2. 中国科学院沈阳自动化研究所机器人学国家重点实验室, 辽宁 沈阳 110016 ;
3. 加州州立大学贝克斯菲尔德分校计算机科学与电子工程系, 加州 贝克斯菲尔德 CA-93311
2. State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang 110016, China ;
3. Department of Computer & Electrical Engineering and Computer Science, California State University Bakersfield, Bakersfield CA, USA
1 引言
脑—机器人接口(brain-robot interaction，BRI)不依赖外周神经与肌肉组织而通过解析脑信号中携带的信息来控制机械臂、仿人机器人等物理设备[1-3].这种新的人机交互技术有望为肢体残疾患者自理能力的提升以及特殊环境下的机器人控制提供一种新途径[4].
稳态视觉诱发电位(steady-state visual evoked potential，SSVEP)是当人眼受到固定频率的视觉刺激时，在大脑的视觉皮层形成的具有确定频率与相位的稳态信号[5].与中低频SSVEP(6 Hz~25 Hz)相比，高频SSVEP(>25 Hz)虽然信号较弱，识别难度较大，但具有用户舒适度高、诱发癫痫风险小等显著优势[6-7]，在近年来受到了广泛的关注. Wu等对比了频率调制下低频SSVEP与高频SSVEP的分类准确率，研究结果表明二者具有相近的准确率[8]. Won等研究了基于低频SSVEP和高频SSVEP的拼写器的受试舒适度，通过统计受试对两个系统舒适度的评分，得出高频SSVEP舒适度更高的结论[9]. Müller等则利用LED提供高频视觉刺激，测试了面向轮椅导航的高频SSVEP范式，实际通行路径与理论最优路径的对比结果显示，基于高频SSVEP范式的导航系统具有更优的控制性能[10].上述研究显示高频SSVEP范式相比低频范式具有相近的准确率、更高的舒适度及更好的导航系统控制性能，但是对于中频范式，虽然也在BRI研究中得到了广泛的应用，但还很少有研究能揭示它与高频范式在实际应用系统中的性能优劣.而且，在当前高频SSVEP范式的相关研究中，通常需要使用额外的发光二极管来提供视觉刺激，而无法基于刷新率较低的液晶显示器(liquid crystal display，LCD)进行实现，这给高频SSVEP的推广带来了一定的不便.另外，高频SSVEP的分类识别效率也有待进一步的提升.
本文针对中低频SSVEP易于导致视觉疲劳的缺点，以及现有高频SSVEP范式对用户界面载体要求较高的不足，通过应用相位编码方法，利用普通LCD实现了6目标高频SSVEP用户界面；同时针对高频SSVEP信号识别难度大的特点，提出一种模糊分类算法，实现了对高频SSVEP的有效分类；应用于仿人机器人的远程导航控制，形成了舒适性好、可靠性高的仿人机器人导航系统.实验验证表明：模糊分类能有效地提高系统对高频SSVEP的识别效率；提高SSVEP的刺激频率的对缓解用户疲劳、提升系统的稳定性有着重要意义.
2 材料与方法 2.1 基于Cerebot的机器人导航系统Cerebot是一个配置灵活、易于扩展的BRI实验平台[11-12].基于该平台，可以对BRI的各项关键技术进行集成验证.本文在Cerebot的基础上搭建了面向仿人机器人远程导航的BRI系统.如图 1所示，操作者根据机器人的视频反馈确定机器人所处的环境并通过注视界面上的闪烁目标来诱发特定的脑电信号.信号处理模块对采集到的脑电信号加以识别，解析用户的操作意图.控制模块根据解析结果操纵机器人完成相应的行走动作.
|
| 图 1 基于Cerebot的机器人导航系统 Figure 1 The Cerebot-based robot navigation system |
一台22英寸LCD(Dell-E2213)被用于显示高频SSVEP用户界面.该LCD的分辨率为1 680 H×1 050 V，刷新率为60 Hz，行频为6.53 kHz.
