对实验数据进行(8～12)Hz带通滤波，滤波后想象左手运动的两个通道的波形如图2所示。

同时采用Burg算法对原始脑电信号进行AR模型谱估计。经过试验发现，选取阶次为10能使得预测误差功率最小，得到的分类效果较为理想。图3为脑电数据在基于Burg算法下的AR模型谱估计图。

经过了时域和频域分析后，将时域特征和频域特征结合起来，组成时频联合特征作为分类特征向量，用于后续的分类研究。

2.2 信号分类

采用改进的线性感知器准则作为训练分类器准则，使得平均分类准确率达到 77.1%，分类效果良好。另外，在探索最佳分类特征时间段的过程中，采用类似于在线分析的方法，易于知道在在线分类时(如以1.5 s为时间段进行顺移的在线分类时)什么时候进行分类检测效果最好，为实现在线分类提供良好的参考。

利用感知器算法对样本特征进行分类，基本算法如下：

(1)设各个权矢量的初值为0，即w₁=w₂=…=w_M=0，M为分类数。

(2)第k次输入一个样本X(k)，计算第k次迭代计算的结果为：

循环执行第(2)步，直到输入所有的样本权重都不需要修正为止^[10]。

3 控制系统的组成及构架

脑控智能轮椅的控制系统主要由脑电采集装置、运行于电脑的BCI2000软件平台、蓝牙输出、电机控制等部分组成。该控制系统的结构图如图4所示。

3.1 EEG信号采集和处理

脑电信号采集使用Emotive采集装置，采样率为128 Hz，电极按照国际10-20标准电极安放法安放。电极位置如图5所示。

分别采集运动想象的脑电数据，进一步得到特征所在通道，想象右手时在FC6上有明显变化，同理从采集的波形及后面的离线分析中选择FC5和FC6作为分析通道。同时眨眼信号由F7通道采集。其中“CMS”和“DRL”是参考电极。

由Emotiv设备采集的信号为头皮的原始脑电信号，同时将信号进行放大和数字化，得到数字化的EEG信号。BCI2000脑机接口平台具备数据采集模块，此时使该平台能够收集到Emotiv脑电采集装置的信号，完成配置工作将系统顺利调通。Emotiv.exe应用程序读取采集软件Emotiv的脑电采集信号，链接成功后的采集界面如图6所示。

StimulusPresentation.exe应用程序会显示所设计的刺激界面，如图7所示，提示使用者进行左右手的运动想象。采集器的参数设置如表1所示。

选择通道FC5、FC6通道进行信号处理。利用MATLAB编写信号处理程序，获得感觉运动节律参数，利用已验证的算法进行特征的提取和分类，同时转换为相应的控制指令。

3．2 外部接口程序

BCI2000的外部程序接口(AppConnector)提供了BCI2000与运行在同一计算机或局域网内其他不同计算机上的外部程序进行双向数据交换的通道[7]。通过外部程序接口，外部应用程序可以读/写BCI2000的状态向量和控制信息。BCI2000从ConnectorInputAddress参数指定的本地IP socket上读取AppConnector信息，并把信息写进ConnectorOutputAddress参数指定的socket上，socket由一个地址/端口组合来指定，地址与端口之间用冒号来指定，实验设定为localhost：20230。

利用AppConnector接口来控制外部设备意味着外部设备必须在BCI2000之外完成，相应的参数不随数据文件一起存储。建立外部应用程序，此程序基于MFC创建，首先创建一个UDP socket，通过读取ResultCode状态来获取分类结果，通过设置端口来监听所设置的UDP端口的信息，读取由SignalProcessing计算得到的控制信号。所以创建基于MFC的UDP监听程序时，将监听到的控制信息利用SerialPort类转换为USB输出。转换程序如下：

void CIPDlg::OnSend()

{

//TODO：Add your control notification handler code here

if(!m_bOpenPort) return;

