首页 / 专利库 / 生物工程 / 脑机接口 / 机械手多参数控制脑机接口

机械手多参数控制脑机接口

阅读:560发布:2020-05-19

专利汇可以提供机械手多参数控制脑机接口专利检索,专利查询,专利分析的服务。并且机械手多参数控制 脑机 接口 ,能够根据运动想象脑电 信号 和眼动信号产生多参数机械手运动控制指令,包括机械手运动状态参数控制指令、机械手运动过程参数控制指令;机械手运动状态参数控制意图识别通过采集与识别人体运动想象脑 电信号 转换成前进、后退、停止等机械手运动状态参数控制意图;机械手运动过程参数控制意图识别通过采集与识别人体眼电信号转换成 水 平、垂直方向运动的 位置 和速度等机械手运动过程参数控制意图;经识别后的机械手运动状态参数控制意图和机械手运动过程参数控制意图融合成机械手运动控制指令,驱动机械手实现期望的运动。,下面是机械手多参数控制脑机接口专利的具体信息内容。

1.一种机械手多参数控制脑机接口,其特征在于包括机械手运动状态参数控制意图识别、机械手运动过程参数控制意图识别以及在此基础上形成的机械手运动控制指令;机械手运动状态参数控制意图识别通过采集与识别人体运动想象脑电信号转换成前进、后退、停止等机械手运动状态参数控制意图;机械手运动过程参数控制意图识别通过采集与识别人体眼电信号转换成平、垂直方向运动的位置和速度等机械手运动过程参数控制意图;
经识别后的机械手运动状态参数控制意图和机械手运动过程参数控制意图融合成多参数机械手运动控制指令,驱动机械手实现期望的运动。
2.根据权利要求1所述的机械手多参数控制脑机接口,其特征在于多通道脑电信号的每个导联对应的电极所测量的区域作为脑功能网络的一个“节点”,将节点时间序列间的相关系数作为两节点的“关系”,形成加权无向网络G(I,J),其中I为节点集合,J为两节点间的关系,无向网络G(I,J)可划分为多个不同的子网络,每一个子网络代表一种机械手运动状态参数控制意图模式,采用复杂网络聚类算法形成机械手运动状态参数控制意图M(C,u),C为机械手运动状态参数控制意图模式,u为控制意图模式的运行参数。
3.根据权利要求1所述的机械手多参数控制脑机接口,其特征在于机械手运动过程参数控制意图识别包含水平控制命令(x,v)和垂直控制命令(y,w)识别。
4.根据权利要求1或3所述的机械手多参数控制脑机接口,其特征在于水平控制命令(x,v)识别方法:首先获取人眼水平注视点信号,测量眼电信号向量值A和注视点变化时间t,根据眼球水平运动规律A=f(θ),由θ=f’(A)得到眼睛水平转θ,由ω=dθ/dt得到眼睛水平转动速度ω,通过模糊决策形成水平控制命令(x,v)。
5.根据权利要求1或3所述的机械手多参数控制脑机接口,其特征在于垂直控制命令(y,w)识别方法:首先获取人眼垂直注视点信号,测量眼电信号向量值B和注视点变化时间t,根据眼球垂直运动规律B=f(φ),由φ=f’(B)得到眼睛垂直转角φ,由ψ=dφ/dt得到眼睛垂直转动速度ψ,通过模糊决策形成垂直控制命令(y,w)。
6.根据权利要求1所述的机械手多参数控制脑机接口,其特征还在于包含机械手运动状态参数和运动过程参数的机械手运动控制指令采用六元数组(C,u,x,v,y,w)命令格式通信传输给机械手运动控制器,并驱动机械手运动。