在LCD的刷新率受限的情况下，Wong等利用LCD的行同步特性拓展SSVEP激励的数量，实现了一个刺激频率为20 Hz的6目标中频SSVEP界面[13].本文则在利用行同步特性的基础上提高刺激频率至30 Hz，并对激励的布局加以优化调整，实现了面向仿人机器人导航控制的高频用户界面.该界面的布局如图 2(a)所示，6个正方形环靶状激励(T1，T2，…，T6)按照编号的奇偶分成两组，左右对称的放置于界面两侧，其中激励T3、T4适当向外侧移动，以扩大激励间的距离(此时相邻激励间相距约为520 pixels)以避免出现闪烁竞争现象[14].界面中央的视频窗口显示来自机器人的视频反馈.如图 2(b)所示，激励T1、T3、T5在奇数帧(或偶数帧)中点亮(或熄灭)，而T2、T4、T6在偶数帧(或奇数帧)中点亮(或熄灭).此时激励的闪烁频率为30 Hz，水平对称的两个激励(如T1与T2)的编码相位相差180°.另外，激励T1、T3、T5(或T2、T4、T6)虽在同一帧中点亮，但当激励间的竖直距离设为362个像素时，位于上方的激励总是比位于屏幕下方的激励早5.55 ms点亮(或熄灭)，即同侧相邻激励间的编码相位差恰好为60°.用户界面以激励开始闪烁的第一帧为起点，每隔30帧(0.5 s)向信号采集模块发送一个时间戳，以便同步信号处理过程.因此，可以分别定义T1~T6的编码相位为0°、180°、60°、240°、120°、300°.
|
| 图 2 30 Hz用户界面中激励的布局与闪烁序列 Figure 2 The layout and the flickering sequence of the stimuli in the 30 Hz interface |
预处理中仅对原始数据做滑窗提取以便进行特征提取与分类.每个数据窗都以某一个时间戳(由用户界面发送)所标记的时刻为起点，因此相邻数据窗之间的时间间隔为0.5 s.根据离线数据分析的结果，在线实验时的数据窗长被设定为2 s长.
2.3.2 特征提取典型相关分析(canonical correlation analysis，CCA)方法[15]被用于实现多通脑电信号的空间滤波与特征提取.用t表示数据窗的起始时刻，n表示通道数，m表示数据长度，fs表示采样频率，f表示刺激频率，则脑电信号Yt与模版信号X分别表示为
|
(1) |
|
(2) |
CCA方法首先求得系数向量WX与WY使得x=XTWX与y=YTWY之间具有最大的相关性：
|
(3) |
对多通道信号的空间滤波结果y做傅里叶变换可得SSVEP响应的能量幅值：
|
(4) |
其中，ABS(*)为求绝对值操作，FFT(y)为y的快速傅里叶变换.
然后，根据Oz通道数据(表示为yOz)的傅里叶变换结果与系数向量WX计算SSVEP响应的相位：
|
(5) |
|
(6) |
|
(7) |
其中，j为虚部符号.至此，就得到了SSVEP响应的幅值与相位特征：Ft，f=[af ϕf]T.
2.3.3 分类阈值比较法(maximum-minimum method)是一种直观且常用的分类方法[16].当视觉激励的闪烁频率为f时，用Af表示预定义的幅值阈值，用ϕf，i(i=1，…，6)表示激励Ti对应的SSVEP响应的理想相位，则该方法的分类步骤可由下述伪代码描述：
If af>Af Then
If 
The k-th target was selected
End
Else
None target was selected
End
面对相对微弱的高频SSVEP，阈值比较法的分类准确率较低，很难满足实际应用的需求.因此，本文提出一种新的模糊分类方法用于高频SSVEP的在线分类.该分类方法有如下3个步骤：
首先，使用模糊集合描述SSVEP响应的幅值与相位特征.其中SSVEP响应的幅值af对应模糊集合A的隶属度函数取如下梯形隶属度函数：
|
(8) |
SSVEP响应的相位ϕf对应模糊集合Pi(i=1，…，6)的隶属度函数取归一化后的圆上概率密度函数：
|
(9) |
式(8)中，参数ah，f及al，f由受试的SSVEP响应的幅值决定.式(9)中，ϕi为受试由激励Ti诱发的SSVEP的平均相位，α取2.