//检查串口是否打开，如果没打开，则退出

m_Port.WriteToPort((LPCTSTR)getbate);//发送数据

}

在此，USB输出连接蓝牙通信模块，把控制信息以蓝牙的形式输出到轮椅电机的控制模块处。当把基于蓝牙传输的USB口插进电脑时，所创建的wheelchair control interface软件会自动识别串口，联通传输信号。此时，只需把电脑放在轮椅附近处，就可以让使用者在不携带电脑的情况下，达到控制轮椅运动的目的。上位机如图8所示。

3.3 硬件电路实现

控制信号经过蓝牙传输模块给控制板，控制板接收到控制信号，继而驱动电机控制模块控制电机转动，实现控制轮椅的运动。考虑对芯片性能的要求和实际的接口应用，选择STM32F103单片机作为主控芯片。STM32F103有专门为电机控制而设定的高级定时器，带有6个死区时间可编程的PWM输出通道，同时其带有的紧急制动可以在异常情况出现时强迫PWM信号输出保持在一个预定好的安全状态，在具备高性能表现的同时保持了低功耗特性[11]。控制器部分电路图如图9所示。

模块由MCU(STM32F103)、蓝牙接收模块、LED显示三大部分组成，主要工作原理为：蓝牙模块接收电脑USB输出的脑电信号，传至MCU进行信号的识别，进而控制电机的运转，达到控制轮椅方向的目的。由于电动轮椅使用蓄电池供电，实验中利用蓄电池给控制板供电，电源转换电路如图10所示。

4 结果分析

本文利用BCI2000开源软件，连接Emotiv脑电采集装置，对智能轮椅的控制系统进行了硬件和软件的设计，实现了意念控制轮椅的目的。通过实验结果可以得到，在利用BCI2000的基础上，结合MFC程序，把脑电信号的采集、识别、分类和传输等功能合成为一个平台，有助于简化硬件电路的复杂性。这样可以降低硬件处理的复杂度，同时降低了系统的成本，具有较高的应用价值。

随着脑-机接口技术的不断发展，研究者开发的各种开源的软件平台，可以方便使用者直接使用现有的处理工具，为脑-机接口的研究提供了便利，并进一步促进了该技术的发展。本文基于开源软件BCI2000搭建的脑-机接口系统实现了实验参数的设计和算法的加载，并实现使用该平台与利用MFC编程的软件相互通信的功能，同时控制信号与控制模块通过蓝牙通信，实现了脑电信号便捷地控制电动轮椅运动的目标。

参考文献

[1] VAUGHAN T M，HEETDERKS W J，TREJI L J，et al.Guest editorial brain-computer interface technology[J].IEEE Trans.on Rehabilitation Engineering，2003，11(2)：94-107.

[2] 邹鹤良，李远清，龙锦益，等.基于脑机接口集成控制系统[J].计算机工程与应用，2012，48(8)：76-78.

[3] FARWELL La，DONCHIN E.Talking off the top of your head：A mental prosthesis utilizing event-related brain potentials[J].Electroenceph.Clin.Neurophysiol，1988，70(6)：510-523.

[4] 张毅，罗明伟，罗元，等.基于脑电?琢/?茁波的智能轮椅人机交互[J].华中科技大学学报，2013，41(7)：109-114.

[5] 谢宏，颜林，姚楠,等.基于ADS1298的新型脑电信号采集前端设计[J].电子技术应用，2013，39(4)：75-78.

[6] 颜世玉，刘冲，赵海滨，等.基于小波包的意识脑电特征提取[J].仪器仪表学报，2012，33(8)：1748-1751.

[7] SCHALK G，MELLINGER J.BCI2000与脑机接口[M].胡三清，译.北京：国防工业出版社，2011.

[8] 廖彩萍，李远清，赵慧.基于运动想象的脑电信号的分类研究[J].自动化与仪表，2008(4)：1-4.

[9] 李坤，褚蕾蕾，朱世东，等.基于mu节律能量的运动意识分类研究[J].计算机技术与发展，2006，16(8)：157-159.

[10] 徐国根，贾瑛.模式识别与智能计算的MATLAB实现[M].北京：北京航空航天大学出版社，2012.

[11] 蒙博宇.STM32自学笔记[M].北京：北京航空航天大学出版社，2012.