基于EEG-EMG混合控制方法的研究—生物机器人应用：现状、挑战与未来方向（二)

02 基于肌电图的混合控制方法综述 基于EEG-EMG的混合控制接口的基本思想是在控制方法中融合EEG和EMG信号，信号的融合可以以许多不同的方式进行，并且可能取决于特定应用和用户能力等因素。在这个混合接口中，结合了EEG信号和EMG信号，混合方法的应用可能有所不同，从一个简单的游戏控制应用程序，到假肢手臂控制应用程序。 这篇综述的主要目的是研究生物机器人学的应用，例如假肢和外骨骼，因此范围缩小到研究混合EEG-EMG方法在生物机器人中的应用。如前所述，有许多可能的方法将肌电图和脑电图信号结合在一种特定的控制方法内，以提高有效性。 一般来说，EEG或EMG信号可用于操作应用程序的各个部分，例如辅助设备中的部件，或者，所有这些都可以组合起来。后者将允许用户根据自己的喜好从一个控制信号平稳地切换到另一个控制信号。 有几种方法可以用来对生物机器人应用中的脑电-肌电混合控制方法进行分类，如特定的应用/设备（如假肢、外骨骼、轮椅）或输入处理方法。作为一个双输入系统，混合EEG-EMG接口可以同时处理输入信号，也可以按顺序处理输入信号。 在这篇综述文章中，我们将把生物机器人应用中的混合控制方法的每一项研究分为两类，根据输入处理方法是同时的还是顺序的，EEG-EMG方法的比较和本文讨论的不同混合方法的重要特征总结如表1所示。重要的是，无论EEG-EMG信号的融合方法是什么，与单独使用EMG或EEG信号的方法相比，混合方法能获得更高的有效性。

表1 几种不同EMG-EEG混合方法的比较

很少有研究报告通过使用混合方法来补偿基于肌电图的控制方法在生物机器人应用中出现的问题，肌电信号经常被用作假肢、外骨骼或轮椅等设备的控制输入，因为有时残疾人、体弱者、老年人或受伤者的肌肉仍有残余活动，基于肌电信号的控制方法仍存在一些有待解决的问题。 单独使用肌电信号时可能遇到的一个问题是肌肉疲劳，除了正常的肌肉收缩水平外，这还会影响肌电图的振幅和频谱。尤其是随着年龄的增长，骨骼肌纤维的尺寸变小，力量减弱，这导致老年人的力量下降和迅速疲劳的趋势。这些老年人的身体和精神状况一整天都在变化，在某些情况下由于身体疲惫可能会出现肌肉疲劳，在这种情况下，有必要设计基于肌电的控制方法来处理肌肉疲劳状态的影响。 除了一些尝试，也很少有研究报告是为了开发基于肌电图的控制方法，这些方法对肌肉疲劳具有鲁棒性，另一方面，在控制方法中，EEG信号可以作为一个附加的输入信号来处理肌肉疲劳情况，而不是单纯依赖于肌电信号。 有报道称，这种将肌肉和大脑信号融合为混合BCI的尝试，根据用户的可用性和可靠性，将肌电图和脑电图并行使用在一个手动控制任务中，通过16个脑电通道测量脑电信号，记录右、左前臂屈伸四个通道的肌电活动。 基于肌电图和脑电图的分类器输出，在第一种方法中，使用等平衡的融合权值来组合肌电和脑电分类器的输出；在第二种方法中，对贝叶斯融合方法进行了测试。对单独使用的EMG和EEG分类器的有效性进行了测试，并根据不同的肌肉疲劳程度考虑了EMG和EMG融合的四个条件。