然后，综合模糊隶属度与历史分类信息计算各类的分类系数：
|
(10) |
系数γ∈[0,1]决定了前一信号处理周期的分类系数ui，t-Δt对当前分类周期的影响程度.历史分类系数的反馈可以视为对模糊分类系数的平滑滤波，其目的在于避免突发的异常信号造成的错误分类.
最后，对各类的模糊分类系数去模糊化，得到最终的分类结果.如果存在
实验在无电磁屏蔽的房间中进行，视觉激励(LCD)放置于受试双眼正前方约70 cm处.记录通道为Oz、O1、O2、POz、PO3、PO4等6个分布在枕部区域的信号通道，参考电极位于Cz与CPz之间，地电极位于前额(AFz)处，采样频率为1 000 Hz. 12名(男性7名，女性5名，23~29岁)健康的在校学生参与了实验.受试的视力或矫正视力均达到或高于1.0.
实验共两组，分别对基于30 Hz高频范式的导航系统以及基于文[13]给出的20 Hz中频范式的机器人导航系统进行测试.
每名受试首先进行简短的离线数据采集实验，并进行离线数据分析，以便根据受试的SSVEP响应特性设定在线分类器的参数，并验证分类方法的可靠性.离线实验含60次测试.在每次长6 s的测试中，受试需依照提示注视界面上的某一视觉激励.相邻测试之间有3 s空闲时间供受试休息.
在线导航实验中，用户界面上的6个视觉激励映射为6种机器人行走命令：“前进”、“后退”、“左移”、“右移”、“左转”、“右转”.机器人仅在空闲状态(已完成上一指令，处于静止态)下才执行接收到新指令，否则会直接移除新指令而不是缓存并执行它.这一策略能帮助减少超调(一次指令被执行多次)的出现.受试需要通过注视相应的视觉激励来向机器人发送指令，控制机器人完成2~3次导航任务，该任务要求受试引导机器人从起点出发，穿过一个障碍物随意摆放的、不规则的人工环境并最终回到起点位置. 图 3给出了一个典型的实验地图，图中蓝色箭头标示机器人的位置，红色方框标识对应的机器人视觉反馈图像.另外，受试在注视界面上的目标时需同时在键盘下按下对应的按键(数字键1~6)，以记录正确的指令序列.实验完成后，该指令序列将与机器人的实际动作序列进行比较，得出在线指令识别的准确率.统计准确率时，超调(一次指令被执行n次)被记作1次正确指令与n-1次错误指，误操作(空闲状态下系统发出指令)被视为1次错误指令.实验后，受试分别对两类刺激频率不同的范式进行舒适度评分，分数范围为1分~10分，分数越高表示越舒适.
|
| 图 3 仿人机器人在线导航任务流程 Figure 3 The procedure of the on-line humanoid robot navigation experiment |
图 4给出了某名受试的20 Hz中频SSVEP响应与30 Hz高频SSVEP响应的特征分布情况.从该结果来看，与中频SSVEP相比，30 Hz高频SSVEP响应的幅值能量相对较低，但其相位分布依然具有一定的可分性，这将在后面的离线分类中得以验证.对于异步BRI而言，较低的响应幅值在一定程度上增加了目标选择状态与空闲状态的区分难度[17].但是在相位编码的SSVEP范式中，SSVEP的相位分布的可分性对分类准确率有着更为直接的影响.
