腦控輪椅（BCW）是腦-機接口技術的重要應用之一，目前研究表明，模擬控制訓練對 BCW 應用具有重要意義。為了在保證安全的情況下提高使用者的 BCW 控制能力，達到促進 BCW 應用的目的，本文基于穩態視覺誘發電位搭建了 BCW 室內模擬訓練系統。該系統包括視覺刺激范式設計與實現、腦電信號采集與處理、室內模擬環境建模、路徑規劃和模擬輪椅控制等。為測試該系統性能，本研究設計了三種室內路徑控制任務，共招募 10 名受試者進行為期 5 d 的訓練試驗。比較訓練試驗前后結果發現，受試者完成任務一、任務二和任務三時，所用平均命令個數分別下降 29.5%、21.4%、25.4%（P < 0.001），整體所用命令個數平均下降 25.4%（P < 0.001）。試驗結果表明，通過本文搭建的室內模擬訓練系統對受試者進行訓練，能夠在一定程度上提高受試者對 BCW 控制的熟練度和操控效率，證明了本文系統的實用性，為促進 BCW 室內應用提供了一個有效的輔助方法。
引用本文： 王金海, 王康寧, 陳小剛, 王慧泉, 徐圣普, 劉明. 基于穩態視覺誘發電位的腦控輪椅室內模擬訓練系統. 生物醫學工程學雜志, 2020, 37(3): 502-511. doi: 10.7507/1001-5515.201906025 復制
引言
腦-機接口（brain-computer interface，BCI）能夠在人腦與外部環境之間建立一種直接的交流與控制通路，是一種全新的不依賴于外周神經和肌肉組織的人機交互系統[1]。腦控輪椅（brain-controlled wheelchair，BCW）作為 BCI 的重要應用之一，通過對使用者腦部信號進行編解碼實現輪椅控制，使重度運動功能障礙類患者實現自主移動成為可能。目前，常用的 BCW 系統包括：基于事件相關去同步/同步（event-related desynchronization/synchronization，ERD/ERS）電位的 BCW[2-3]、基于 P300 電位（一種由外界刺激誘發的事件相關電位）的 BCW[4-5]、基于穩態視覺誘發電位（steady-state visual evoked potentials，SSVEP）的 BCW[6-7]以及混合態（hybrid）BCW[8-9]等。其中，基于 SSVEP 的 BCW 因為具有信息傳輸速率高、控制命令多且準確率高等優點，受到了研究者的廣泛關注[10]。隨著研究的深入，為了驗證和測試 BCW 的可行性和性能，部分研究者設計搭建了模擬 BCW 系統。2007 年，Leeb 等[11]首次證明了四肢癱瘓患者可以通過運動想象（motor imagery，MI）控制虛擬輪椅運動。之后，Gentiletti 等[12]基于 P300 設計了一套 BCI 虛擬控制平臺，并通過輪椅控制驗證了系統的可行性。Huang 等[13]基于 MI 實現了二維虛擬輪椅控制，5 名受試者控制輪椅到達目的地的成功率平均為 98.4%。Long 等[8]采用 MI 和 P300 結合的混合態 BCI 實現了對虛擬和真實輪椅的運動方向和速度的控制。Velasco-álvarez 等[14]通過聽覺 MI 實現了對虛擬和真實環境下的輪椅控制，滿足了視覺受損人群的控制需要。Herweg 等[15]搭建虛擬環境驗證了年邁受試者基于體覺 P300 控制輪椅的可行性。
目前，BCW 研究的一個重要方向是提高實用性[9]。為達到這一目的，一方面需要通過改進分類算法或引入智能技術（自動導航等）提高 BCW 的性能[4-5, 7, 9]；另一方面需要保證使用者具備足夠的 BCW 控制能力，而使用者的控制能力在一定程度上決定了 BCW 能否快速安全地到達目的地。對于剛剛接觸 BCW 的運動功能障礙類患者而言，其實際控制能力很難達到 BCW 應用要求。因此，設計有效的系統來提高使用者的 BCW 控制能力，使其熟練高效地發出正確命令具有重要意義。已有文獻表明，訓練可以提高運動功能障礙類患者在 BCI 應用中的表現（準確率、信號幅值、信噪比等）[16-18]。同樣，訓練對于 BCW 的使用者學習和有效掌握輪椅的控制技能也具有重要作用。但是，在真實環境中進行大量 BCW 控制訓練會對使用者身體造成較大負擔，且存在一定的安全風險[11-12]。相比之下，模擬環境訓練不僅安全、低消耗、場景豐富，而且不限制 BCW 類型[10]。運動功能障礙類患者可以在模擬環境中進行運動學習和任務訓練并將學習到的技能應用在現實生活中[19-20]，某些情況下甚至可以應用到其他未經訓練的任務中并產生較好的表現[21-22]。所以，本文基于 SSVEP、室內環境建模、路徑規劃和模擬輪椅控制等搭建了 BCW 室內模擬訓練系統。相較于其他模擬系統，本系統首次針對室內家庭環境進行建模并用于 BCW 的控制訓練。經過本系統的訓練，使用者的 BCW 控制熟練度和效率可以實現一定程度的提高，促進了 BCW 在室內環境中的應用。
1 材料與方法
模擬訓練系統主要包括：視覺刺激范式設計與實現、信號采集與預處理、特征提取與分類識別、室內模擬環境建模和模擬輪椅控制等。系統框圖如圖 1 所示，以室內家居環境為原型建立模擬訓練環境，采集并分析使用者的視覺刺激響應腦電圖（electroencephalogram，EEG）信號，得到控制命令，根據命令控制模擬環境中輪椅的運動以實現 BCW 的控制訓練。
圖1
模擬訓練系統框圖
Figure1.
