鄧欣，肖立峰，楊鵬飛，王進，張家豪

（重慶郵電大學 計算機科學與技術學院，重慶 400065）

腦機接口(brain computer interface，BCI)是一 種不依賴于外圍神經和肌肉組織組成的傳輸通路的通信系統(tǒng)技術，旨在直接通過人類或動物的大腦與外部設備相連接，通過對采集的腦電數據進行分析，識別出人或動物的思維，生成控制指令，實現(xiàn)大腦對外部設備的直接控制[1-2]。近幾年來，基于BCI 的控制系統(tǒng)引起了研究人員的廣泛關注，其在殘疾人輔助設備上表現(xiàn)突出，如腦控機械臂、腦控輪椅、康復機器人等。

隨著技術的發(fā)展，基于非侵入式腦機接口的機械臂控制成為研究熱點。對于控制機械臂的腦電信號的提取，目前主流的實驗范式是運動想象(motor imagery,MI)和穩(wěn)態(tài)視覺誘發(fā)(steady-state visual-evoked potentials,SSVEP)。例如，Zhang 等[3]提出了一種基于異步MI 的腦驅動機械臂抓取系統(tǒng)，通過MI 控制機械臂向3 個方向（左、右、前）移動，成功控制機械臂在規(guī)避障礙物的同時抓取物體。Zhu 等[4]提出了一種基于15 個目標類別的SSVEP 系統(tǒng)，設計了基于EOG(electrooculography)的開關，使用3 次眨眼來激活或關閉基于SSVEP的閃爍，成功地完成了操作機械臂來抓取、舉起和移動目標物體。但是，SSVEP 是一種誘發(fā)腦電，需要外部刺激，因此要求被試長時間地關注電腦屏幕，容易引起視覺疲勞，而MI 是一種自發(fā)腦電，是大腦的一種主觀運動意圖，由被試自主決定，更具有主觀性，因此備受腦機接口研究領域的歡迎。

目前基于MI 的機械臂控制系統(tǒng)主要有兩類：單一腦電控制系統(tǒng)和混合腦電控制系統(tǒng)。單一腦電控制系統(tǒng)只使用MI 實現(xiàn)對機械臂的控制，因此要獲得更多控制指令，需要采用多分類。例如：徐寶國等[5]開發(fā)了基于MI 四分類的機械臂二維連續(xù)控制系統(tǒng)，實現(xiàn)了對四個方向上的目標抓取。Jeong 等[6]提出了一種基于CNNBiLSTM(convolution neural network-bidirectional long short-term memory network)深度學習框架的腦控機械臂系統(tǒng)，從MI 腦電圖中解碼了用戶關于手臂在三維多方向（左、右、前、后、上、下）的直觀意向，被試成功完成了在三維空間上的物體抓取和自飲。Li 等[7]提出了一種用于在整個工作空間中執(zhí)行串行機械臂運動的BCI 系統(tǒng)，采用小世界神經網絡對基于MI 的5 種大腦狀態(tài)進行分類，控制策略采用6 條二元命令實現(xiàn)機械臂在三維笛卡爾空間中的運動控制?；旌夏X電控制系統(tǒng)指的是混合多種腦電任務對機械臂進行控制，例如Rakshit 等[8]開發(fā)了基于MI、SSVEP 和P300 的混合BCI 機械臂控制系統(tǒng)，在該系統(tǒng)中，利用LED的閃爍來誘發(fā)SSVEP 進行機械臂連桿選擇，使用MI 實現(xiàn)已選連桿的運動，最后用末端執(zhí)行器過目標時的刺激來產生P300 進行反饋，實現(xiàn)了精準定位目標物體。Gao 等[9]開發(fā)了一種結合MI、EMG(electromyogram)和SSVEP 的機械臂控制系統(tǒng)，采用MI 作為單刀雙擲腦開關(single-pole double throw brain switch,SPDTBS)，通過將SPDTBS 與基于4 級SSEVP 相結合，實現(xiàn)了對機械臂運動的三維控制，此外，還檢測了咬牙狀態(tài)的EMG，并將其作為中斷器用于初始化SPDTBS 語句，參與這項研究的被試成功地通過操縱機械臂寫出了單詞“HI”。Bhattacharyya 等[10]提出了一種利用MI、P300 和誤差相關電位(ErRP)對機械臂進行定位的腦控系統(tǒng)，該系統(tǒng)中MI 用于移動或旋轉機器人手臂，P300 用來停止機械臂運動，使用ErRP 來判定MI 解碼器是否對輸入信號進行了錯誤分類或機器人連桿端是否越過了目標位置，然后通過調整連桿位置實現(xiàn)對機械臂的精準控制。