|
| 图 4 某名受试的SSVEP特征分布图 Figure 4 The feature distribution of SSVEPs from one subject |
分类准确率(AR)与响应时间(RT)是BRI系统两个重要的性能指标.其中，RT被定义为从受试注视目标到系统输出分类结果之间的时间延迟.在已知数据窗间的时间间隔的情况下，RT可以根据数据窗的长度以及分类过程所使用的数据窗的个数计算得到.而在基于SSVEP范式的BRI系统中，AR与RT主要受分类方法和分类所用的数据窗的长度的影响.首先，不同分类方法具有显著差异的AR和RT，针对脑电信号范式的特点选取合适的分类方法能有效提高脑电信号的分类准确率[18].其次，对于一个确定的分类方法，增加数据窗的长度可以增强特征信息的可分性，提高分类准确率，但也会增大RT，影响系统的综合分类效率. 表 1给出了数据窗长分别为1 s、2 s、3 s时两种分类方法的分类结果的统计均值. 表 1的数据显示，当数据窗的长度从1 s增长到3 s时，阈值分类对中、高频SSVEP的分类准确率分别从62.05%与54.47%增加至85.28%与82.64%；模糊分类对中、高频SSVEP的分类准确率分别由83.73%与82.02%增加至92.93%与90.94%.但是，增加数据窗的长度也使阈值分类的RT从1.08 s与1.12 s增加至3.07 s与3.19 s，使模糊分类的RT从2.59 s与2.49 s增加至3.74 s与3.77 s.可以看出，不论使用何种分类方法，RT与AR之间始终存在一定的矛盾.而在数据窗长度相同时，不同的分类方法也会得到不同的AR与RT.
| 数据窗长/s | 阈值比较分类 | 模糊分类 | ||||||||||
| 20 Hz中频范式 | 30 Hz高频范式 | 20 Hz中频范式 | 30 Hz高频范式 | |||||||||
| AR /% | RT /s | PBR /(bits/min) | AR /% | RT /s | PBR /(bits/min) | AR /% | RT /s | PBR /(bits/min) | AR /% | RT /s | PBR /(bits/min) | |
| 1 | 62.05 | 1.08 | 13.89 | 54.47 | 1.12 | 6.25 | 83.73 | 2.59 | 26.52 | 82.02 | 2.49 | 24.66 |
| 2 | 80.56 | 2.09 | 26.28 | 76.16 | 2.21 | 19.97 | 91.29 | 2.96 | 33.82 | 89.68 | 3.04 | 30.66 |
| 3 | 85.28 | 3.07 | 23.61 | 82.64 | 3.19 | 20.50 | 92.93 | 3.74 | 28.87 | 90.94 | 3.77 | 26.80 |
为了衡量分类过程的综合效率，研究人员定义了信息传输速率(information transform rate，ITR)、实用比特率(practical bit rate，PBR)等效率指标[19].其中，PBR考虑了修正错误指令所需要的时间损耗(通常需要输出两个正确的指令来纠正一个错误的指令，这会导致额外的时间消耗)，这符合机器人导航任务中的真实情况，因此本文选用PBR来衡量分类过程的综合效率. PBR的计算过程如下所示：
|
(11) |
其中，I为指令的种类数(在本文中I=6)，B为每一次指令输出的比特率.在20 Hz中频SSVEP的分类中，阈值分类方法与模糊分类都在数据窗长为2 s时取得了最高的PBR，分别为26.28 bits/min与33.82 bits/min；在30 Hz高频SSVEP的分类中，阈值方法在数据窗为2 s与3 s时取得了相近的PBR(19.97 bits/min vs. 20.50 bits/min)，而模糊分类则在数据窗为2 s取得了最高PBR(30.66 bits/min).该结果表明2 s是数据窗长度的合理值，此时AR与RT之间能取得最佳的平衡，两种分类方法都能取得较高的分类效率.另外，当数据窗长为2 s时，模糊分类对中、高频SSVEP进行分类的RT虽然长与阈值方法的RT，但其PBR达到了两种分类方法在各种数据窗长度下的最高值，因此说“模糊分类以一定的时间损耗为代价大幅度的提高了分类准确率，并实现了分类效率的同步提高”. 表 2则给出了数据窗长为2 s时所有受试的离线数据的详细分类结果.比较12名受试的中、高频SSVEP的离线分类结果的标准差可以发现，模糊分类的AR及PBR的标准差都小于阈值分类结果的对应值，这说明模糊分类有相对较好的鲁棒性，能在一定程度上减轻个体差异性带来不良影响.总得来说，以上结果一方面初步验证了模糊分类方法的高效性与高鲁棒性，另一方面也说明通过改进信号处理算法可以实现对高频SSVEP进行有效的分类识别.