说明书全文

机械手多参数控制脑机接口

技术领域

[0001] 本发明涉及机械手和信息学领域,尤其涉及机械手的脑机接口技术。

背景技术

[0002] 脑-机接口(Brain-Computer Interface,BCI)作为一种不依赖于大脑外周神经与肌肉正常输出通道的信息直接通信系统,通过采集人体的脑电信号,将大脑发出的信息转换为能够驱动外部设备的命令,实现人与外界的交流和对外部环境的控制。因此,研究者开始尝试建立一种全新的、不依赖于大脑外周神经和肌肉正常输出通道的通讯控制系统,来实现大脑意念对机械手、智能假肢等的直接控制。
[0003] 根据脑电信号采集方式不同,有侵入式和非侵入式脑-机接口两种。由于侵入式脑-机接口识别率较高,许多研究者通过在大脑植入电极,尝试通过大脑意念实现对机械臂的直接控制,如Taylor 2002年发表在《Science》、Velliste 2008年和Doherty 2011年发表在《Nature》论文中的恒河猴对机械臂的意念控制实验、2012年浙江大学猴子“建辉”用意念控制机械手的实验等都可证实用大脑思维活动对多自由度机械手(臂)的直接控制。但上述研究需要在大脑中植入微电极,会引起稳定性、安全性、愈伤组织以及免疫反应等问题,在人体使用时存在一定的险。而基于头皮脑电图的非侵入式脑-机接口则可以避免这种风险,在脑电接口技术研究中,重点采用P300、稳态视觉诱发电位(SSVEP)、事件相关同步/去同步(ERS/ERD)、自发脑电信号等,为重度瘫痪和重度肢体残疾病人恢复生活质量进行了有意义的探索。但由于特定的单一模式脑机接口具有信号微弱、非平稳性、干扰大、识别率低等固有缺点,造成了非侵入式脑机接口主要应用于如开关灯、电视,打电话以及计算机光标控制等传统二值控制领域,同时其辨识正确率低、控制模式种类少、执行效率低,严重影响了智能假肢等机械手意念控制技术的提升。
[0004] 多模态脑-机接口或混合型脑机接口(hybrid Brain-Computer Interface, hBCI)是指在一种感觉模式的BCI基础上,加入新的控制方式进行混合控制的BCI。与单一模式脑机接口相比,具有控制模式种类多、抗干扰能强、辨识正确率高等优点,表现出未来的研究潜力和潜在的实用价值,但现有的混合两种脑电范式的BCI系统多采用了诸如SSVEP及P300这样的需要引入较强视觉刺激的范式,长时间使用容易对使用者的眼睛造成一定损害,同时也容易产生疲劳,降低了系统的实用性。运动想象脑电图信号与眼电图信号的组合作为一种重要的多模态脑机接口,与SSVEP、P300等的组合方法相比,在机械手控制方面具有一定的优势,具有操作简单、模式辨识准确率高、不需要外部设备辅助等优点,同时,人体视觉与机械臂的手眼协调运动完成目标接近和抓取活动等日常动作,在假肢型机械臂的仿生控制中具有特别重要的意义。目前的基于脑电图与眼电图的多模态脑机接口系统应用于机械手意念控制还存在较大差距,一方面,目前基于非侵入脑机接口的机械手控制命令多采用目标驱动策略(target-directed strategy,TDS),即以完成动作产生的“目标状态”为主,比如喝、抓取、手臂左移、右移等二值控制问题,很少采用过程驱动策略(process-directed strategy,PDS),即未对机械臂的运动过程参数如速度、位置和方向等进行控制;同时,现有的脑机接口多采用人主动-机械手从动的开环控制方式,由于缺乏机械手信息到人体的反馈,难以实现人体控制信息与机械手的信息交互,从而影响人体与机械手在日常生活动作中的协调性,因此,基于脑机接口的智能假肢等机械手在平顺性、协调性方面与期望的拟人运动还有一定的距离。

发明内容

[0005] 本发明提供了一种机械手多参数控制脑机接口,能够克服上述不足,实现机械手运动状态参数和运动过程参数有效提取,提高机械手控制指令的丰富性。
[0006] 为解决上述技术问题,本发明提供一种机械手多参数控制脑机接口,包括机械手运动状态参数控制意图识别、机械手运动过程参数控制意图识别以及在此基础上形成的机械手运动控制指令;机械手运动状态参数控制意图识别通过采集与识别人体运动想象脑电信号转换成前进、后退、停止等机械手运动状态参数控制意图;机械手运动过程参数控制意图识别通过采集与识别人体眼电信号转换成水平、垂直方向运动的位置和速度等机械手运动过程参数控制意图;经识别后的机械手运动状态参数控制意图和机械手运动过程参数控制意图融合成机械手运动控制指令,驱动机械手实现期望的运动。
[0007] 所述多通道脑电信号的每个导联对应的电极所测量的区域作为脑功能网络的一个“节点”,将节点时间序列间的相关系数作为两节点的“关系”,形成加权无向网络G(I,J),其中I为节点集合,J为两节点间的关系。无向网络G(I,J)可划分为多个不同的子网络,每一个子网络代表一种机械手运动状态参数控制意图模式,采用复杂网络聚类算法形成机械手运动状态参数控制意图M(C,u),C为机械手运动状态参数控制意图模式,u为控制意图模式的运行参数。
[0008] 所述机械手运动过程参数控制意图识别包含水平控制命令(x,v)和垂直控制命令(y,w)识别。
[0009] 所述水平控制命令(x,v)识别方法:首先获取人眼水平注视点信号,测量眼电信号向量值A和注视点变化时间t,根据眼球水平运动规律A=f(θ),由θ=f’(A)得到眼睛水平转θ,由ω=dθ/dt得到眼睛水平转动速度ω,通过模糊决策形成水平控制命令(x,v)。
[0010] 所述垂直控制命令(y,w)识别方法:首先获取人眼垂直注视点信号,测量眼电信号向量值B和注视点变化时间t,根据眼球垂直运动规律B=f(φ),由φ=f’(B)得到眼睛垂直转角φ,由ψ=dφ/dt得到眼睛垂直转动速度ψ,通过模糊决策形成垂直控制命令(y,w)。
[0011] 所述包含机械手运动状态参数和运动过程参数的机械手运动控制指令采用六元数组(C,u,x,v,y,w)命令格式通信传输给机械手运动控制器,并驱动机械手运动。
[0012] 有益效果:运动想象脑电信号通常包括:想象左手运动、想象右手运动、想象脚运动、想象舌运动等,因此,运动想象脑电信号可以用来传递机械臂的运动状态,如前进、后退、左转、右转等状态指令,同时将复杂网络理论应用于脑功能网络分析,通过不同功能脑区之间的连接强度,可探索基于脑电图的更多的状态指令状态。而主动眼动信号如眨眼、眼球转动(眼球左、右、上、下运动)等可以用来传递机械臂末端的位置、速度等过程控制参数,因此,将脑电信号与眼电信号相结合可以表达机械臂运动状态参数控制和过程参数控制意图。附图说明
[0013] 图1为本发明的机械手多参数控制脑机接口流程图;图2为本发明的机械手运动过程参数控制意图识别;
图3为本发明的眼电信号采集电极贴放位置;
图4为本发明的脑电信号采集电极安放位置。