綜上，雖然目前基于MI 的機械臂控制系統(tǒng)已取得了不少成就，但是仍存在二分類MI 無法獲取更多的控制指令，多分類MI 分類準確率低，混合幾種腦電信號來執(zhí)行更多的任務又會給用戶造成負擔等問題。本研究以控制過程簡單，控制完全靠自發(fā)，為被試減少負擔為目的，設計了基于二分類運動想象腦電與眼電信號融合的機械臂控制系統(tǒng)。首先，對采集的運動想象腦電數據做離線分析，在預處理后，提取提升小波變換(lifting wavelet transform,LWT)8～32 Hz 的小波系數作為共空間模式(common spatial pattern,CSP)的輸入，通過空間濾波矩陣得到特征向量，并使用支持向量機(support vector machines,SVM)得到離線分類模型。然后，將離線眼電數據濾波處理后，對比無意識眼電和有意識眼電的峰值設定眼電閾值。最后，利用離線分類模型和眼電閾值搭建機械臂在線控制系統(tǒng)，該系統(tǒng)通過分階段的方式來實現(xiàn)機械臂控制，將整個流程分為幾個階段，用單次眼電切換至下一階段，在各個階段左右手運動想象生成不同的控制指令。

本文為了進一步驗證該系統(tǒng)的可行性設計了一項自主服藥實驗，該實驗過程分為3 個階段：抓取階段、服藥階段、藥瓶回收階段。被試通過雙次眼電來控制任務的開始，單次眼電用來進入下一任務階段。在第一階段，想象左右手運動控制機械臂左右轉動，當達到物品位置時通過單次眼電進行抓?。蝗缓?，使用單次眼電進入第二階段，在此階段想象左右手運動控制著機械爪的翻轉；最后，進入第三階段，再次通過單次眼電來進行藥瓶回收，機械臂復位到初態(tài)。

1 系統(tǒng)設計

1.1 系統(tǒng)結構

融合運動想象腦電和眼電信號的機械臂控制系統(tǒng)需要實現(xiàn)腦電和眼電信號采集、運動想象腦電特征提取和分類、指令傳遞和機械臂控制等功能。其中信號采集，采用的是Brain Products 公司的actiCHamp 放大器，將采集的數據通過TCP/IP協(xié)議發(fā)送給客戶端計算機。由客戶端計算機對傳來的實時數據經判斷為任務態(tài)后進行特征提取和分類，并將分類結果轉化為控制命令，再將控制命令發(fā)送給機械臂的控制單元，由控制單元對機械臂進行控制，控制單元是由Arduino 和藍牙模塊組成。系統(tǒng)結構如圖1 所示。

圖1 系統(tǒng)結構Fig.1 System architecture

1.2 誘發(fā)實驗

運動想象范式的實驗流程設計如圖2 所示，使用E-prime 軟件進行設計實現(xiàn)。在實驗開始前屏幕將顯示實驗開始界面，該界面簡要描述了實驗任務。在確認被試準備好之后，按下空格鍵開始本次實驗。實驗開始時有2 s 緩沖時間，2 s 后屏幕上出現(xiàn)加號提示，持續(xù)1 s，提醒被試1 s 后進入任務階段，在3 s 時屏幕上會隨機出現(xiàn)向左或向右的箭頭，被試根據箭頭的方向想象哪側手動，即左箭頭想象左手運動，右箭頭想象右手運動，想象時間持續(xù)4 s，接著為3 s 的休息時間，休息結束后進行下一次實驗。在實驗過程中，被試盡量減少頭部晃動、眨眼、肢體運動等。整個實驗共分為10 組，每組包含了10 次實驗，共采集了200個數據，左右手分別100 個。眼電實驗設計跟腦電類似，不同之處在于將其中的左右箭頭提示更換為數字“1”和“2”，“1”表示眨眼一次，“2”表示眨眼兩次。眼電實驗共分為3 組，每組進行20 次實驗，共采集60 個數據，單雙次眨眼各30 個。

