基于预测控制的闭环脑机接口系统研究

According to the studies on the model performance of decoders and encoders, the present project formulates the closed-loop brain machine interface (BMI) system and designs the real-time control algorithm via introducing model predictive control (MPC) as an auxiliary controller, further, studies the overall performance of the closed-loop system in system level and proposes an overall design framework. In the studies on decoder and encoder models, the comprehensive evaluation index is designed to choose the optimal models, and the model parameters are updated dynamically through the moving horizon estimation method. In the closed-loop framework formulation and control algorithm design, the MPC is introduced as the auxiliary controller, the objective function is built to improve the control accuracy, and the real-time MPC algorithm with adaptivity is designed. In the system performance analysis and the formulation of the overall design framework, for analyzing the robustness and stability, the polytopic model is adopted to describe the uncertainties of predictive model and the model deviations to describe the input disturbances and measurement noises, according to output feedback robust MPC method; the moving horizon estimation of model parameters and the auxiliary control algorithm are combined to build the overall design framework, according to the mature double-layered structure. Due to improving the theory basis and promoting the practical application of BMI systems, and expanding the application fields of MPC, the achievements of this project possess with the importance in both the theoretical and practical fields.

本项目在研究解、编码器性能的基础上，引入预测控制作为辅助控制器构建闭环脑机接口系统、设计实时控制算法，进而从系统层面上研究闭环系统的整体性能、提出整体设计框架。在解、编码器模型研究中，设计综合评价指标筛选最优模型，并采用滚动时域估计方法动态校正模型参数。在闭环框架构建与控制算法设计中，引入预测控制作为辅助控制器，以提高控制精度为导向构造目标函数，并设计具有自适应能力的预测控制算法。在性能分析和整体框架构建中，借鉴输出反馈鲁棒预测控制处理方案，采用多包模型描述预测模型的不确定性、输入扰动与量测噪声描述模型偏差，进行鲁棒性和稳定性分析；基于“双层结构”的成熟理念，将模型参数滚动时域估计与辅助控制算法相结合，构建估计与控制一体的整体设计框架。本项目研究成果可以进一步完善脑机接口系统的理论基础、推动脑机接口系统的实际应用，并拓展预测控制的应用领域，具有较高的理论价值和实用意义。

本项目在研究解、编码器性能的基础上，引入预测控制作为辅助控制器构建闭环脑机接口系统、设计实时控制算法，进而从系统层面上研究闭环系统的整体性能、提出整体设计框架。主要研究以下四个方面内容：1. 考虑到在脑机接口系统中，解码器决定着大脑对外部设备的控制效果，编码器则决定着大脑对外部设备（如人工义肢等）的感知效果，即解、编码器模型的优劣对整个闭环系统性能有着至关重要的影响，以及现有解、编码器模型多忽视EEGs的动态特性和适应性，导致模型偏差随着时间积累逐渐增大、整个闭环系统性能下降，本项目在解、编码器模型研究中，设计了综合评价指标筛选最优模型，并采用滚动时域优化方法动态校正了模型参数。2. 在脑机接口系统中，即使使用动态校正后的最优的解、编码器模型构建信息传输通路，人脑与假肢之间的联系与人脑肢体之间的真实联系也不可能完全一致，仍难满足实际应用所需的控制精度，本项目在简单闭环脑机接口系统中引入了辅助控制器，并设计了具有自适应能力的实时控制算法，提高了系统对假肢的控制精度。3. 引入辅助控制器后，原脑机接口系统的各环节势必与辅助控制器相互耦合，则新系统的性能（如稳定性、鲁棒性、控制精度等）必然受到影响，本项目将引入辅助控制器后系统的所有环节作为整体综合考虑，分析了其性能（如鲁棒性能、控制精度等）。4. 在前述三个研究成果的基础上，设计了闭环脑机接口系统实时控制算法和测试方案，分析了其在设备上实施的可行性。本项目研究成果进一步完善了脑机接口系统的理论基础、推动了脑机接口系统的实际应用，并拓展了预测控制的应用领域，具有较高的理论价值和实用意义。..截止报告提交之日，依托本项目，共发表学术论文27篇（其中SCI期刊论文7篇，EI论文11篇、中文核心论文9篇），申报发明专利7项（实质审查阶段），培养硕士研究生9名。