论文总结：基于脑机接口的室内环境下半自主移动机器人的随机导航与控制

原论文：Brain-Computer Interface Based Stochastic Navigation and Control of a Semiautonomous Mobile Robot in an               Indoor Environment

作者：   Wenbin Su, Zhijun Li

       基于脑机接口的远程操作具有广泛的有价值的应用，例如大脑控制的车辆、无人机等，大都依赖于非侵入式技术记录脑电信号，然而，非侵入式提供的低宽带很难在一些复杂的系统中使用。本文提出了一种可以克服这个问题有效的方法，即：BCI与SLAM相结合以控制机器人的移动，在线BCI分析SSVEP信号，多变量同步指数（MSI）算法产生运动指令，运动控制器控制低水平运动。整个系统为半自主，由SLAM获取地图，将实时环境反馈给用户，再由用户通过BCI选取命令来控制机器人的运动。

一、系统结构

  该系统由一台具有Neuro Scan的中央计算机机、操作者和一个带有Kinect和激光传感器的移动机器人组成。Kinect用于提供实时视频和视觉定位、Neuro Scan用于采集脑电信号、处理后再经过MSI分类器，最后发送至BCI系统，由EEG信号解码器产生运动指令。

二、人机界面

       界面分为五个不同的命令区域，包括四个不同频率的命令区域和一个实时环境显示区域，“No Obstacle”表示前方无障碍，“Right Obstacle”和“Left Obstacle”分别表示右方和左方有障碍，“STOP”为停止。

三、脑电信号采集和分类

脑电信号由40通道的数字脑电记录系统采集采样频率为500Hz，电极阻抗保持在5kΩ以下，用50Hz的陷波滤波器消除工频干扰，用5Hz-30Hz的带通滤波器对信号滤波；CZ通道为参考信号，P1、O1、OZ、O2为MSI的输入。

矩阵XEEG 表示N×M个的EEG信号,矩阵YREF 表示2NH×M，其中N是信道数，M表示的样本数目，和NH是正弦谐波和余弦谐波分量的数量。一般来说，XEEG和YREF在归一化时具有零均值和单一方差。其相关矩阵为

为了减少X和Y的自相关对同步计算的影响，对相关矩阵采用以下线性变换：

所以变换后的相关矩阵为：

变换后，矩阵R的维数为P,P=2Nh+N,并且对角元素全为一，而与其他元素有明显的区分，进而减少了自相关对同步计算的影响。

计算R的特征值为λ1，λ2，...，λP并将其归一化：

 然后，计算两组信号之间的同步指数：

若要实现频率监测的MSI，必须设置参考信号，假设有K个刺激频率，则参考信号的计算如下：

其中，fi为刺激频率，Fs为采样频率。同时获得K个同步指数S1，S2，...，SK。 令

选取最大的s，其对应的闪烁频率为刺激用户视觉的频率。

四、实验结果

       本实验一共有5位被试者，提前告知他们实验要求，实验过程中，需要被试者控制机器人由初始点移动至目标点，并且避过所有的静态以及动态的障碍。

在实验之前，对他们进行离线训练，其准确度如下表：

SLAM的轨迹和构建的地图如下图：

                     

五个被试者的操纵机器人的运动轨迹如下图： （图中，圆形为动态障碍物，矩形为静态障碍物）

       本文主要是提出了基于SSVEP的BCI与SLAM相结合的半自主室内导航，使用Probability potential fields (PPF)的方法生成无碰撞路径，并在设计误差跟踪控制器的同时参数化机器人的移动命令，以实现运动规划，同时，基于视觉的SLAM可以在有限的RGB地标、传感器不确定性和随机光线变化的情况下实现。