The block diagram of the simulation training system
1.1 視覺刺激范式
SSVEP 是在頻率高于 4 Hz 的閃爍刺激下大腦視覺皮層產生的電活動[23]。系統使用 12.1 英寸液晶屏（HC1202A，深圳市華彩視訊科技有限公司，中國）進行刺激呈現，分辨率為 1 280 × 800 像素。視覺刺激范式實現采用具有較高頻率分辨率的采樣正弦編碼方法（sampled sinusoidal stimulation method），該方法能夠實現任何相位以及屏幕刷新率一半以下的任何頻率的刺激[24]。刺激范式的屏幕亮度序列 s（f，Φ，k），如式（1）所示[24]：
 |
式中，f 和 Φ 分別為刺激頻率和相位；參數 k 為幀索引；sin（）為正弦函數；fr 為屏幕刷新率（60 Hz）。本研究中相位 Φ 均設置為零。相較于中頻（15～30 Hz）和高頻（大于 30 Hz）刺激，低頻刺激（小于 15 Hz）可以誘發更強的 SSVEP 響應[25]，所以本文選取刺激閃爍塊的刺激頻率為 8、9、10、11、12 Hz，對應控制命令分別為停止、后退、左轉、前進和右轉。系統的刺激界面如圖 1 中視覺刺激部分所示，各刺激閃爍塊的大小均為 150 × 150 像素，任意兩相鄰的閃爍塊（中心位置）之間的水平距離和垂直距離均為 250 像素。
1.2 信號采集與預處理
本系統采用 NeuSen W 無線 EEG 信號采集裝置（博睿康科技（常州）股份有限公司，中國）采集 EEG 信號，該裝置包含 EEG 信號放大器、16 導 EEG 信號采集帽和多參數同步器。按照 10-20 國際標準系統電極放置法，放置 O1、Oz、O2、PO3、POz、PO4 共 6 個記錄電極（阻抗小于 10 kΩ），以 Cz 為參考電極，FPz 和 Fz 的中點為地電極采集 EEG 信號。同時對信號進行預處理，具體包括對信號進行 250 Hz 的降采樣，1～100 Hz 帶通濾波以及 50 Hz 的陷波處理，并通過同步器截取刺激響應信號段進行分析。
1.3 特征提取及分類識別
采用濾波器組典型相關分析算法（filter bank canonical correlation analysis，FBCCA）對 EEG 信號進行特征提取與分類識別，該方法對典型相關分析（canonical correlation analysis，CCA）算法進行了改進，有效地利用了 SSVEP 信號的基波和諧波成分，可以顯著提高 SSVEP 信號的頻率識別準確率[26]。同時，FBCCA 算法在保證檢測效果的情況下具有較低的計算復雜度和較強的通用性，且易于實現，滿足本系統的 SSVEP 頻率檢測需要。
CCA 算法于 2007 年首次應用在 SSVEP 信號的頻率識別中[27]。在標準 CCA 算法中，兩組數據 X 和 Y 相關性最大時對應的獨立線性組合記為典型變量 x 和 y，如式（2）所示：
 |
式中，m 和 l 分別為 X 和 Y 的維數，WX 和 WY 為系數向量。x 與 y 之間的相關系數 ρ 如式（3）所示：
 |
通過式（3）計算 EEG 信號與各刺激頻率參考信號之間的相關系數，最大相關系數對應的參考信號頻率即為 SSVEP 刺激頻率。其中刺激頻率 f 對應的參考信號 yf 如式（4）所示：
 |
式中，Nh 為諧波個數，fs 為采樣率，Ns 為采樣點數。
FBCCA 算法首先通過帶通濾波器將 EEG 信號分解為多個子帶信號，然后利用 CCA 算法進行頻率識別[28]。EEG 信號 XEEG 通過濾波器組分解為 N 個子帶信號 
（i = 1，
，N），所有子帶信號 
分別與參考信號 yf 做典型相關性分析，得到由 N 個最大子相關系數 ρi 組成的相關系數向量 ρf 如式（5）所示：
 |
式中，ρmax（）由式（3）求得。將 ρf 中各子相關系數 ρi 平方加權并求和得到總相關系數 
如式（6）所示：
 |
式中，a 和 b 為常數。以此類推，得到 XEEG 與各刺激頻率參考信號 yf 的總相關系數 
。記最大 
對應的參考信號頻率為 SSVEP 刺激頻率。這里，根據 Chen 等[26]的經驗取 Nh = 5，N = 7，a = 1.25，b = 0.25。
1.4 模擬環境建模與輪椅控制
普通家居環境（面積約為 12 m × 12 m）和模擬環境的示意圖如圖 2 所示。系統基于柵格法對家居環境進行建模，構建了二維柵格模擬環境（grid map），其單位柵格邊長對應真實家居環境中的 0.4 m 長度。模擬環境中定義 BCW 為具有方向和體積的可移動物體，墻、書桌、茶幾等為障礙物。若障礙物位于某一柵格上定義其為不可通過的障礙柵格，接觸將發生碰撞；反之則為可通過的自由柵格。
圖2
家居環境及模擬環境示意圖
Figure2.
The schematic diagrams of home environment and simulation environment
為了實現訓練目的，設置模擬 BCW 的運動模式為單步行進（step-by-step）。以模擬環境左下角為原點（0，0），水平方向為 x 軸，豎直方向為 y 軸建立直角坐標系。以 BCW 的中心為矢量點（xn，yn，θn）建立模擬運動學方程如式（7）所示：
 |
式中，定義輪椅方向角為 θn，坐標位置為（xn，yn），n 為操作命令迭代次數，dθ 為轉角方向標志，ds 為運動方向標志，lx 和 ly 為橫縱軸單步行進距離，θr 為輪椅轉角大小。輪椅起始點對應的方向角為 θ0，坐標位置為（x0，y0）。設置左右轉命令僅改變輪椅方向，左轉 dθ = 1，右轉 dθ = -1；前進后退命令僅改變輪椅位置，前進 ds = 1，后退 ds = -1；停止命令不改變輪椅運動狀態。為了控制簡便，設置 θr 為 π/4，可實現八個方向角（0，π/4，π/2，
，7π/4）的運動；當 θn-1 為 θr 的偶數倍時 lx 和 ly 均為單位柵格邊長，奇數倍時 lx 和 ly 均為柵格對角線長度。
1.5 模擬路徑規劃
為了更加合理地設計路徑和直觀準確地分析試驗結果，采用 A*算法（靜態路網中求解最短路徑最有效的直接搜索方法）并進行適當地拓展以實現起始點與終點間的路徑規劃，獲得經過中間目標點的近似最優路徑[29]，從而計算出近似最優命令個數和時間。由此可以在設計任務過程中掌握任務的可能路徑和命令個數等信息，進而調整任務難度和受試者工作量。在試驗結果分析時，以近似最優命令個數和時間為衡量受試者試驗表現和訓練效果的參考標準，表示受試者試驗結果所能達到的最優水平。需要說明的是，近似最優路徑僅用于前期任務設計和后期結果分析中，在試驗過程中并未給出。拓展后的 A*算法流程圖如圖 3 所示。
圖3
A*算法流程圖
Figure3.