图 集成传感器以驱动功能性电刺激（FES）基于震颤抑制

在试验中，对12名健康受试者（3名受试者被移除）进行了实验，在这项研究中，肌电图活动的准确率为87%，而脑电图活动的准确率为73%。第一种混合EMG-EEG分类器融合方法的准确率提高到91%，贝叶斯融合方法在使用50%的肌电信号时准确率达到92%，实验结果表明，与单独使用EEG和EMG输入的情况相比，联合方法的分类精度有所提高。 震颤是典型的基于肌电信号的控制方法中的一个著名问题，震颤是一种常见的疾病，尤其是在老年人中，它会导致身体部位有节奏的摆动，尤其是上肢震颤的人，通常在日常生活活动中表现出困难。这些无意的运动产生的肌电信号并不代表用户的实际运动意图。因此，识别和消除外骨骼等生物机器人控制方法中的颤振效应具有重要意义。一些研究，如使用主动可穿戴外骨骼抑制震颤，以及在使用动力辅助机器人时避免不必要的振动或运动。然而，最近报道了一种用于抑制震颤的新型多模态传感器融合方法。在这项研究中，我们提出一个多模态BCI介导的软体可穿戴机器人，能够由功能性电刺激（FES）来补偿上肢震颤。在本研究中，以脑电、肌电图及惯性感测器讯号为基础，产生驱动全自动穿戴机器人的控制讯号，这种情况下使用的混合融合方法可以归类为序列融合方法。 在这种方法中，第一步是利用C3、CZ和C4电极的表面拉普拉斯滤波记录的EEG信号来识别受试者的有意自愿运动。一旦被发现，肌电图信号就被用来识别震颤的发作，最后，利用惯性测量装置（IMU）跟踪震颤的发生参数。

图 使用EEG和EMG信号进行感知辅助上肢肢体力量辅助

实验在12名神经震颤患者中进行，使用来自实验阶段的数据进行评估，得出平均震级估计误差为0.001 rad/s，并以典型震颤频率范围内的频率估计作为最终输出。除了最终结果外，本研究还显示了融合和整合不同模式的重要性，以提高检测和表征自愿性和颤抖性运动成分的准确性，尤其是鲁棒性。 通常情况下，利用肌电信号来判断或验证感知辅助功能，并根据每项任务对动力辅助外骨骼机器人进行教学。然而，在某些情况下，肌电信号变化不足以做出这种判断。为了克服这一问题，提出了一种结合EEG和EMG信号的上肢功率辅助控制方法，用256高密度电极系统测量脑电信号，记录上肢16块肌肉的肌电信号。动力辅助机器人根据来自周围环境的信息（使用立体摄像机、超声波传感器等）执行感知辅助。 这项研究的新颖之处在于除了肌电信号外，还使用脑电图信号来判断所执行的知觉辅助的有效性。虽然在该方法中，肌电信号和脑电图信号没有直接融合，但同时考虑了肌电信号和脑电图信号，以判断是否执行了知觉辅助。 对4名受试者进行了两个实验，计算了单独使用肌电图和结合EEG-EMG方法的正确或错误的认知率。在第一个实验中，所有受试者的知觉辅助判断的平均准确率分别为77.5%和88.75%，而EMG单独法和EEG-EMG联合法分别为77.5%和88.75%；在第二个实验中，同一参数下，单独肌电图法和混合EEG-EMG法的结果分别为57.5%和80%，利用脑电图和肌电信号的结合，可以提高对知觉辅助效果的判断。

当特定个体缺乏产生控制信号的能力来引导生物机器人装置时，EEG-EMG混合控制方法是有效的。例如，对于肘部以上的截肢者，用于产生前臂、腕部和手部运动的肌肉不存在，提出了一种额外的臂部运动（34度）的电信号，前臂和腕关节的运动是通过人工神经网络来估计的，然而，用这种方法来估计各种日常生活活动并不容易。 因此，为了控制肘部以上截肢者的假肢，大脑发出的信号被提出。人工手臂前臂旋前/旋后运动的控制是利用高密度脑电图传感器阵列（256个脑电图电极）测量的脑电图信号来进行的，而肘部的屈伸运动则是由剩余的二头肌和三头肌的肌电信号来控制的。手肘以上截肢者控制假肢的脑电图和肌电信号的同步处理可以表示为下图所示。 该方法利用人工神经网络根据脑电信号对前臂运动进行解码，并采用带有模糊神经修正器的肌电控制器来产生人工手臂的肘关节运动。与之前的研究相比，基于EEG-EMG的混合控制方法通过引入额外自由度（前臂旋前/旋后）的控制通道显示了其潜在的优势