具体实施方式

[0014] 为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
[0015] 机械手多参数控制脑机接口,参见图1,主要包括基于脑电图的运动状态控制意图与基于眼电信号的过程参数控制意图特征提取与信息融合技术。
[0016] 1基于脑电图信号的机械臂运动状态控制意图识别采用g.USBamp等脑机接口设备,对EEG信号进行采集和预处理、运动想象脑电信号的特征提取、脑功能网络的数据结构表达及目标分类识别:
1.1基于运动想象脑电图的脑功能网络构建
将多通道脑电信号的每个导联对应的电极所测量的区域作为脑功能网络的一个“节点”,该节点的电活动为若干时间序列,将节点时间序列间的相关系数作为两节点的“关系”,反映不同脑区之间功能连接强度,则多通道脑电图信号可以表示成加权无向网络G(I,J),即脑功能网络,I为节点集合,J为两节点间的关系;
1.2脑电图信号特征向量
采用相关性分析方法,建立各通道脑电图信号两两之间的连接关系,形成相关性矩阵,选取合适的阈值,将相关性矩阵转化为节点间的邻接矩阵,用邻接矩阵的特征向量表示运动想象脑电信号的特征参数;
1.3基于复杂网络聚类算法的运动状态控制意图识别方法
运动状态控制意图识别主要解决模式聚类问题,把运动想象脑电图信号数据样本根据脑电图信号特征向量分成单独类,每一个样本类对应一种机械臂的运动状态模式。复杂网络聚类算法能够将不同脑区的功能连接与控制意图联系起来,既可以兼顾运动想象时不同脑区的响应,还可以体现不同脑区间的功能连接强度,从而可以探索更多模式的运动想象脑电信号模式,譬如同时想象左右手运动。复杂网络聚类算法将脑功能网络G(I,J)划分为多个不同的子网络,每一个子网络代表一类,每一类代表一种运动状态控制意图模式,通过设计目标函数,将子网络探测问题转化为优化问题,提高控制意图识别的准确性,并在此基础上,将不同节点间的连接强度极大值形成过程参数控制指令,形成移动机械手的复杂任务控制意图M(C,v),其中,C为运动状态控制意图模式,v为运动状态控制意图模式的运行参数,如手臂端拾器的运行速度等。
[0017] 2基于眼电图的运动过程参数控制意图识别本实施例中,机械手运动过程参数控制意图识别方法,参见图2,机械手运动过程参数控制意图识别包含水平控制命令和垂直控制命令识别,其识别过程如下:
2.1根据测试者的眼电信号特征和Free-form规律提取策略,使用进化编程方法,获取测试者的眼球运动规律,并描述出眼球水平运动规律表达式A=f(θ)和垂直运动规律表达式B=f(φ);
2.2按照图3,在测试者颞侧安放水平测量电极HR、HL,在眼眉正上方和眼睛下方安放垂直测量电极VU、VL,在前额中部安放接地电极,从而获取测试者眼部水平注视点信号和垂直注视点信号;
2.3水平控制命令(x,v)识别方法:通过获取人眼水平注视点信号,提取眼电信号向量值A和注视点变化时间t,根据眼球水平运动规律A=f(θ),由θ=f’(A)得到眼睛水平转角θ,由ω=dθ/dt得到眼睛水平转动速度ω,通过模糊决策形成水平控制命令(x,v);
2.4垂直控制命令(y,w)识别方法:通过获取人眼垂直注视点信号,提取眼电信号向量值B和注视点变化时间t,根据眼球垂直运动规律B=f(φ),由φ=f’(B)得到眼睛垂直转角φ,由ψ=dφ/dt得到眼睛垂直转动速度ψ,通过模糊决策形成垂直控制命令(y,w);
2.5包含机械手运动状态参数和运动过程参数的机械手运动控制指令采用六元数组(C,u,x,v,y,w)命令格式通信传输给机械手运动控制器,并驱动机械手运动。
[0018] 本实例提供的机械手多参数控制脑机接口,结合了脑电信号和眼电信号形成了机械手运动状态控制参数指令和运动过程控制参数指令,从而实现机械手控制指令的多样性和适应性。
[0019] 本发明提供的上述实施例,对本发明的目的、技术方案和特点进行了详细说明,需要理解的是,以上所述仅为本发明的一个实施例,在本发明技术原理下的任何修改与改进等,均应包含在本发明的保护范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