Flow chart of A* algorithm
1.6 試驗方法
1.6.1 試驗受試者及刺激時序
10 名志愿者（7 名男性和 3 名女性）參與模擬訓練試驗，隨機編號為 S1～S10，年齡介于 21～26 歲之間。所有受試者視力或矯正視力正常，身體健康，均為自愿參加本試驗并簽署了試驗知情同意書。試驗已通過中國康復研究中心醫學倫理委員會批準，并同意在中國醫學科學院生物醫學工程研究所進行研究。本試驗在普通實驗室內進行。
為了保證充足的觀察時間，設置系統命令傳輸速率為 4 s/個。SSVEP 刺激時序如圖 4 所示：① 0.5 s 提示音：提醒受試者閃爍刺激即將開始，將視線切換至刺激界面；② 2 s 刺激：刺激閃爍塊持續閃爍 2 s，受試者根據控制需要將注意力集中在一個閃爍塊上；③ 1.5 s 分析執行：分析運動意圖并執行，受試者同時將視線切換至模擬環境界面以判斷下一步運動狀態。
圖4
SSVEP 刺激時序圖
Figure4.
Sequence diagram of SSVEP stimulation
1.6.2 模擬訓練試驗
為了滿足使用者在日常生活中的 BCW 控制需要和操作命令的訓練需要，在模擬環境中的臥室、客廳、衛生間等位置設置了一些目標點，表示使用者在日常生活中需要控制 BCW 到達的地方，并設計了相應的控制路線。試驗中各任務示意路線如圖 5 所示。其中，各任務控制路線的起點均位于其臥室中的目標點 1 位置。為了滿足娛樂和學習需要，在試驗中設計了任務一控制路線，如圖 5 中任務示意路線的黑色路線所示，該路線主要經過中間目標點 2（客廳）和終點 3（書房）。為了滿足飲食需要，在試驗中設計了任務二控制路線，如圖 5 中任務示意路線的紅色路線所示，該路線主要經過中間目標點 4（廚房）和終點 5（餐廳）。為了滿足身體代謝及清洗需要，在試驗中設計了任務三控制路線，如圖 5 中任務示意路線的紫色路線所示，該路線主要經過中間目標點 6（主臥）和終點 7（衛生間）。試驗場景如圖 5 所示，受試者與視覺刺激界面和模擬環境界面之間的距離均約為 0.5 m。
圖5
試驗任務路線和試驗場景
Figure5.
Schematic diagram of the experimental task path and experimental scenario
每位受試者均進行 3 次相同訓練試驗，依次編號為 E1～E3，各試驗之間間隔約 48 h。單次試驗各任務均訓練 3 次，共計 9 個訓練組塊（block），各組塊之間休息 3 min。任務要求受試者快速安全地控制輪椅從起點出發，途經中間目標點到達終點。同時在各受試者第一次訓練試驗前進行 5 min 校準，調整用來判斷受試者所處狀態（控制狀態或空閑狀態）的相關系數的閾值。在校準期間，“stop”命令（停止命令）對應的閃爍塊進行 50 次閃爍刺激，受試者需注視其中的 25 次，另外 25 次則處于空閑狀態（未注視）。利用 FBCCA 算法分析校準期間的 EEG 信號與 8 Hz 參考信號之間相關系數，求得 25 次注視和 25 次未注視情況下的相關系數的平均值，對兩種情況下的平均相關系數值進一步取平均得到閾值。
單次訓練組塊流程如圖 6 所示。系統初始處于空閑模式，受試者需啟動系統進入控制模式，控制模擬 BCW 運動到中間目標點后切換為空閑模式，1 min 后再次啟動進入控制模式，控制 BCW 運動至終點并進入空閑模式，單次訓練組塊結束。為了保證對受試者所處狀態判斷的準確性，利用連續三次“stop”命令判斷原則實現控制狀態和空閑狀態的區分，即連續三次觸發“stop”命令后系統進行一次狀態（模式）切換，否則將分析到的命令記為無效命令。其中，當分析結果為“stop”命令且其對應的最大相關系數大于或等于閾值時，記為一次觸發，同時將停止命令發送給模擬輪椅。在控制模式下，刺激界面中的 5 個閃爍塊均進行閃爍刺激，受試者根據控制需要將注意力集中在某一個閃爍塊上以發出對應命令控制輪椅運動狀態。在 1 min 空閑模式下，刺激界面中僅 8 Hz 的“stop”閃爍塊進行閃爍，系統不進行指令輸出，BCW 停在當前位置；受試者無需注視刺激界面，可以進行眺望、聊天等活動。試驗中出現模式誤切換記為誤啟動，需要切換回上一模式繼續進行。
圖6
單次訓練組塊流程示意圖
Figure6.
