基于脑电与上肢运动信息融合的助行机器人运动控制信息表征方法研究

To assist people suffered with paralysis of both lower limbs to stand up and walk, electroencephalograph and arm swing information were integrated to represent the neural motor control signal, to interact with wearable walking-assistive exoskeleton robot. The out-of –phase mapping model between the arm swing and human bipedal walking was constructed based on healthy adults, then for disabled people, the gait information of lower limbs can be reconstructed. Combined with intent and coordination information contained in EEG, a real-time representation of neural motor control signal is achieved, which propose a new way to interact with walking assistive exoskeleton.

本项目针对下肢残障人群恢复运动能力、站立行走的需求，研究开展融合上肢摆臂姿态和脑电信息实时识别下肢运动信号，控制助行机器人帮助双下肢瘫痪者实现站立行走、自如拐弯等。首先，建立正常行走时上-下肢姿态映射模型基础上，通过上肢摆臂姿态重构下肢步态；其次，研究运动想象时大脑对肢体的运动调控信息，建立脑电与典型运动模式的对应模型；然后，研究神经系统的运动控制信息在脑电信号以及身体姿态信号中的特征表现以及信息整合；最后，搭建助行机器人实验平台，验证运动表征方法，改进融合模型参数。本课题为下肢残障人群控制助行设备提供一种快速准确自主地运动控制方法。

针对下肢瘫痪者恢复运动能力、站立行走的需求，围绕双足行走过程中上下肢姿态之间的反相性映射关系以及大脑中的运动准备及运动决策等运动意图信息，研究行走时肢体之间的协调及映射，同步采集上、下肢姿态信息，建立肢体姿态映射模型，并通过肩关节信号预测膝关节信号,基于RMSE选择多项式模型阶数为5阶，拟合R-squared值达到0.97，通过下肢运动信息识别步速达到90%准确率；设计左右停三分类运动想象范式，采集64导脑电信号，提取运动意图相关特征，基于小样本训练实现达到85%左右识别率，单次实验运动启动意图解码达到80%以上；搭建主控平台，采用分级控制，脑电信号负责运动启动信号，姿态信号负责运动程度三个量级区分，采集脑电与姿态信息，基于脑电信号解码意图起始，基于姿态信号解码运动程度，受试者产生运动想象的自发脑电信号和上肢肘关节的姿态信号中提取运动意图信号，主控系统将整合的意图信号翻译成外部机器人系统的控制触发信号。这样，通过提取脑信号和姿态信息中的运动信息特征, 快速识别运动信号，从而为外部机器人提供基于人体信号的控制。