圖2 實驗流程設計Fig.2 Experimental process design

在本研究中，采用Brain Products 公司的actiCHamp 腦電放大器和32 導腦電帽，根據國際標準的10～20 導聯(lián)系統(tǒng)，采集了大腦皮層Fz、FC5、FC1、C3、CP5、CP1、Pz、CP6、CP2、C4、Cz、FC6、FC2 共13 個通道數據用于運動想象分析，同時也采集水平眼電HEOG 和垂直眼電VEOG 數據用于眼電分析，如圖3 所示。所有采集的數據都以TP9 為參考電極，前額處接地，所有電極的阻抗均保持在10 kΩ 以下，采樣頻率設置為1 000 Hz。

圖3 EEG 電極分布Fig.3 EEG electrode distribution

有9 名健康志愿者參與了本次實驗，均為男性，右利手，年齡在20～30 歲，在此之前均沒有類似實驗經歷。本實驗經通過校倫理委員會審核，在進行實驗前對被試進行了實驗過程講解，告訴被試本次實驗采集的是大腦頭皮電，對人體無害，并在征得被試同意后，簽署了《實驗同意書》。

2 腦電及眼電信號處理

2.1 腦電信號處理

研究表明，在進行運動想象時，大腦在運動感覺區(qū)域會產生明顯的事件相關同步電位(event-related synchronization,ERS)和事件相關去同步電位(event-related desynchronization,ERD)現(xiàn)象[11]。ERD 是當人們做單側肢體運動時，大腦對側感覺運動皮層的μ節(jié)律（8～12 Hz）和β節(jié)律（14～30 Hz）的幅度會明顯減小。ERS 是指在運動結束后感覺運動皮層的μ節(jié)律和β節(jié)律的幅度會明顯增加。在運動想象中只進行肢體的想象運動，而不進行實際的運動，同樣會產生事件相關同步和事件相關去同步現(xiàn)象[12]。比如，想象左手運動時，對側的腦區(qū)的運動感覺皮層會產生ERD 現(xiàn)象，相應的同側的運動感覺皮層會產生ERS 現(xiàn)象。運動想象的ERD/ERS 現(xiàn)象是判斷左右手運動想象的重要依據。

2.1.1 預處理和特征提取

本文預處理過程包括降采樣、濾波、標準化、數據切片。首先對原始數據降采樣到250 Hz；然后經過多次實驗，發(fā)現(xiàn)使用4 階巴特沃斯濾波器得到的7～32 Hz 頻段腦電數據效果最佳；再對數據進行0-1 標準化處理；最后進行數據切片。因被試通過視覺刺激接受并處理信息需要一定的時間，故本文選取實驗流程（圖2）中的4～6 s 數據進行運動想象分析。

特征提取采用小波變換(wavelet transform,WT)和共空間模式結合的方法。CSP 能夠得到針對明確被試的可辨的空間濾波，但是由于想象時時域信息之間的差異很小，很難通過時域數據找到全局最優(yōu)投影矩陣，根據ERD/ERS，μ節(jié)律和β節(jié)律的頻率值差異更明顯，因此基于頻率值的最優(yōu)投影矩陣更容易訓練[13]。小波變換是一種時頻分析方法，小波系數更具有時頻信息，本文在使用CSP 提取特征前，先提取小波分解后的小波系數，再用小波系數作為CSP 的輸入。