Schematic diagram of a single training block
任務近似最優命令個數的設置需要在避免受試者疲勞的情況下保證工作量。考慮到各任務訓練 3 次，將近似最優命令個數設置在 80 左右（控制命令 53 個左右，狀態切換命令 12 個，空閑狀態的“未檢測到命令”15 個），對應時間 320 s 左右[6, 9]。調整各任務目標點的位置時，利用 A*算法規劃路徑得到近似最優路徑。根據近似最優路徑并結合輪椅運動學方程可以求得在理想情況（無錯誤命令發生）下，受試者完成該路徑任務所用的命令個數，將其記為近似最優命令個數。最后，確定各點位置如圖 5 所示，任務一、任務二和任務三中近似最優命令個數分別為 78、83、75，近似最優完成時間為 312、332、300 s（命令周期為 4 s）。
1.6.3 統計學分析
為了準確地比較訓練前后樣本之間的統計差異，采用配對樣本 t 檢驗（paired-sample t-test）方法進行差異統計學意義分析，P < 0.05 表示差異具有統計學意義。
2 結果
模擬訓練試驗主要指標結果如表 1 所示。其中，碰撞次數、誤啟動次數、無效命令個數均為各受試者該任務 9 個訓練組塊（block）結果的總和。時間優化率（time optimality ratio）為任務實際完成時間與近似最優完成時間之比[30]。平均 340～450 s 的用時和 85～110 個的命令數與預期設計基本相符，保證了受試者訓練的工作量。另一方面，平均 0.03 次/block 的誤啟動次數和 1.80 個/block 的無效命令個數驗證了系統的良好控制性能。平均 0.21 次/block 的碰撞次數和 1.23 的時間優化率等反映了受試者的良好控制表現，間接驗證了系統的控制可行性。
表1
模擬訓練試驗結果
Table1.
The results of the simulation training experiment
在單步行進模式下，受試者訓練前后完成任務所用命令個數的差異能夠準確反映訓練效果。任務一、任務二和任務三中各受試者所用平均命令個數分布如圖 7 所示。由圖 7 可知，所有受試者任務一、任務二和任務三的平均命令個數隨著訓練整體呈現遞減趨勢，逐漸逼近近似最優命令個數。總體來看，受試者 E3 的平均命令數［（87.91 ± 5.50）個］相比于 E1 的結果［（107.88 ± 10.91）個］約降低了 19.97 個（P < 0.001），占近似最優命令個數平均值（78.67 個）的 25.4%。任務一中，所有受試者 E3 的平均命令數［（88.77 ± 4.72）個］相比于 E1 的結果［（111.80 ± 11.24）個］約降低了 23.03 個（P < 0.001）；任務二中，E3 的平均命令數［（91.93 ± 4.20）個］相比于 E1 的結果［（109.73 ± 10.53）個］約降低了 17.80 個（P < 0.001）；任務三中，E3 的平均命令數［（83.03 ± 3.48）個］相比于 E1 的結果［（102.10 ± 9.41）個］約降低了 19.07 個（P < 0.001）。由上，任務一、任務二和任務三中平均命令數占比近似最優命令數，分別下降了 29.5%、21.4% 和 25.4%。
圖7
各任務平均命令個數分布
Figure7.
Distribution of the average number of commands for each task
E1、E2 和 E3 中各受試者所有任務的平均命令數如表 2 所示。由表 2 可知，所有受試者 E3 的平均命令數相較于 E1 的結果均有一定程度的下降。其中 S9 下降最明顯，E3 的平均命令數［（83.78 ± 4.41）個］相比于 E1 的結果［（115.78 ± 10.30）個］約降低了 32 個，占近似最優命令個數平均值（78.67 個）的 40.7%。下降幅度最小的是 S4，其 E3 的平均命令數［（89.22 ± 5.24）個］相比于 E1 的結果［（98.78 ± 10.40）個］約降低了 9.56 個，占近似最優命令數平均值的 12.2%。
表2
E1、E2 和 E3 的平均命令個數表（
）
Table2.
The average number of commands for E1，E2，and E3（
）
單次訓練試驗結束后要求受試者填寫問卷，該問卷采用的是美國航空航天局任務負荷指數（National Aeronautics and Space Administration-task load index，NASA-TLX）量表，同時剔除了本試驗問卷不需要的兩個評價指標（任務績效和努力程度）。對于每一個評價指標，計算所有受試者評分的平均值，將綜合結果記為平均分對應的等級，等級依次分為高（80～100 分）、較高（60～80 分）、中等（40～60 分）、較低（20～40 分）、低（0～20 分），綜合結果如表 3 所示。由表 3 可得，本試驗的腦力需求和身體負擔處于較低水平，時間需求適中，任務困難程度適中。受試者完成試驗的工作量（workload）處在合理水平[4]。
表3
模擬訓練試驗問卷綜合結果
Table3.