| 受试 | 阈值比较分类 | 模糊分类 | ||||||||||
| 20 Hz中频范式 | 30 Hz高频范式 | 20 Hz中频范式 | 30 Hz高频范式 | |||||||||
| AR /% | RT /s | PBR /(bits/min) | AR /% | RT /s | PBR /(bits/min) | AR /% | RT /s | PBR /(bits/min) | AR /% | RT /s | PBR /(bits/min) | |
| 1 | 83.33 | 2.12 | 29.19 | 90.60 | 2.20 | 46.01 | 89.17 | 2.60 | 33.23 | 95.73 | 2.65 | 46.21 |
| 2 | 76.67 | 2.48 | 16.27 | 85.00 | 2.03 | 33.74 | 90.16 | 3.40 | 27.06 | 97.50 | 2.77 | 48.53 |
| 3 | 67.50 | 2.00 | 9.66 | 73.12 | 2.46 | 12.17 | 87.50 | 2.82 | 27.94 | 91.23 | 3.37 | 28.65 |
| 4 | 84.17 | 2.14 | 30.38 | 82.50 | 2.02 | 29.19 | 87.35 | 3.17 | 24.65 | 89.17 | 2.65 | 32.61 |
| 5 | 80.83 | 2.10 | 25.28 | 85.83 | 2.01 | 35.70 | 90.83 | 2.67 | 35.35 | 91.66 | 2.52 | 39.22 |
| 6 | 91.67 | 2.00 | 49.44 | 76.67 | 2.00 | 20.15 | 98.33 | 2.73 | 51.43 | 85.83 | 2.84 | 25.22 |
| 7 | 81.67 | 2.15 | 26.06 | 80.18 | 2.52 | 20.19 | 92.50 | 3.47 | 29.71 | 83.78 | 3.06 | 20.73 |
| 8 | 85.00 | 2.04 | 33.47 | 76.92 | 3.16 | 11.68 | 95.00 | 2.89 | 40.75 | 91.23 | 4.24 | 22.78 |
| 9 | 79.71 | 2.01 | 24.62 | 64.71 | 2.06 | 7.11 | 91.30 | 2.91 | 33.38 | 89.98 | 3.16 | 28.58 |
| 10 | 85.94 | 2.07 | 34.79 | 67.50 | 2.04 | 7.06 | 92.18 | 2.41 | 42.10 | 90.57 | 2.84 | 32.83 |
| 11 | 77.37 | 2.02 | 20.94 | 69.81 | 2.00 | 11.89 | 91.37 | 2.68 | 36.31 | 83.02 | 3.16 | 19.22 |
| 12 | 72.88 | 2.01 | 15.20 | 61.02 | 2.00 | 4.71 | 89.83 | 3.74 | 23.97 | 86.44 | 3.19 | 23.29 |
| Ave | 80.56 | 2.09 | 26.28 | 76.16 | 2.21 | 19.97 | 91.29 | 2.96 | 33.82 | 89.68 | 3.04 | 30.66 |
| SD | 6.12 | 0.13 | 10.07 | 8.77 | 0.34 | 12.78 | 2.94 | 0.39 | 7.72 | 4.20 | 0.44 | 9.25 |
表 3给出了仿人机器人在线导航实验的详细结果. 12名受试中的10名完成了3次任务，其余2名受试(受试5与受试6)完成了2次任务.在整个基于20 Hz中频范式的导航系统的在线测试中，12名受试的平均操作频率为11.23次/min，指令的正确识别率为92.31%，平均碰撞次数为2.14次.而基于30 Hz高频范式的导航系统的测试中，指令的正确识别率、操作频率与平均碰撞次数分别为93.31%、12.05次/min与1.89次.另外，中、高频率两种范式的舒适度得分平均为3.42分与6.58分.在线试验中，几乎所有受试的指令正确识别率都高于其离线测试时的分类准确率，这可能是得益于在线试验中存在分类结果的实时反馈，受试可以通过有意识的调节自身状态来改善诱发信号的质量[20-21].然而，在导航过程中，受试需要等待机器人完成上一步指令后，再根据视频反馈决定下一步操作并进行目标选择，因此执行一次操作所消耗的时间要远超离线分析中的系统响应时间.另外，不同受试完成任务过程中输出的指令数存在一定的差异.造成这一结果的原因有两个：第一，在每个受试的实验中，所有障碍物都是在一个大致区域内随意摆放的，这使得不同受试实验中的地图布置存在差异.同时，各个受试在通行路径的选取上都有不同的习惯，因此不同被试在同一个地图中完成任务的通行路径也存在明显差异.第二，当某个指令分类准确率较低时，受试往往会尽量避免使用该指令而通过多个其他指令的组合来代替.例如，当“左移”指令出错概率较高时，受试会选择组合使用多个“左转”、“前进”和“右转”指令达到左移的目的，这会导致输出指令的数量出现较多的增长.