小波變換是常見的腦電信號處理方法，對于腦電信號這種非平穩(wěn)性信號來說，是一種理想的時頻分析工具。但是傳統(tǒng)的小波變換在小波構造和時頻轉化上占用大量系統(tǒng)資源，且時耗大。因此本文使用繼承第一代小波多分辨率特性的二代小波變換，提升小波變換。LWT 相比于傳統(tǒng)小波變換不依賴于傅里葉變換，且不需要占用大量系統(tǒng)資源，運算速度快，對于反變換也很容易從正變換得到[14]。

2.1.2 共空間模式

共同空間模式算法的基本原理是利用矩陣的對角化，找到一組最優(yōu)空間濾波器進行投影，使得兩類信號的方差值差異最大化，從而得到具有較高區(qū)分度的特征向量[15-16]。

腦電實驗數據是一個N×T的矩陣X，其中N為通道數，T為單個通道的采樣點數。則歸一化的協(xié)方差矩陣可表示為

式中：R1、R2分別表示左右手的歸一化協(xié)方差矩陣；Xi表示標簽為i的腦電數據。混合空間協(xié)方差矩陣可表示為

經過白化后R1、R2再進行如下變換可得

式中：S1和S2有共同的特征向量B，對其做主分量分 解，則 有S1=Bλ1BT，S2=Bλ2BT，且 λ1+λ2=I。因為左右手兩類矩陣的特征值相加總是為1，則S1最大特征值所對應的特征向量使S2有最小特征值，反之亦然。選取特征向量B的前m(m＜N/2)列和后m列后獲得投影矩陣可表示為

2.1.3 LWT-CSP

提升小波變換分為3 個過程：分裂、預測、更新[17]。分解過程如圖4 所示。

圖4 LWT 分離系數過程Fig.4 Process of the LWT separation coefficient

1）分裂。將原始信號分裂為偶數序列和數序列。

我們在前面說過，實踐標準的討論具有啟蒙的意義。我們可以從反思啟蒙的角度來反思實踐標準。在反思啟蒙的理論中有兩種啟蒙辯證法值得我們重視。一個是黑格爾對于啟蒙和信仰的分析，一個是霍克海默和阿多諾對于啟蒙的分析。

2）預測。用偶數序列來預測其周圍的奇數序列，奇數序列的實際值與通過偶數序列預測出來的預測值的差值對應于原始信號的高頻系數。

3）更新。通過奇數序列的預測值來更新偶數序列，得到原始信號的低頻部分。

通過以上3 個步驟可以將原始信號的高低頻分離開來。本文預處理后數據的采樣頻率為250 Hz，根據奈奎斯特采樣定理信號的有效頻率為125 Hz，因此采用了4 層小波分解，如圖5 所示，將原始信號分為了5 個頻段，分別為0～8 Hz，8～16 Hz，16～31 Hz，31～63 Hz，63～125 Hz。預處理時cD1、cD2和cA4頻段已被濾除，故不做考慮。上文提及運動想象ERD/ERS 現(xiàn)象在μ節(jié)律和β節(jié)律的表現(xiàn)最為明顯，在4 層小波分解后的細節(jié)系數cD4和cD3剛好對應μ節(jié)律和β節(jié)律。因此提取了細節(jié)系數cD4和cD3構建矩陣E作為CSP 的輸入，由式(1)求出空間濾波矩陣W，小波系數矩陣E可變換為Zi=WE，空間域特征向量由式(2)求出：

圖5 采樣頻率250 Hz 信號4 層小波分解過程Fig.5 Four-layer wavelet decomposition process of a 250 Hz sampling frequency signal

2.1.4 分類方法

對于二分類問題來說支持向量機是非常優(yōu)秀的分類器，通過非線性映射找到一個超平面來分割兩類數據，使得能夠最小化分類錯誤的同時最大化分類邊界[18]。支持向量機對異常數據具有魯棒性以及很好的泛化能力。