The comprehensive results of the questionnaire in the simulation training experiment
3 討論與結論
在實際使用 BCW 之前安全地對使用者進行控制訓練具有十分重要的意義。本文從這一角度出發，搭建了基于 SSVEP 的 BCW 室內模擬訓練系統，用于對使用者進行控制訓練，以提高其 BCW 控制的熟練度和操控效率。為了驗證本系統的可行性，招募 10 名受試者進行 3 次訓練試驗。每次試驗受試者需完成三種控制任務，并在控制過程中完成控制模式和空閑模式的切換。從命令角度出發，受試者需要利用前進、后退、左轉、右轉和停止命令控制模擬輪椅完成任務；從任務角度出發，各任務可以分解為不同的子任務，包括：直線行駛、轉彎、避障等。所以，完成訓練試驗后，受試者能夠熟練地發出正確的控制命令，并能夠應對不同的“路況”和任務場景。在系統性能方面，較低的誤啟動次數和較少的無效命令個數等結果驗證了系統的良好控制精度（如表 1 所示），表明受試者可以較準確快速地進行狀態切換和控制。在訓練效果方面，以近似最優命令數為參考，受試者 E3 所用的平均命令數相較于 E1 的結果下降了 25.4%（P < 0.001），完成任務一、任務二和任務三所用的平均命令數分別下降了 29.5%、21.4% 和 25.4%（P < 0.001）（如圖 7 所示）。其中，受試者 S2、S8、S9 和 S10 所用平均命令數的下降幅度均超過 30%，剩余受試者該指標的下降幅度均超過 12%（如表 2 所示）。試驗結果表明了 10 名受試者訓練之后的 BCW 控制熟練度和操控效率均有一定程度的提高，證明了系統的可行性，可為 BCW 應用提供輔助。
此外，在利用改進 CCA 方法對 SSVEP 的頻率進行檢測時，基于個體模板的 CCA 方法一定程度上優于基于正弦-余弦參考信號的標準 CCA 方法。所以，下一步本研究將在 FBCCA 算法的基礎上構建個體模板，以進一步提高頻率檢測準確率。同時，為了進一步驗證系統的訓練效果，下一步研究將對部分運動功能障礙類患者進行模擬訓練試驗并設計新的測試任務，在完成 5 d 的訓練試驗后，對新任務進行測試。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
腦-機接口（brain-computer interface，BCI）能夠在人腦與外部環境之間建立一種直接的交流與控制通路，是一種全新的不依賴于外周神經和肌肉組織的人機交互系統[1]。腦控輪椅（brain-controlled wheelchair，BCW）作為 BCI 的重要應用之一，通過對使用者腦部信號進行編解碼實現輪椅控制，使重度運動功能障礙類患者實現自主移動成為可能。目前，常用的 BCW 系統包括：基于事件相關去同步/同步（event-related desynchronization/synchronization，ERD/ERS）電位的 BCW[2-3]、基于 P300 電位（一種由外界刺激誘發的事件相關電位）的 BCW[4-5]、基于穩態視覺誘發電位（steady-state visual evoked potentials，SSVEP）的 BCW[6-7]以及混合態（hybrid）BCW[8-9]等。其中，基于 SSVEP 的 BCW 因為具有信息傳輸速率高、控制命令多且準確率高等優點，受到了研究者的廣泛關注[10]。隨著研究的深入，為了驗證和測試 BCW 的可行性和性能，部分研究者設計搭建了模擬 BCW 系統。2007 年，Leeb 等[11]首次證明了四肢癱瘓患者可以通過運動想象（motor imagery，MI）控制虛擬輪椅運動。之后，Gentiletti 等[12]基于 P300 設計了一套 BCI 虛擬控制平臺，并通過輪椅控制驗證了系統的可行性。Huang 等[13]基于 MI 實現了二維虛擬輪椅控制，5 名受試者控制輪椅到達目的地的成功率平均為 98.4%。Long 等[8]采用 MI 和 P300 結合的混合態 BCI 實現了對虛擬和真實輪椅的運動方向和速度的控制。Velasco-álvarez 等[14]通過聽覺 MI 實現了對虛擬和真實環境下的輪椅控制，滿足了視覺受損人群的控制需要。Herweg 等[15]搭建虛擬環境驗證了年邁受試者基于體覺 P300 控制輪椅的可行性。
目前，BCW 研究的一個重要方向是提高實用性[9]。為達到這一目的，一方面需要通過改進分類算法或引入智能技術（自動導航等）提高 BCW 的性能[4-5, 7, 9]；另一方面需要保證使用者具備足夠的 BCW 控制能力，而使用者的控制能力在一定程度上決定了 BCW 能否快速安全地到達目的地。對于剛剛接觸 BCW 的運動功能障礙類患者而言，其實際控制能力很難達到 BCW 應用要求。因此，設計有效的系統來提高使用者的 BCW 控制能力，使其熟練高效地發出正確命令具有重要意義。已有文獻表明，訓練可以提高運動功能障礙類患者在 BCI 應用中的表現（準確率、信號幅值、信噪比等）[16-18]。同樣，訓練對于 BCW 的使用者學習和有效掌握輪椅的控制技能也具有重要作用。但是，在真實環境中進行大量 BCW 控制訓練會對使用者身體造成較大負擔，且存在一定的安全風險[11-12]。相比之下，模擬環境訓練不僅安全、低消耗、場景豐富，而且不限制 BCW 類型[10]。運動功能障礙類患者可以在模擬環境中進行運動學習和任務訓練并將學習到的技能應用在現實生活中[19-20]，某些情況下甚至可以應用到其他未經訓練的任務中并產生較好的表現[21-22]。所以，本文基于 SSVEP、室內環境建模、路徑規劃和模擬輪椅控制等搭建了 BCW 室內模擬訓練系統。相較于其他模擬系統，本系統首次針對室內家庭環境進行建模并用于 BCW 的控制訓練。經過本系統的訓練，使用者的 BCW 控制熟練度和效率可以實現一定程度的提高，促進了 BCW 在室內環境中的應用。
1 材料與方法
模擬訓練系統主要包括：視覺刺激范式設計與實現、信號采集與預處理、特征提取與分類識別、室內模擬環境建模和模擬輪椅控制等。系統框圖如圖 1 所示，以室內家居環境為原型建立模擬訓練環境，采集并分析使用者的視覺刺激響應腦電圖（electroencephalogram，EEG）信號，得到控制命令，根據命令控制模擬環境中輪椅的運動以實現 BCW 的控制訓練。
圖1
模擬訓練系統框圖
Figure1.
