基于运动想象脑电控制的智能家居系统

1、基于运动想象脑电控制的智能家居系统摘要:将智能家居与脑机接口( Brain Computer Interface- BCI)技术相结合，利用意念实现对家居的操作与控制，能够为 运动障碍人士提供更友好和便利的家居生活，具有重要的社会意义。本文以左右手运动意图为例提出一种基于运动想 象脑电控制的智能家居系统，对系统设计中涉及的脑电信号采集、噪声滤除预处理、特征提取和分类识别等方面进行研 究，并给出系统的实现方案。关键词：智能家居；脑机接口；特征提取；分类识别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将住宅中的家用设备-如计 算机、照明系统、送风系统等)利用计算机科学技术、 无线通信技术等手段进行信息化处理并整合为一个 智能体，能够根据使用者的需求自动地提供安全监 控、照明/取暖控制、影音娱乐等功能,从而提升家居 生活的便利性和舒适度妇7。目前投入使用的智能家 居系统采用的人机交互方式有手势交互、语音交互和 客户端操作3种妍7。然而，世界卫生组织发布的 (World Repo

5、rt on Disability)显示647 ,目前全世界有超 过2亿人患有运动障碍，并且人数还在持续增长。这 些人难以完成有效的人机交互从而不能体会到智能 家居带来的便利,因此一种不受身体条件约束的智能 家居交互方式成为亟需解决的问题610-137 !脑机接口- Brain Computer Interface, BCI)技术通 过外围辅助设备直接对脑电信号-Electroenc Ephalo Gram, EEG)进行采集，然后利用模式识别方法对 EEG信号进行分类和识别，将不同的EEG信号与使 用者特定的意图联系起来,从而达到通过EEG信号 与外界进行信息交互的目的6妇27。最初的脑机接口

6、 系统较为复杂和昂贵，随着电子信息技术、微电子技 术的发展，脑机接口系统向着轻量化、低成本、便携可 移动等方向发展。BCI技术的发展为前述问题提供 了新的思路，即将BCI技术与智能家居技术相结合, 将BCI作为智能家居一种新的人机交互方式,从而使 运动障碍人士能够利用自己的“意念”实现对智能家 居系统的控制。当前国内外学者对基于BCI的智能家居系统进 行了大量的研究，例如Illinois大学的Donchin和 Farewell教授在1988年利用P300BCI系统从偏瘫患 者的EEG信号中提取出了英文字母信息，验证了利 用BCI技术与外界进行交互的可能6187; Tubingen大 学的Dor

7、nhege研究员和Birbaumer研究员合作，利用 皮层慢电位实现对外界机器人的控制6197 ；文献20 设计了一种利用SSVEP脑电信号的轮椅控制系统， 能够通过测试者的脑电信号控制轮椅的左右行驶。一个完整的BCI智能家居系统通常包括EEG信 号采集处理系统、通信传输系统和控制系统3个部 分，其中EEG信号采集处理系统需要完成对EEG信 号的有效捕获、噪声剔除、特征提取和分类识别，决定 着BCI蓍能家居系统性能的优劣。因此本文在前述 研究的基础上，以左右手运动意图信号为例，采用G. TEC公司的g. MOBIlab设备+ EEG信号放大器对 EEG信号进行采集，利用小波变换实现噪声抑制，提

8、 取二维功率谱特征，利用SVM分类器进行分类识别, 并对结果进行分析,为相关科研工作者提供新的思路。1 EEG信号采集利用g. MOBIlab设备采集到的大脑皮层随时间 变化的电位信号就是脑电信号,反映的是大脑生物电 活动特性。根据被试者状态不同，EEG信号可以分 为自发脑电信号和诱发脑电信号2种。其中自发脑 电信号是被试者在自然状态下根据特定的任务指引 产生的脑电信号，当前研究最多的是基于人体四肢运 动意图触发的，分为事件相关同步和事件相关去同步 2种，基于运动想象的BCI技术就是一种典型的自发 脑电信号控制系统;诱发脑电信号是在外界刺激条件 下产生的一种事件相关电位，典型的是P300电位，

