本文介绍了一种基于脑-机接口的无线智能机器人控制系统,旨在利用瘫痪患者的脑电图信号控制服务机器人,从而提升他们的生活自理能力。该系统通过捕捉想象左右手运动时产生的脑电信号,经由小波包分解提取特征向量,并利用基于欧式距离的模式识别算法来生成机器人运动控制信号。信号通过LabVIEW软件发送到单片机,单片机对信号进行红外编码后再传输给智能机器人,指导其运动。
1. 脑电采集电路子系统:
此子系统负责收集用户大脑产生的脑电信号。这些信号由用户想象左右手运动时产生,反映了大脑神经活动的特定模式。
2. 上位机子系统:
基于LabVIEW的上位机系统用于特征提取、模式识别和提供用户反馈界面。它使用小波包分解技术对收集到的脑电信号进行分析,以识别出特定的运动意图模式。
- 小波包分解:这是一种多分辨率分析方法,能够将不同尺度的频率成分进行细分,以更好地捕捉脑电信号中的关键特征。
2.1 基于欧拉距离的模式识别:
欧拉距离是一种衡量两个向量之间差异的简单方法。在此应用中,它用于比较测试向量与训练向量组的相似性,以确定最接近的匹配,从而识别出用户的运动意图。
2.2 模式识别实验结果:
实验中,db4和sym2小波包分解被用于特征提取。db4的识别率更高(71.43%),而sym2的识别率为68.57%。因此,db4小波包分解被选为最优特征提取方法。
3. 下位机控制子系统:
基于PIC18f14k50单片机的下位机负责接收来自LabVIEW的控制信号,对其进行红外编码后传递给智能机器人,从而控制机器人的运动方向。
4. 特征提取的层次选择:
实验对比了4、5、6层小波包分解的效果。虽然理论上层数增加能提供更精确的频段,但在实践中,4层分解得到84.1%的识别率,6层分解得到87.3%,表明在一定范围内,增加分解层数可以提升识别性能。
通过这种方式,该系统不仅提高了脑-机接口的实用性,还为瘫痪患者提供了一种创新的康复和生活辅助工具。然而,为了实现更稳定的控制效果,未来的研究可能需要进一步优化特征提取和模式识别算法,以提高识别率和系统的整体性能。