The block diagram of the simulation training system
1.1 視覺刺激范式
SSVEP 是在頻率高于 4 Hz 的閃爍刺激下大腦視覺皮層產生的電活動[23]。系統使用 12.1 英寸液晶屏（HC1202A，深圳市華彩視訊科技有限公司，中國）進行刺激呈現，分辨率為 1 280 × 800 像素。視覺刺激范式實現采用具有較高頻率分辨率的采樣正弦編碼方法（sampled sinusoidal stimulation method），該方法能夠實現任何相位以及屏幕刷新率一半以下的任何頻率的刺激[24]。刺激范式的屏幕亮度序列 s（f，Φ，k），如式（1）所示[24]：
|
式中，f 和 Φ 分別為刺激頻率和相位；參數 k 為幀索引；sin（）為正弦函數；fr 為屏幕刷新率（60 Hz）。本研究中相位 Φ 均設置為零。相較于中頻（15～30 Hz）和高頻（大于 30 Hz）刺激，低頻刺激（小于 15 Hz）可以誘發更強的 SSVEP 響應[25]，所以本文選取刺激閃爍塊的刺激頻率為 8、9、10、11、12 Hz，對應控制命令分別為停止、后退、左轉、前進和右轉。系統的刺激界面如圖 1 中視覺刺激部分所示，各刺激閃爍塊的大小均為 150 × 150 像素，任意兩相鄰的閃爍塊（中心位置）之間的水平距離和垂直距離均為 250 像素。
1.2 信號采集與預處理
本系統采用 NeuSen W 無線 EEG 信號采集裝置（博睿康科技（常州）股份有限公司，中國）采集 EEG 信號，該裝置包含 EEG 信號放大器、16 導 EEG 信號采集帽和多參數同步器。按照 10-20 國際標準系統電極放置法，放置 O1、Oz、O2、PO3、POz、PO4 共 6 個記錄電極（阻抗小于 10 kΩ），以 Cz 為參考電極，FPz 和 Fz 的中點為地電極采集 EEG 信號。同時對信號進行預處理，具體包括對信號進行 250 Hz 的降采樣，1～100 Hz 帶通濾波以及 50 Hz 的陷波處理，并通過同步器截取刺激響應信號段進行分析。
1.3 特征提取及分類識別
采用濾波器組典型相關分析算法（filter bank canonical correlation analysis，FBCCA）對 EEG 信號進行特征提取與分類識別，該方法對典型相關分析（canonical correlation analysis，CCA）算法進行了改進，有效地利用了 SSVEP 信號的基波和諧波成分，可以顯著提高 SSVEP 信號的頻率識別準確率[26]。同時，FBCCA 算法在保證檢測效果的情況下具有較低的計算復雜度和較強的通用性，且易于實現，滿足本系統的 SSVEP 頻率檢測需要。
CCA 算法于 2007 年首次應用在 SSVEP 信號的頻率識別中[27]。在標準 CCA 算法中，兩組數據 X 和 Y 相關性最大時對應的獨立線性組合記為典型變量 x 和 y，如式（2）所示：
|
式中，m 和 l 分別為 X 和 Y 的維數，WX 和 WY 為系數向量。x 與 y 之間的相關系數 ρ 如式（3）所示：
|
通過式（3）計算 EEG 信號與各刺激頻率參考信號之間的相關系數，最大相關系數對應的參考信號頻率即為 SSVEP 刺激頻率。其中刺激頻率 f 對應的參考信號 yf 如式（4）所示：
|
式中，Nh 為諧波個數，fs 為采樣率，Ns 為采樣點數。
FBCCA 算法首先通過帶通濾波器將 EEG 信號分解為多個子帶信號，然后利用 CCA 算法進行頻率識別[28]。EEG 信號 XEEG 通過濾波器組分解為 N 個子帶信號 （i = 1，，N），所有子帶信號 分別與參考信號 yf 做典型相關性分析，得到由 N 個最大子相關系數 ρi 組成的相關系數向量 ρf 如式（5）所示：
|
式中，ρmax（）由式（3）求得。將 ρf 中各子相關系數 ρi 平方加權并求和得到總相關系數 如式（6）所示：
|
式中，a 和 b 為常數。以此類推，得到 XEEG 與各刺激頻率參考信號 yf 的總相關系數 。記最大 對應的參考信號頻率為 SSVEP 刺激頻率。這里，根據 Chen 等[26]的經驗取 Nh = 5，N = 7，a = 1.25，b = 0.25。
1.4 模擬環境建模與輪椅控制
普通家居環境（面積約為 12 m × 12 m）和模擬環境的示意圖如圖 2 所示。系統基于柵格法對家居環境進行建模，構建了二維柵格模擬環境（grid map），其單位柵格邊長對應真實家居環境中的 0.4 m 長度。模擬環境中定義 BCW 為具有方向和體積的可移動物體，墻、書桌、茶幾等為障礙物。若障礙物位于某一柵格上定義其為不可通過的障礙柵格，接觸將發生碰撞；反之則為可通過的自由柵格。
圖2
家居環境及模擬環境示意圖
Figure2.
The schematic diagrams of home environment and simulation environment
為了實現訓練目的，設置模擬 BCW 的運動模式為單步行進（step-by-step）。以模擬環境左下角為原點（0，0），水平方向為 x 軸，豎直方向為 y 軸建立直角坐標系。以 BCW 的中心為矢量點（xn，yn，θn）建立模擬運動學方程如式（7）所示：
|
式中，定義輪椅方向角為 θn，坐標位置為（xn，yn），n 為操作命令迭代次數，dθ 為轉角方向標志，ds 為運動方向標志，lx 和 ly 為橫縱軸單步行進距離，θr 為輪椅轉角大小。輪椅起始點對應的方向角為 θ0，坐標位置為（x0，y0）。設置左右轉命令僅改變輪椅方向，左轉 dθ = 1，右轉 dθ = -1；前進后退命令僅改變輪椅位置，前進 ds = 1，后退 ds = -1；停止命令不改變輪椅運動狀態。為了控制簡便，設置 θr 為 π/4，可實現八個方向角（0，π/4，π/2，，7π/4）的運動；當 θn-1 為 θr 的偶數倍時 lx 和 ly 均為單位柵格邊長，奇數倍時 lx 和 ly 均為柵格對角線長度。
1.5 模擬路徑規劃
為了更加合理地設計路徑和直觀準確地分析試驗結果，采用 A*算法（靜態路網中求解最短路徑最有效的直接搜索方法）并進行適當地拓展以實現起始點與終點間的路徑規劃，獲得經過中間目標點的近似最優路徑[29]，從而計算出近似最優命令個數和時間。由此可以在設計任務過程中掌握任務的可能路徑和命令個數等信息，進而調整任務難度和受試者工作量。在試驗結果分析時，以近似最優命令個數和時間為衡量受試者試驗表現和訓練效果的參考標準，表示受試者試驗結果所能達到的最優水平。需要說明的是，近似最優路徑僅用于前期任務設計和后期結果分析中，在試驗過程中并未給出。拓展后的 A*算法流程圖如圖 3 所示。
圖3
A*算法流程圖
Figure3.