對于非線性問題來說，可將其從原始空間映射到更高維的空間，使得樣本在這個空間中線性可分。腦電信號是非線性信號，本文使用核SVM來進行分類[19]。

設分類超平面方程為x·ω+b=0，則在m維空間中，使得對線性可分的樣本集(xi,yi),i=1,2,···,n,x∈Rm,y∈{+1,-1}，滿足：

使用核函數得到對偶問題：

2.2 眼電信號處理

眼電信號具有易采集、波峰大易識別、單次眨眼和多次眨眼易區(qū)分等特點。因此，本文將眼電信號與腦電信號結合實現(xiàn)對機械臂的控制。為了實現(xiàn)在線控制時任務狀態(tài)的檢測，本文設計了雙次眨眼當作發(fā)送控制指令的開關。當被試想要控制機械臂運動時，通過雙次眨眼發(fā)送控制指令給Arduino 單片機，此時蜂鳴器響起，被試根據實際情況做相應的任務，并通過上位機轉化為機械臂控制指令，通過藍牙傳輸給單片機，實現(xiàn)機械臂控制。

本文采集了水平眼電和垂直眼電數據，采集位置如圖6 所示。通過對比發(fā)現(xiàn)水平眼電的波峰更明顯，故采用水平眼電來實現(xiàn)腦控機械臂系統(tǒng)。首先將采集的4 s 眼電數據進行1～40 Hz 的帶通濾波，再對其進行降采樣為62.5 Hz，通過檢測波峰的個數來實現(xiàn)對眨眼次數的檢測。如圖7(a)所示，為被試1 的一次眼電實驗中有意識眨眼和無意識眨眼產生的眼電，可以看到有意識的眨眼比無意識的眨眼峰值更高，因此可以通過設定閾值的方式過濾無意識眼電，圖7(b)為該被試一次雙次眨眼產生的眼電，可以看到通過前面得到的眼電閾值可以檢測出雙次眼電。

圖6 眼電信號采集位置Fig.6 Location of eye electrical signal acquisition

圖7 眼電檢測Fig.7 Electrooculogram detection

3 在線實驗及結果分析

3.1 在線實驗

在線實驗分為兩個部分：在線測試實驗和自主服藥實驗。在線測試實驗是將離線實驗的腦電任務和眼電任務結合在一起。根據運動想象的離線模型和眼電閾值，可以得到在線準確率。在持續(xù)5 min 的實驗中，采集左右手數據各10 個，單次眼電和雙次眼電各5 個，共進行4 次。

在自主服藥實驗時，BCI 系統(tǒng)不再產生任務提示，任務的執(zhí)行種類是由被試根據實際情況主動決定并發(fā)起的。為了使BCI 系統(tǒng)能夠進行連續(xù)工作，區(qū)分任務態(tài)和空閑態(tài)是很重要的[20]，本研究使用雙次眼電當作發(fā)送指令的開關，從而達到區(qū)分的效果。當被試欲控制機械臂時，眨兩次眼后，蜂鳴器響起，被試執(zhí)行控制任務，上位機分析腦電或眼電信號后發(fā)送控制指令給下位機，下位機控制機械臂做相應的運動?？刂屏鞒倘鐖D8 所示。單純的左右手運動想象只能產生兩個控制指令，本文使用單次眼電來輔助完成自主服藥工作。

圖8 控制流程Fig.8 Control flow

本文將整個服藥過程分為3 個階段。第一階段，抓取階段，如圖9(a)～(c)所示，此階段通過運動想象控制機械臂左右轉，即想象左手運動機械臂左轉，想象右手運動機械臂右轉。根據實驗場景，本文設置該階段左轉距離是右轉的一半，可以通過左轉來調節(jié)機械臂的位置，以便更精確定位物體。如圖9(c)所示，當定位物體后，利用單次眼電發(fā)送抓取指令，機械臂夾爪移動到藥瓶位置抓取藥瓶。再次利用單次眼電發(fā)送切換狀態(tài)指令，進入第二個階段，服藥階段，此時機械臂轉動到被試面前，如圖9(d)、(e)所示，在此階段想象左手控制機械臂夾爪向被試方向翻轉，想象右手恰好相反，在被試服完藥后，通過單次眼電進入下一個階段，藥瓶回收階段。在此階段，夾帶著空藥瓶的機械臂會轉動到指定的廢棄藥品回收處，如圖9(f)所示，在執(zhí)行未出錯的情況下，夾持藥瓶的機械夾爪停留在圖中垃圾桶上方，再次發(fā)送單次眼電指令，機械爪松開藥瓶，將其放入垃圾桶中，并復位到初始狀態(tài)。