9、即 被试者在受到刺激后300 ms左右时产生的电位波 动。由于基于运动想象的BCI技术容易实现且数据 易于获取和分析，因此本文对此进行研究。根据文献2122 7,被试者在进行左右手运动想 象任务时，对应g. MOBIlab脑电采集设备的FC6导 联通道的ERS/ERD电压变化最为明显，因此试验中 对FC6通道的EEG信号进行采集。本文试验被试者 为27岁青年志愿者，首先被试者按照要求处于放松 状态，然后受试者被要求按照前方显示屏的指示想象 左右手运动：当前方显示屏出现“5”指示箭头时，被 试者想象左手运动；当前方显示屏出现“*”箭头时， 被试者想象右手运动。在此过程中g. MOBIlab脑电

10、采集设备对被试者的脑电信号进行采集，试验进行 300次，其中150次为想象左手运动，另外150次为 想象右手运动，数据采样频率为128 Hz,有效的采样 时间为6 s,每组数据长度为768个采样点。图1(a) 和图1( b)分别给出了想象左手运动和想象右手运动 的脑电信号的典型波形图，可以看出，想象左手运动 脑电信号波形支撑区较窄，而想象右手运动脑电信号 波形支撑区较宽，因此可以据此对2种运动想象脑电(b)想象右手运动 图1脑电信号波形图2 EEG信号噪声抑制EEG信号作为一种典型的微弱信号，其电压幅 度只有&V级,容易受到噪声的影响，例如皮肤出汗、 肌肉活动等都会污染EEG信号中的有效信息，

11、因此 在信号采集时除了保证被试者心态平和，避免多余的 心理或物理活动外,对采集到的信号要进行必要的噪 声抑制预处理，滤除其中的噪声等干扰分量。针对EEG信号非线性、非平稳和时变性特点,本 文将经验模态分解-Empirical Mode Decomposition, EMD)引入EEG信号处理领域，利用EMD的信号驱 动和自适应能力实现对信号中噪声分量的滤除。 EMD通过被称为“筛选”的迭代步骤将信号分解为一 系列本征模函数-Intrinsic Mode Function, IMF)和的 形式,经过分解后,信号中的有用信息被分解到各个 IMF中，而噪声分量则被分解到余项中。给出了 EMD迭代的算

12、法流程。算法1 EMD算法流程1将输入信号-(；)记为=(;)=-(；);2利用(值对=(;)中的所有局部极大值进行平滑滤波,得到 =(；)的上包络曲线；) /3利用(值对=(;)中的所有局部极小值进行平滑滤波,得到 =(；)的下包络曲线顽；)/4计算上下包络曲线的平均值,！( ；)= - =( ；) +商(；)/2；5 令=(；)=(；)-m( t):6判断=(t)是否为IMF,若是，记为imf#，令I( t) = -( t)- imfi，并将i ( t)作为新的=(t),转入步骤2计算下一个 IMF;否则,对步骤5得到的新的时域信号=(t)重复进行步 骤2 步骤5的运算,直到得到imf#。

13、经过EMD迭代后，可以得到EMD分解结果为：-(t)!imf+ + =7( 1)+ = 1其中,imf,为第+个IMF, =7为经过7次分解后的剩余 项或者被称为趋势项。(a)想象左手运动0100200300400500600 700800采样点-W)想象右手运动图2 SNR=5 dB时脑电信号波形图图2给出了利用MATLAB自带的AWGN()函数 向图1所示的脑电信号叠加高斯白噪声，构造信噪比 为5 dB时的运动脑电信号波形图，对比图1(a)想象左手运动0100200300400500600 700800采样点-W)想象右手运动图2 SNR=5 dB时脑电信号波形图0.50100200 30

