论文理解之面向脑驱动的仿人机器人：基于脑电的BCI异步直接控制

这篇文章还没有修改很完善，之后会再进行一些修改

原论文：Toward Brain-Actuated Humanoid Robots: Asynchronous Direct Control Using an EEG-Based BCI

论文链接：https://www.semanticscholar.org/paper/Toward-Brain-Actuated-Humanoid-Robots%3A-Asynchronous-Chae-Jeong/60163b54746ca38b2c7cc39938838612b68a4b54

作者：Yongwook Chae, Jaeseung Jeong, Sungho Jo

一、本文主要研究内容以及工作

通过对基于异步感觉运动节律的BCI系统的直接控制。介绍了一种新型人体导航系统。在一些之前的利用大脑驱动的机器人系统中，例如Bell等人提出非仿人机器人，尽管实验结果表明成功的实现了对仿人机器人的控制，但从可控性上来讲，由于依靠P300电位作为特征信号检测命令，控制能力受限于目标数量；从交流角度来讲，以同步的方法按照固定速率提高顺序提示，用户无法控制动作命令的时间，因此，信息传输速率不高，而且，同步BCI系统需要用户不断对顺序提示进行浓缩。本文采用的是基于感觉运动节律的主动BCI，这在直接和直观的界面设计的可用性和可控性方面有很大优势，并且不需要外部的刺激。经复杂的人类认知操作转化为人形动作，能够通过思考直接指挥机器人。

二、系统描述

四个关键特征：（a）低级命令使机器人以任意角度转向任何位置；（b）五种复杂的人形动作由三种有意识的心理状态控制；（c）主体使用异步协议控制机器人；（d）采用active system（有源系统）

三个子系统：（a）BCI系统；（b）接口系统；（c）人机界面控制系统。

系统结构图如下图所示：

三、实验方案

（1）离线训练

（2）信息的特征分量和两个分类器训练的选择

（3）在线测试

（4）检查实时准确性

重复（1）至（4）直至满足准确度标准

（5）实时仿人机器人导航控制实验

被试者要求：（a）年龄在20-28岁之间；（b）同一性别；（c）同一侧面（均为左手或均为右手）（d）没有任何精神病史；（e）没有做过BCI实验。所有参与者都签署了书面知情同意书。

系统共有四种心理状态，其中，非控制状态为“休息”。

离线训练期间，界面系统会有提示，表示四种心理状态之一，对于前四秒，屏幕上会有提示文字和实心圆向被试者通知开始，休息期之后，运动想象实验从三种运动想象状态中的一种开始，为了防止预测两次任务之间用2秒的空白屏幕隔开，受试者需要接受两天的实验，每天三次离线训练，每个运动想象任务的每个阶段包括20个实验。

在线反馈测试期间，界面系统使用淡出反馈规则显示目标提示和心理状态，前六秒，被试者保持“休息”，接下来的六秒，评估预期MI分类的表现，一次实验之后，使用3秒空白屏幕分隔。

（a）离线训练方案：在休息时段之后，要求对象想象静态提示所指示的运动图像。 （b）在线反馈测试协议：允许6秒用动态淡出反馈测试分类的性能。 （c）动态信道反馈用于确保对状态的分类

四、数据采集和分析

使用带有32通道的脑电帽，头顶部的电机为参考，Fz，FPz,F1,F2之间的额外电极作为地面，所有电极阻抗小于5kΩ，EEG以250Hz的采样频率进行数字化，使用55-65Hz的陷波滤波器消除60Hz交流噪声，使用1-100的带通滤波器滤波，通过拉普拉斯算法将原始数据转换为无参考形式，利用自回归算法分析来自九个通道的2秒钟记录的每个250ms观察段。

离线训练期间，共收集了32个具有288维度的特征向量，将这些特征向量用于选择信息特征组件并训练分类器。在线测试和实时控制会话期间，从选定的信息特征组件中对特征向量进行采样，并且这些特征向量用于产生运动命令的实时反馈和分类。

Fisher比率是对两个变量的（线性）区分[37]，[38]的度量，它也可以被认为是信号的信噪比。其计算方法如下：

μrest和σrest分别表示从“休息”状态开始的幅度特征集合的均值和方差，μMI和σMI分别表示均值和方差，Fisher比率为类间方差与类内方差[29]的比率。

对信号的分类，分级地使用有意活动分类器（IAC）和移动方向分类器（MDC）。 IAC将“休息”和MI状态分类。 如果信号被IAC解释为MI状态，则MDC通过结合使用二次判别分析（QDA）的三个判别函数对三种运动图像状态进行分类，将特定MI状态分类为“左手”，“右手”或“脚”状态。IAC是通过线性判别分析（LDA）构建的线性分类器，对于训练，IAC的负输出值表示“休息”类别，而IAC的正输出值表示MI类别。

为了找到平衡真阳性（TPs）和假阳性（FPs）的合适阈值，使用了逐样本ROC分析。 ROC曲线的两条轴线由真阳性率（TPR）和假阳性率（FPR）组成。 前者是敏感度的度量，而后者是选择性的度量。 这些数量定义如下：

其中nTP，nFN，nTN和nFP分别是TP的数量，假阴性，真阴性和FP结果。

训练好的LDA线性超平面表示为w0 + wT x = 0，其中w，w0和x分别为hy平面的斜率，超平面的y截距和采样数据。 在BCI系统中，IAC的阈值指定训练超平面的w0。 如下图所示，ROC曲线上方的点是从给定的阈值计算出来的。 在这项研究中，平衡点被认为是导致TPR值等于1 FPR的阈值，并且该点的阈值用于重新定义IAC阈值。

五、性能评估

在离线培训和在线测试中，ITR被用来评估BCI系统，该评估方法以比特率（每单位时间的信息量）量化通信系统的标准测量。 比特率将速度和准确度结合在一个单一的值中。 每分钟传递的信息比特数（ITR）计算如下：

其中Id是三种精神状态选择（N = 3）的比特率（比特/试验），p是准确度，fd是决策率（试验/分钟）。在离线训练中，p值是通过MDC的十倍交叉验证来估计的，它给出了正确分类的试验与每个受试者进行的总试验的比率。 fd设定为15（决策/分钟）。 对于在线测试，p为正确匹配试验（即，从反馈规则产生正确的动作命令的试验）与试验总数的比率（即每MI任务15次试验）。 根据下面的公式从测得的响应：

六、实验结果

所有受试者对于“左手”，“右手”和“脚”图像任务的Fisher比率的频率分布如下图。 （a）左手 （b）右手 （c）脚

特征选择结果如下表：

IAC对所有受试者的平均判别值（实线）和经调整的阈值（虚线）如下图，灰色矩形区域表示NC和MI的信息时间段：

离线训练结果如下表：

在线测试结果如下表：

我们的系统的优点是，决策仅基于感知信息，而不会假设情况。这种依赖于姿势的控制体系结构有利于执行各种运动。所提出的控制体系结构能够转动任何角度。所提出的系统由BCI系统，接口系统和控制系统组成。有两个主要优势：在遥控操作中，受控对象（人形机器人）可以在远离主体的情况下进行操作；系统的划分适合于实现实时操作。 分别处理每个子系统使得每个子系统都不易受到延迟的影响。