圖9 自主服藥過程Fig.9 Process of autonomous medication

3.2 實驗結果分析

3.2.1 離線實驗結果分析

離線運動想象數據采用分類準確率和Kappa值作為評判標準[21]。分類準確率是采用5 折交叉驗證來計算的。Kappa 值是用于預測結果和實際結果一致性的評判。Kappa 值介于0～1，0 表示分類結果是隨機造成的，1 表示預測結果和實際結果完全一致。Kappa 計算公式為

式中：po為分類正確率；pe表示為

式中ai和bi分別代表第i類真實樣本和預測樣本個數。

Kappa 值可分為5 個等級：0.0～0.20 代表極低的一致性；0.21～0.40 代表一般的一致性；0.41～0.60 代表中等的一致性；0.61～0.80 代表高度的一致性；0.81～1 代表幾乎完全一致[14]。

針對在線控制系統(tǒng)，不光要考慮準確率，還要考慮到實時性，因此多數機械臂控制系統(tǒng)采用傳統(tǒng)的特征提取方法提取腦電信號特征。例如：文獻[1,8]使用了傳統(tǒng)的CSP 提取特征；文獻[10,22]使用自回歸模型(autoregressive model,AR)提取特征。表1 為本文自采數據在7 種特征提取方法下使用SVM 分類的分類準確率，表2 為對應的Kappa 值。可以看到，在使用LWT-CSP 提取的特征下9 名被試運動想象的平均準確率為76.5%，高于其他的6 種方法，平均Kappa 值為0.53，達到了中等一致性。其中有3 名被試的準確率超過了80%，被試5 甚至達到了91% 的分類準確率，Kappa 值為0.82，達到了幾乎完全一致。從表1、2 還可以看到，改進的CSP 算法比傳統(tǒng)的CSP 算法取得了更好的平均分類準確率，本文所使用的LWT-CSP 方法與在運動想象表現(xiàn)較好的濾波器組共空間模式(filter bank common sptial pattern,FBCSP)方法[23]對比，取得了更佳的效果；第二代小波提升小波LWT 比第一代小波離散小波變換(discrete wavelet transform,DWT)[24]取得了更好的平均分類準確率和Kappa 值，同樣本文所使用的LWT-CSP 也比使用DWT-CSP 的方法取得了更佳的效果。

表1 運動想象分類準確率Table 1 Classification accuracy of motor imagery %

表2 Kappa 值Table 2 Kappa value

續(xù)表 2

對采集的原始眼電數據提取任務范圍內的單次眼電和雙次眼電以及任務范圍外被試的無意識眼電。通過比較單次眼電跟無意識眼電峰值可以找出一個閾值，在過濾掉無意識眼電的同時檢測出有意識的眼電。通過對離線眼電數據的分析發(fā)現(xiàn)在降采樣到62.5Hz 后兩次眼電的峰值間的間隔數不會小于10，因此設定峰值間的最小間隔為10。分析9 個被試的眼電發(fā)現(xiàn)無意眼電的峰值都小于400，而有意識眼電峰值遠大于400，因此設峰值閾值為400。

3.2.2 在線實驗結果分析

對于實時BCI 系統(tǒng)來說，在線數據不能像離線數據一樣從分類正確率和Kappa 值來進行評價，結合本研究的具體情況，選用分類正確率和有效識別率（identification rate,IR）作為在線數據的評價指標，IR 定義為某種思維狀態(tài)被正確識別的數目與該狀態(tài)的總數的比值[25]。