| 受试 | 完成次数 | 路径长度/cm | 20 Hz中频范式 | 30 Hz高频范式 | ||||||||
| 平均指令数 | 准确率/% | 平均碰撞次数 | 操作频率/(次/min) | 舒适度评分 | 平均指令数 | 准确率/% | 平均碰撞次数 | 操作频率/(次/min) | 舒适度评分 | |||
| 1 | 3 | 700 | 73 | 94.93 | 1.67 | 11.74 | 4 | 75 | 97.38 | 1.33 | 11.89 | 9 |
| 2 | 3 | 660 | 96 | 95.12 | 1.67 | 14.83 | 3 | 63 | 95.73 | 1.67 | 16.00 | 8 |
| 3 | 3 | 660 | 111 | 90.11 | 3.33 | 9.82 | 1 | 62 | 95.10 | 1.67 | 13.68 | 8 |
| 4 | 3 | 650 | 70 | 93.36 | 2.00 | 9.05 | 4 | 74 | 96.76 | 2.00 | 8.78 | 7 |
| 5 | 2 | 650 | 89 | 90.46 | 3.50 | 7.11 | 3 | 61 | 91.43 | 1.00 | 10.27 | 5 |
| 6 | 2 | 650 | 102 | 93.60 | 1.50 | 7.57 | 2 | 65 | 93.36 | 2.00 | 10.63 | 6 |
| 7 | 3 | 650 | 86 | 92.71 | 1.33 | 10.51 | 5 | 82 | 93.83 | 1.33 | 13.13 | 5 |
| 8 | 3 | 550 | 77 | 92.24 | 3.00 | 14.05 | 5 | 80 | 92.08 | 2.33 | 11.26 | 7 |
| 9 | 3 | 490 | 57 | 91.25 | 2.00 | 12.97 | 3 | 51 | 92.08 | 1.67 | 10.98 | 5 |
| 10 | 3 | 490 | 55 | 90.24 | 2.00 | 12.80 | 5 | 55 | 89.56 | 3.33 | 9.94 | 5 |
| 11 | 3 | 490 | 61 | 91.99 | 1.67 | 9.92 | 2 | 58 | 93.67 | 1.33 | 14.14 | 8 |
| 12 | 3 | 490 | 63 | 91.69 | 2.00 | 14.36 | 4 | 64 | 88.70 | 3.00 | 13.89 | 6 |
| Ave | 594 | 78 | 92.44 | 2.14 | 11.23 | 3.42 | 66 | 93.31 | 1.89 | 12.05 | 6.58 | |
为了探究舒适性对系统性能的影响，图 5与图 6分别给出了受试在使用基于中频和高频SSVEP范式的系统完成多次导航任务的过程中，指令识别准确率与操作频率的变化情况.在中频SSVEP范式的测试中，随着导航任务次数的增加，12名受试中的10名(除了受试4、10)的准确率与操作频率都出现了同步下降的现象.受试4虽在第3次实验中取得了最高的准确率，但其代价是操作频率的大幅下降(降低4次/min).受试10则在3次任务的完成过程中取得了相近的操作效率.在高频SSVEP的测试中，12名受试的实验结果表现出两种不同的变化趋势.在完成多次任务的过程中，受试1、2、3、4、11、12能始终维持相近的操作频率，而且在一定程度上提高其指令的正确识别率；受试5、6、7、8、9、10则以少量降低操作频率(降低1至2次/min)为代价，稳定(甚至提高)了指令的正确识别率. 图 7则以箱形图的形式给出了所有受试的操作结果与任务次数之间的变化关系.统计结果显示，20 Hz范式下指令识别准确率随着任务次数的增加呈下降趋势，而30 Hz范式下指令识别准确率随着任务次数的增加不减反增；两种范式的操作频率则同时呈现出比较稳定的状态.综合该结果与受试对于两种范式舒适度的反馈评分，我们有理由相信高频SSVEP范式的导航系统的高舒适度缓解了受试的疲劳，能帮助受试在使用导航系统的过程中维持稳定的精神状态，使指令正确率识别率始终保持稳定，最终达到了优于基于中频SSVEP范式的导航系统的控制性能.