Flow chart of A* algorithm
1.6 試驗方法
1.6.1 試驗受試者及刺激時序
10 名志愿者（7 名男性和 3 名女性）參與模擬訓練試驗，隨機編號為 S1～S10，年齡介于 21～26 歲之間。所有受試者視力或矯正視力正常，身體健康，均為自愿參加本試驗并簽署了試驗知情同意書。試驗已通過中國康復研究中心醫學倫理委員會批準，并同意在中國醫學科學院生物醫學工程研究所進行研究。本試驗在普通實驗室內進行。
為了保證充足的觀察時間，設置系統命令傳輸速率為 4 s/個。SSVEP 刺激時序如圖 4 所示：① 0.5 s 提示音：提醒受試者閃爍刺激即將開始，將視線切換至刺激界面；② 2 s 刺激：刺激閃爍塊持續閃爍 2 s，受試者根據控制需要將注意力集中在一個閃爍塊上；③ 1.5 s 分析執行：分析運動意圖并執行，受試者同時將視線切換至模擬環境界面以判斷下一步運動狀態。
圖4
SSVEP 刺激時序圖
Figure4.
Sequence diagram of SSVEP stimulation
1.6.2 模擬訓練試驗
為了滿足使用者在日常生活中的 BCW 控制需要和操作命令的訓練需要，在模擬環境中的臥室、客廳、衛生間等位置設置了一些目標點，表示使用者在日常生活中需要控制 BCW 到達的地方，并設計了相應的控制路線。試驗中各任務示意路線如圖 5 所示。其中，各任務控制路線的起點均位于其臥室中的目標點 1 位置。為了滿足娛樂和學習需要，在試驗中設計了任務一控制路線，如圖 5 中任務示意路線的黑色路線所示，該路線主要經過中間目標點 2（客廳）和終點 3（書房）。為了滿足飲食需要，在試驗中設計了任務二控制路線，如圖 5 中任務示意路線的紅色路線所示，該路線主要經過中間目標點 4（廚房）和終點 5（餐廳）。為了滿足身體代謝及清洗需要，在試驗中設計了任務三控制路線，如圖 5 中任務示意路線的紫色路線所示，該路線主要經過中間目標點 6（主臥）和終點 7（衛生間）。試驗場景如圖 5 所示，受試者與視覺刺激界面和模擬環境界面之間的距離均約為 0.5 m。
圖5
試驗任務路線和試驗場景
Figure5.
Schematic diagram of the experimental task path and experimental scenario
每位受試者均進行 3 次相同訓練試驗，依次編號為 E1～E3，各試驗之間間隔約 48 h。單次試驗各任務均訓練 3 次，共計 9 個訓練組塊（block），各組塊之間休息 3 min。任務要求受試者快速安全地控制輪椅從起點出發，途經中間目標點到達終點。同時在各受試者第一次訓練試驗前進行 5 min 校準，調整用來判斷受試者所處狀態（控制狀態或空閑狀態）的相關系數的閾值。在校準期間，“stop”命令（停止命令）對應的閃爍塊進行 50 次閃爍刺激，受試者需注視其中的 25 次，另外 25 次則處于空閑狀態（未注視）。利用 FBCCA 算法分析校準期間的 EEG 信號與 8 Hz 參考信號之間相關系數，求得 25 次注視和 25 次未注視情況下的相關系數的平均值，對兩種情況下的平均相關系數值進一步取平均得到閾值。
單次訓練組塊流程如圖 6 所示。系統初始處于空閑模式，受試者需啟動系統進入控制模式，控制模擬 BCW 運動到中間目標點后切換為空閑模式，1 min 后再次啟動進入控制模式，控制 BCW 運動至終點并進入空閑模式，單次訓練組塊結束。為了保證對受試者所處狀態判斷的準確性，利用連續三次“stop”命令判斷原則實現控制狀態和空閑狀態的區分，即連續三次觸發“stop”命令后系統進行一次狀態（模式）切換，否則將分析到的命令記為無效命令。其中，當分析結果為“stop”命令且其對應的最大相關系數大于或等于閾值時，記為一次觸發，同時將停止命令發送給模擬輪椅。在控制模式下，刺激界面中的 5 個閃爍塊均進行閃爍刺激，受試者根據控制需要將注意力集中在某一個閃爍塊上以發出對應命令控制輪椅運動狀態。在 1 min 空閑模式下，刺激界面中僅 8 Hz 的“stop”閃爍塊進行閃爍，系統不進行指令輸出，BCW 停在當前位置；受試者無需注視刺激界面，可以進行眺望、聊天等活動。試驗中出現模式誤切換記為誤啟動，需要切換回上一模式繼續進行。
圖6
單次訓練組塊流程示意圖
Figure6.
Schematic diagram of a single training block
任務近似最優命令個數的設置需要在避免受試者疲勞的情況下保證工作量。考慮到各任務訓練 3 次，將近似最優命令個數設置在 80 左右（控制命令 53 個左右，狀態切換命令 12 個，空閑狀態的“未檢測到命令”15 個），對應時間 320 s 左右[6, 9]。調整各任務目標點的位置時，利用 A*算法規劃路徑得到近似最優路徑。根據近似最優路徑并結合輪椅運動學方程可以求得在理想情況（無錯誤命令發生）下，受試者完成該路徑任務所用的命令個數，將其記為近似最優命令個數。最后，確定各點位置如圖 5 所示，任務一、任務二和任務三中近似最優命令個數分別為 78、83、75，近似最優完成時間為 312、332、300 s（命令周期為 4 s）。
1.6.3 統計學分析
為了準確地比較訓練前后樣本之間的統計差異，采用配對樣本 t 檢驗（paired-sample t-test）方法進行差異統計學意義分析，P < 0.05 表示差異具有統計學意義。
2 結果
模擬訓練試驗主要指標結果如表 1 所示。其中，碰撞次數、誤啟動次數、無效命令個數均為各受試者該任務 9 個訓練組塊（block）結果的總和。時間優化率（time optimality ratio）為任務實際完成時間與近似最優完成時間之比[30]。平均 340～450 s 的用時和 85～110 個的命令數與預期設計基本相符，保證了受試者訓練的工作量。另一方面，平均 0.03 次/block 的誤啟動次數和 1.80 個/block 的無效命令個數驗證了系統的良好控制性能。平均 0.21 次/block 的碰撞次數和 1.23 的時間優化率等反映了受試者的良好控制表現，間接驗證了系統的控制可行性。
表1
模擬訓練試驗結果
Table1.