式中：mleft為左手運動想象被正確識別的數目；Nleft為左手運動想象總數；mright為右手運動想象被正確識別的數目；Nright為右手運動想象總數。

在線測試結果如表3 所示，除被試5 和8 之外，其他被試的分類準確率都比離線時低，而被試5 和8 正好是離線準確率最高的兩名被試。被試8 的左右手有效識別率相同，而被試5 的左右手有效識別率差距超過10%，表明了被試5 在想象時對于左手的精準度是相對高的，而對于右手的想象控制是低于左手的，被試8 對左右手的把控是均衡的。

從表3 中可以看出，除被試4 和被試9 以外其他被試的IRleft和IRright差距不大，而被試4 和9 的IRleft和IRright差距過大。分析實驗過程，可能產生較大差異的原因有：首先是被試自身，因為離線數據采集和在線測試不在同一時間段，被試可能會存在不同時間腦電信號差距很大的情況；其次通過對被試實驗后的情緒分析，發(fā)現(xiàn)兩名被試都有出現(xiàn)睡眠不足的情況；最后在實驗流程方面，因為兩次實驗配戴的腦電帽大小不一置導致電極位置會有細微區(qū)別。

表3 運動想象在線準確率Table 3 Online classification accuracy of motor imagery %

眼電的在線準確率如表4 所示，只有被試6和被試9 的眼電準確率比較差，其余被試的眼電準確率都在90%以上，被試3 甚至可以達到100%。在線實驗過程中發(fā)現(xiàn)，眼電識別準確率可以通過短暫的訓練得到大幅度提高，在實驗開始初期由于被試不適應或是不熟悉眨眼的力度和頻率，導致前期的眼電準確率較低，在經過兩組實驗后，被試掌握了眨眼力度和頻率，眼電準確率明顯提升，甚至接近于100%。

表4 眼電在線準確率Table 4 Online accuracy of the electrooculogram %

結合運動想象腦電和眼電的在線測試結果，選取被試5 和被試8 進行自主服藥實驗。如表5所示，為被試5 和被試8 在線自主服藥實驗中發(fā)送的控制指令個數和錯誤識別個數，其中也包括雙次眼電開關指令。被試5 錯誤識別的3 個指令分別為2 個單次眼電指令和1 個想象右手指令，被試8 是單次眼電指令和想象左手指令。本實驗設置在單次眼電識別錯誤時不發(fā)送控制指令給機械臂，因此機械臂不會有任何動作，被試只需要重復發(fā)送識別錯誤的指令即可。被試5 在抓取階段識別想象右手為左手控制指令，因抓取階段機械臂左轉是右轉的一半，因此被試5 通過發(fā)送一次左手指令和一次右手指令回到出錯之前的狀態(tài)。被試8 在服藥階段想象左手出錯，被識別為想象右手，導致機械臂夾爪向遠離被試方向翻轉，只需要發(fā)送一次左手指令就能回到出錯前的狀態(tài)。被試5 和8 都在發(fā)現(xiàn)指令錯誤的情況下調整自身狀態(tài)，成功地在第2 次發(fā)送正確的指令，并最終完成自主服藥實驗。

表5 指令發(fā)送個數和錯誤識別個數Table 5 Number of instruction sendings and error recognitions

4 結束語

本文實現(xiàn)了由腦電和眼電信號控制機械臂運動的腦機接口系統(tǒng)。該系統(tǒng)融合腦電和眼電并通過劃分階段的方式實現(xiàn)對機械臂的連續(xù)控制，即被試通過雙次眼電控制任務的開始，根據實際情況執(zhí)行特定任務。在執(zhí)行任務過程中檢測到運動想象腦電信號時，檢測程序發(fā)送方向控制指令，使機械臂執(zhí)行該階段對應的動作；當檢測到單次眼電時，檢測程序發(fā)送切換指令進入下一階段。為了驗證本系統(tǒng)的實用性，本文設計了一項自主服藥實驗，通過在線測試實驗，驗證了本文算法對腦電信號識別準確率最高可達90%，被試能順利通過本系統(tǒng)在不使用任何肢體的情況下實現(xiàn)自主服藥，證明了本系統(tǒng)的有效性。在后續(xù)的工作中，可對本系統(tǒng)進行改進，使其能夠應用在更多的場景中。