|
| 图 5 在线实验中基于中频SSVEP的导航系统的准确率与操作频率的变化情况 Figure 5 Variation of the accuracy and the operation frequency in the on-line investigation of the medium-frequency SSVEP-based system |
|
| 图 6 在线实验中基于高频SSVEP的导航系统的准确率与操作频率的变化情况 Figure 6 Variation of the accuracy and the operation frequency in the on-line investigation of the high-frequency SSVEP-based system |
|
| 图 7 12名受试的在线实验结果的统计箱形图 Figure 7 The box-plot of 12 subjects' online test results |
本文利用LCD显示高频SSVEP用户界面，应用模糊分类方法提高分类效率，搭建了面向仿人机器人远程导航的BRI系统.考虑到LCD的普及，使用LCD而无需LED等额外的硬件设备实现高频用户界面的技术方法，给高频SSVEP范式的推广应用带来了便利.离线分析中，相较于简单阈值分类，模糊分类分别使中频范式与高频范式的分类准确率提高了13.3%与17.7%，而且使高频范式的PBR提高了53.5%，达到了与中频范式相近的水平，初步验证了该模糊分类方法的可靠性与高效性.在线导航实验显示基于高频SSVEP的BRI系统能实现较准确、快速的仿人机器人导航，也验证了高频SSVEP范式高舒适性、高稳定性的重要优势.当然，如何在有限的PBR下提高控制的精确性与快速性仍有待进一步的研究，而结合机器智能与BRI的人—机智能融合控制有望成为提升BRI性能的新的突破口.
| [1] | Wolpaw J R, Birbaumer N, Heetderks W J, et al. Brain-computer interface technology:A review of the first international meeting[J]. IEEE Transactions on Rehabilitation Engineering , 2000, 8 (2) : 164–173. DOI:10.1109/TRE.2000.847807 |
| [2] | Lebedev M A, Nicolelis M A L. Brain-machine interfaces:Past, present and future[J]. Trends in Neurosciences , 2006, 29 (9) : 536–546. DOI:10.1016/j.tins.2006.07.004 |
| [3] | Li M, Li W, Zhao J, et al. An Adaptive P300 model for controlling a humanoid robot with mind[C]//International Conference on Robotics and Biomimetics. Piscataway, NJ, USA:IEEE, 2013:1390-1395. |
| [4] | 王行愚, 金晶, 张宇, 等. 脑控:基于脑-机接口的人机融合控制[J]. 自动化学报 , 2013, 39 (3) : 208–221. Wang X Y, Jin J, Zhang Y, et al. Brain control:Human-computer integration control based on brain-computer interface[J]. Acta Automatica Sinica , 2013, 39 (3) : 208–221. DOI:10.1016/S1874-1029(13)60023-3 |
| [5] | Herrmann C S. Human EEG responses to 1-100 Hz flicker:Resonance phenomena in visual cortex and their potential correlation to cognitive phenomena[J]. Experimental Brain Research , 2001, 137 (3/4) : 346–353. |
| [6] | Wang Y, Wang R, Gao X, et al. Brain-computer interface based on the high-frequency steady-state visual evoked potential[C]//2005 First International Conference on Neural Interface and Control. Piscataway, NJ, USA:IEEE. 2005:37-39. |
| [7] | Diez P F, Mut V A, Laciar E, et al. Mobile robot navigation with a self-paced brain-computer interface based on high-frequency SSVEP[J]. Robotica , 2014, 32 (5) : 695–709. DOI:10.1017/S0263574713001021 |
| [8] | Wu Z, Su S. Detection accuracy comparison between the high frequency and low frequency SSVEP-based BCIs[C]//Proceedings of the Second International Conference on Communications, Signal Processing, and Systems. Berlin, Germany:Springer, 2014:307-312. |
| [9] | Won D O, Zhang H H, Guan C, et al. A BCI speller based on SSVEP using high frequency stimuli design[C]//International Conference on Systems, Man and Cybernetics(SMC). Piscataway, NJ, USA:IEEE, 2014:1068-1071. |