The results of the simulation training experiment
在單步行進模式下，受試者訓練前后完成任務所用命令個數的差異能夠準確反映訓練效果。任務一、任務二和任務三中各受試者所用平均命令個數分布如圖 7 所示。由圖 7 可知，所有受試者任務一、任務二和任務三的平均命令個數隨著訓練整體呈現遞減趨勢，逐漸逼近近似最優命令個數。總體來看，受試者 E3 的平均命令數［（87.91 ± 5.50）個］相比于 E1 的結果［（107.88 ± 10.91）個］約降低了 19.97 個（P < 0.001），占近似最優命令個數平均值（78.67 個）的 25.4%。任務一中，所有受試者 E3 的平均命令數［（88.77 ± 4.72）個］相比于 E1 的結果［（111.80 ± 11.24）個］約降低了 23.03 個（P < 0.001）；任務二中，E3 的平均命令數［（91.93 ± 4.20）個］相比于 E1 的結果［（109.73 ± 10.53）個］約降低了 17.80 個（P < 0.001）；任務三中，E3 的平均命令數［（83.03 ± 3.48）個］相比于 E1 的結果［（102.10 ± 9.41）個］約降低了 19.07 個（P < 0.001）。由上，任務一、任務二和任務三中平均命令數占比近似最優命令數，分別下降了 29.5%、21.4% 和 25.4%。
圖7
各任務平均命令個數分布
Figure7.
Distribution of the average number of commands for each task
E1、E2 和 E3 中各受試者所有任務的平均命令數如表 2 所示。由表 2 可知，所有受試者 E3 的平均命令數相較于 E1 的結果均有一定程度的下降。其中 S9 下降最明顯，E3 的平均命令數［（83.78 ± 4.41）個］相比于 E1 的結果［（115.78 ± 10.30）個］約降低了 32 個，占近似最優命令個數平均值（78.67 個）的 40.7%。下降幅度最小的是 S4，其 E3 的平均命令數［（89.22 ± 5.24）個］相比于 E1 的結果［（98.78 ± 10.40）個］約降低了 9.56 個，占近似最優命令數平均值的 12.2%。
表2
E1、E2 和 E3 的平均命令個數表（）
Table2.
The average number of commands for E1，E2，and E3（）
單次訓練試驗結束后要求受試者填寫問卷，該問卷采用的是美國航空航天局任務負荷指數（National Aeronautics and Space Administration-task load index，NASA-TLX）量表，同時剔除了本試驗問卷不需要的兩個評價指標（任務績效和努力程度）。對于每一個評價指標，計算所有受試者評分的平均值，將綜合結果記為平均分對應的等級，等級依次分為高（80～100 分）、較高（60～80 分）、中等（40～60 分）、較低（20～40 分）、低（0～20 分），綜合結果如表 3 所示。由表 3 可得，本試驗的腦力需求和身體負擔處于較低水平，時間需求適中，任務困難程度適中。受試者完成試驗的工作量（workload）處在合理水平[4]。
表3
模擬訓練試驗問卷綜合結果
Table3.
The comprehensive results of the questionnaire in the simulation training experiment
3 討論與結論
在實際使用 BCW 之前安全地對使用者進行控制訓練具有十分重要的意義。本文從這一角度出發，搭建了基于 SSVEP 的 BCW 室內模擬訓練系統，用于對使用者進行控制訓練，以提高其 BCW 控制的熟練度和操控效率。為了驗證本系統的可行性，招募 10 名受試者進行 3 次訓練試驗。每次試驗受試者需完成三種控制任務，并在控制過程中完成控制模式和空閑模式的切換。從命令角度出發，受試者需要利用前進、后退、左轉、右轉和停止命令控制模擬輪椅完成任務；從任務角度出發，各任務可以分解為不同的子任務，包括：直線行駛、轉彎、避障等。所以，完成訓練試驗后，受試者能夠熟練地發出正確的控制命令，并能夠應對不同的“路況”和任務場景。在系統性能方面，較低的誤啟動次數和較少的無效命令個數等結果驗證了系統的良好控制精度（如表 1 所示），表明受試者可以較準確快速地進行狀態切換和控制。在訓練效果方面，以近似最優命令數為參考，受試者 E3 所用的平均命令數相較于 E1 的結果下降了 25.4%（P < 0.001），完成任務一、任務二和任務三所用的平均命令數分別下降了 29.5%、21.4% 和 25.4%（P < 0.001）（如圖 7 所示）。其中，受試者 S2、S8、S9 和 S10 所用平均命令數的下降幅度均超過 30%，剩余受試者該指標的下降幅度均超過 12%（如表 2 所示）。試驗結果表明了 10 名受試者訓練之后的 BCW 控制熟練度和操控效率均有一定程度的提高，證明了系統的可行性，可為 BCW 應用提供輔助。
此外，在利用改進 CCA 方法對 SSVEP 的頻率進行檢測時，基于個體模板的 CCA 方法一定程度上優于基于正弦-余弦參考信號的標準 CCA 方法。所以，下一步本研究將在 FBCCA 算法的基礎上構建個體模板，以進一步提高頻率檢測準確率。同時，為了進一步驗證系統的訓練效果，下一步研究將對部分運動功能障礙類患者進行模擬訓練試驗并設計新的測試任務，在完成 5 d 的訓練試驗后，對新任務進行測試。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