有趣的是，讨论将其他传感器（如运动传感器或触觉传感器）集成到混合EEG-EMG方法中的可能性，报道了一种基于多维信息融合的外骨骼机器人智能感知系统的设计尝试。在这项研究中，我们提出了一个外骨骼机器人知觉系统的架构，利用脑电图、肌电图、足底压力传感器与光纤运动捕捉系统之间的资讯融合，设计的基本框架是利用脑电信号来判断人体运动意图的方向，并利用人体下肢四大肌肉的肌电信号来识别人体的运动模式（跑步或步行）。利用光纤运动捕捉系统测量人体的运动位置和姿态。在外骨骼机器人感知系统框架内，对每一个测量信号进行顺序处理。在设计的框架中，EEG和EMG信号没有直接结合。 一些研究小组已经提出将脑电图和肌电信号整合在控制方法中，用于生物机器人的外骨骼等应用。铭记沃克项目，研究人员提出了一种主要基于与人类运动相关的肌电图和脑电图信号的脑机一体化方法。

除了上述方法外，很少有文献提出BCIs中混合传感器融合的概念设计，在这些设计中，不仅要结合EEG和EMG信号，还要结合其他输入，如简单开关和运动传感器的信号，以提高信息传输速率、可用性和可靠性等。在这些方法中，混合BCI应该根据用户的偏好和/或可用性来决定输入通道，或融合通道的组合，提供辅助技术系统中最可靠的信号。 虽然这不是一个简单的生物机器人应用，但有趣的是，我们讨论了一项研究，该研究报告了一种基于P300的脑机接口的混合控制，用于严重残疾的终端用户的通信。本研究的主要目的是评估使用肌电图（EMG）和来自EEG信号的P300特征来控制辅助技术软件的混合BCI接口。用8个脑电通道（按10-20系统）和2个肌电电极分别测量EEG和EMG信号。

表 报告定量绩效结果的研究比较

实验由六名健康受试者和一名严重运动障碍的最终使用者进行。在实验过程中，参与者被要求在两种情况下使用该系统在线拼写三个预定义的单词（21个字符），即：无混合任务和混合任务。 在非混合任务中，该方法只使用BCI控制，而在混合任务中使用EMG控制信号来消除拼写任务中的错误。最后，使用三个指标评估了混合BCI方法的效率：时间、错误百分比和用户挫败程度。如所示结果所示，混合BCI系统的效率高于非混合版本。对于健康受试者，三项测量结果均显示混合方法的得分显著低于非混合方法。此外，与非混合方法（时间34.8s和误差33.9%）相比，严重运动障碍的最终用户能够获得更低的时间平均值（19.13s）和百分比误差（19.3%）。 “ 嘘！悄悄插播一条小广告 ”

图1 BCIduino实物图

图2 BCIduino在普通嘈杂环境下、悬空状态的数据波形，可以观测到并无其他干扰出现

图3 OpenBCI在普通嘈杂环境下、悬空状态的数据波形（测量环境、测量时间、软件滤波器设置参数与图2BCIduino相同）

BCIduino 8通道脑电放大器具体参数如下：

输入阻抗：1TΩ

输入偏置电流：300pA

输入参考噪声：1μVpp

采样速率：250 Hz/500Hz

共模抑制比：-110dB

可调增益放大倍数：1、2、4、6、8、12、24

分辨率：24 位 ADC，精度最高可达 0.1μV

功耗：正常工作时 39mW，待机时低至仅 10μW

采用可充电锂电池供电，进一步降低来自外部的干扰

尺寸：50mm*50mm（实物测量，存在细微误差）

添加管理获取更多

本篇由BCIduino脑机接口开源社区整理或撰写。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫码加入社群，备注"BCI"，也欢迎采购BCIduino脑电模块（某宝搜索即可）