| [10] | Müller S M T, Diez P F, Bastos-Filho T F, et al. Robotic wheelchair commanded by people with disabilities using low/high-frequency SSVEP-based BCI[C]//World Congress on Medical Physics and Biomedical Engineering. Berlin, Germany:Springer, 2015:1177-1180. |
| [11] | Zhao J, Meng Q, Li W, et al. An OpenViBE-based brainwave control system for Cerebot[C]//International Conference on Robotics and Biomimetics. Piscataway, NJ, USA:IEEE, 2013:1169-1174. |
| [12] | Zhao J, Li W, Mao X, et al. SSVEP-based experimental procedure for brain-robot interaction with humanoid robots[J]. Journal of Visualized Experiments, 2015(105):PMID:26650051. http://www.jove.com/author/Wei_Li |
| [13] | Wong C M, Wang B, Wan F, et al. An improved phase-tagged stimuli generation method in steady-state visual evoked potential based brain-computer interface[C]//International Conference on Biomedical Engineering and Informatics(BMEI). Piscataway, NJ, USA:IEEE, 2010:745-749. |
| [14] | Ng K B, Bradley A P, Cunnington R. Stimulus specificity of a steady-state visual-evoked potential-based brain-computer interface[J]. Journal of Neural Engineering , 2012, 9 (3) : 36008–36020. DOI:10.1088/1741-2560/9/3/036008 |
| [15] | Li Y, Bin G, Gao X, et al. Analysis of phase coding SSVEP based on canonical correlation analysis(CCA)[C]//International Conference on Neural Engineering(NER). Piscataway, NJ, USA:IEEE, 2011:368-371. |
| [16] | Liu Q, Chen K, Ai Q S, et al. Review recent development of signal processing algorithms for SSVEP based brain computer interfaces[J]. Journal of Medical and Biological Engineering , 2014, 32 (4) : 299–309. |
| [17] | 邓志东, 李修全, 郑宽浩. 一种基于SSVEP的仿人机器人异步脑机接口控制系统[J]. 机器人 , 2011, 33 (1) : 129–135. Deng Z D, Li X Q, Zheng K H. An asynchronous brain computer interface control system for humanoid robot based on SSVEP[J]. Robot , 2011, 33 (1) : 129–135. |
| [18] | 唐贤伦, 周家林, 张娜, 等. 基于深度信念网络的运动想象脑电信号识别[J]. 信息与控制 , 2015, 44 (6) : 717–721, 738. Tang X L, Zhou J L, Zhang N, et al. Recognition of motor imagry EEG based on deep belief network[J]. Information and Control , 2015, 44 (6) : 717–721, 738. |
| [19] | Allison B Z, Jin J, Zhang Y, et al. A four-choice hybrid P300/SSVEP BCI for improved accuracy[J]. Brain-Computer Interfaces , 2014, 1 (1) : 17–26. DOI:10.1080/2326263X.2013.869003 |
| [20] | 杨帮华, 刘丽, 陆文宇, 等. 基于虚拟现实技术的脑机交互反馈系统设计[J]. 北京生物医学工程 , 2011, 30 (4) : 401–404. Yang B H, Liu L, Lu W Y, et al. Design of BCI feedback system based on virtual reality technology[J]. Beijing Biomedical Engineering , 2011, 30 (4) : 401–404. |
| [21] | Li M F, Li W, Zhou H. Increasing N200 potentials via visual stimulus depicting humanoid robot behavior[J]. International Journal of Neural Systems , 2015, 26 (2) : 1550029–1550044. |