14、0400500600700 800采样点( a) 想象左手运动(W)想象右手运动 图3 0.50100200 300400500600700 800采样点( a) 想象左手运动(W)想象右手运动 图3 EMD去噪结果0100200300400500600700800采样点EEG信号特征提取特征1EEG信号的波形嫡特征：=-!p( m) %(m)EEG信号的波形嫡特征：=-!p( m) %(m)Feature(2)特征2 EEG信号的波形支撑区宽度特征：Feature?find ( |-( m) F - 商! 1-( m) |2) =-(m) / ! -( m) ,EEG=-(m) / ! -(

15、 m) ,EEG信号的波形嫡特m = 1特征3 EEG信号的波形二阶中心距特征：Feature. - m - m) !-( m)- 4)其中,-(m)二-m) / -( m) , m 二 m X - m)为信 m = 1m = 1号质心位置，信号波形的二阶中心距特征描述了信号 的波形相对于质心的分布。图4给出了利用g. MOBIlab脑电采集设备获取 的ZC6导联通道的300组实测数据进行特征提取获 取的二维归一化特征分布图，其中“。”符号代表的是 对想象左手运动脑电信号提取的特征，“ + ”符号代 表的是对想象右手运动脑电信号提取的特征，从图4-b)特征1和特征3归一化二维分布-c)特征2和

16、特征3归一化二维分布 图4 归一化二维特征分布图4 EEG信号分类识别在完成特征提取后,对运动脑电信号的分类就进 入最后的分类识别阶段,其中分类器的设计和选择是 这一阶段的关键。目前常用的分类器有线性分类器、 神经网络分类器、贝叶斯分类器、支撑向量机-Support Vector Machine, SVM)和相关向量机分类器等。 其中SVM在面对小样本、非线性及高维模式分类问 题时相对于其他几种分类器具有更优的分类性能、更 强的推广泛化能力、更高的分类性能和计算效率，因 此本文选用SVM作为系统的分类器。运动脑电信号分类是一种典型的两类目标分类 问题，对于给定的训练样本集(，%1)，1 = 1

17、，N，uk 为第1个输入样本,( +1，-1为对应的类别标 号。两类SVM分类函数为：7in了 | 3 | 2 + 2( &i)皿)2- 5)s. t ( ,1 +) - 1 + $ 0, 1 = #，K 其中，为惩罚项，2为惩罚因子,3为权值,)为分 类面参数。通过引入满足Mercer条件的内积函数! (ui，u)得到非线性分类问题的最优分类面如下：KA( u) = sgA ! 61%1!( ,1 ,u) + y- 6)i=1其中,61和3为确定最优分类面的参数，使用不同的 核函数可以得到不同的支持向量算法,下面是目前常 用的核函数。多项式核函数： TOC o 1-5 h z !( u,ui

18、) = 6( u , u+) + 1 #(7)径向基核函数：!( u,u+) = exp - # | u - u+ | 2(8)Sigmoid核函数：!( u ,u+) = tanh ( #( u % u+) + 2)- 9)其中#为核参数。为了验证所提特征和SVM分类器的分类性能， 在300组EEG信号中随机选取160组作为训练样 本，剩余140组作为测试样本。提取上述三维特征并 利用SVM分类器进行分类,SVM分类器选用径向基 核函数，核参数在6。，5范围内采用交叉验证的方式 进行择优。表1给出了分类结果混淆矩阵，并将结果 与传统小波方法和共空间模式(CSP)方法6237进行对 比。其中,混淆矩阵中每一类分类结果的计算方法为 该类别中正确分类的样本数除以该类别的总测试样 本数，总的正确分类结果的计算方法为2类样本中正 确分类的样本数和除以总的测试样本数。从表1可 以看出，本文方法可以获得92.4%的平均正确分类结果，明显高于小波方法87.7%和CSP方法90.3% 的分