基于运动执行脑网络与自主导航融合的移动机器人共享控制方法

本研究针对传统脑控移动机器人系统存在EEG解码精度低、人机交互指令有限等问题，创新性地提出融合精确手部运动执行范式(PHM-BCI)与自主导航的共享控制系统。通过随机森林-脑网络(RF-BN)通道选择方法和改进的CRG-EEGNet解码算法(准确率87.33±10.13%)，实现了六类精细手部动作的精准识别，18名受试者在线实验验证了该系统在动态避障中的有效性。

　　

在脑机接口技术快速发展的今天，传统基于运动想象(MI-BCI)的机器人控制系统面临着脑电信号(EEG)解码准确率低、控制指令维度有限等瓶颈问题。更关键的是，现有系统往往采用预设逻辑控制策略，难以真实反映操作者的实时控制意图。这些问题严重制约了脑控机器人在康复医疗等领域的实际应用。

西安理工大学机械与精密仪器工程学院的研究团队在《Results in Engineering》发表了一项突破性研究。他们创新性地将精确手部运动执行范式(PHM-BCI)与自主导航策略相结合，构建了一套高性能的共享控制系统。该系统通过揭示手部精细运动执行的脑网络机制，开发了基于随机森林-脑网络(RF-BN)的通道选择方法，并设计了融合通道注意力机制和残差结构的CRG-EEGNet解码模型，最终实现了移动机器人在复杂环境中的智能避障。

研究采用了四项关键技术：1) 基于相位锁定值(PLV)的脑网络功能连接分析；2) 随机森林特征重要性评估的OOB-RF算法；3) 整合图卷积网络(GCN)、通道注意力模块(CAM)和残差模块的CRG-EEGNet深度学习架构；4) 融合全局路径规划(PRM算法)与局部脑控避障的共享控制策略。实验招募18名健康受试者(15男3女)，通过NeuSen-W64设备采集64导EEG信号。

研究结果部分显示：

1. 脑网络机制分析

   通过PLV计算发现，左/右手精细运动分别主要激活对侧脑区，功能连接矩阵显示不同手部动作具有显著可区分性。

2. RF-BN通道优化

   相比全通道(81.10±11.92%)，优化后通道数减少至35个，准确率提升至82.97±11.17%(p<0.05)，最高提升达4.91%。

3. CRG-EEGNet性能

   消融实验证实，完整模型的准确率(87.33±10.13%)显著高于缺失GCN(83.95±9.31%)或注意力模块(82.02±11.82%)的变体。相比传统EEGNet(78.85±15.81%)和EEGConformer(84.74±10.53%)，新模型准确率分别提高8.48%和2.59%。

4. 在线共享控制

   在四种障碍场景下，系统平均控制准确率达76.10±10.24%，信息传输率(ITR)为38.79±11.62 bits/min，最优受试者(S13)达90.63%准确率。

这项研究的重要意义在于：首次将精确手部运动执行范式引入移动机器人控制，通过多模态特征融合和深度学习架构优化，解决了传统MI-BCI系统指令维度不足的难题。提出的共享控制框架实现了"全局自主+局部脑控"的智能切换，为康复机器人的人机协同提供了新思路。研究团队特别指出，未来将通过异步BCI系统和迁移学习算法进一步提升系统实用性，最终目标是帮助运动功能障碍患者恢复基本生活能力。

值得注意的是，该研究仍存在在线准确率波动、测试环境单一等局限。但毫无疑问，这种融合神经机制解析与智能控制的方法，为发展新一代康复辅助设备奠定了重要理论基础。