一种智能化脑机融合运动功能闭环康复装置

本发明涉及一种智能化脑机融合运动功能闭环康复装置，用于卒中患者上肢运动功能障碍康复，属于运动康复医疗。

背景技术：

1、社会老龄化的加剧和脑卒中发病率的提高，使得脑卒中成为导致老年人肢体残疾的首要原因。由于中枢神经系统受到损伤，脑卒中患者在急性期后会伴随着偏瘫和运动机能缺失等后遗症，给患者个人、家庭和社会带来沉重负担。康复医学临床实践表明，由于神经可塑性的存在，在病情稳定后尽早开展肢体功能康复，通过反复训练，能够促进相关神经回路重建，明显提高患者的运动功能康复程度。因此，康复治疗成为脑卒中患者治疗过程中的重要环节。目前临床上主要的运动功能康复方式是物理疗法(physical therapy)，大多是由治疗师手把手地或借助器械对患者进行训练，这种被动的外周肢体运动训练方式，患者参与程度不高，对中枢运动神经组织刺激与重塑效果极其有限。而运动想象脑机接口(motor imagery based brain-computer interface,mi-bci)技术通过对运动想象eeg的解码与外部辅助设备构成控制反馈环路，辅助病人进行“所动即所思”的自主运动康复训练，成为一条颇具前景的运动康复效果提升途径。应用mi-bci建立的控制反馈环路可以使患者按正常时序完成运动规划、执行和反馈过程，建立一个新的运动感知神经环路，实现中枢运动神经系统重塑。

2、虽然mi-bci技术在卒中偏瘫患者上肢运动康复治疗中得到越来越多的关注，同时基于eeg等神经成像信息的运动功能评估研究也取得了长足的进步，但由于上肢运动灵活精细，运动神经系统的康复机制复杂，如何挖掘bci与外部运动反馈对神经系统的主被动激励作用,仍是有效促进患者的神经通路重塑的关键问题。人体运动过程中神经感觉反馈信息丰富，但目前mi-bci运动康复研究中运动反馈手段单调，往往关注于主动意图识别和外部辅助运动实现，忽视了运动想象与运动感觉反馈在神经重塑中的相互作用，需要建立两者之间直接的同步联系，实现高效神经重塑的康复模式。

技术实现思路

1、为了克服现有研究的不足，本发明提出一种智能化脑机融合运动功能闭环康复装置，基于运动想象和外部运动反馈对神经重塑的作用机制，从运动反馈方式、运动意图识别等方面着手，利用运动想象脑机接口与本体错觉运动反馈提升神经可塑性作用效果，为卒中偏瘫患者提供一种预后良好的运动康复新途径。。

2、一种智能化脑机融合运动功能闭环康复装置，包括用于实时获取受试者eeg信号的脑电信号采集设备、用于完成对患者运动想象脑电的识别脑电数据分析系统和用于让受试者产生与运动想象任务一致的本体感受错觉的本体错觉诱发装置；

3、所述脑电信号采集设备包括将采集到的微弱eeg信号模拟信号通过a/d转换为信号供使用的信号放大器、用于受试者佩戴的脑电采集帽和主机，所述主机包括集成采集软件和同步刺激软件，集成采集软件和同步刺激软件，前者用来设置参考电极、采样率等参数；后者基于代码，并通过主机自带的显示器实现声音、图片等对受试者的提示作用，辅助其他环节的顺利进行。脑电采集帽：受试者需要带上此电极帽，并注入脑电膏减少阻抗。

4、所述脑电数据分析系统包括数据预处理、特征提取与选择和分类器；数据预处理提高脑电信号的信噪比，尽可能去除伪迹、干扰、噪声保留纯净的脑电信号，供分析系统后续使用。特征提取与选择：减少脑电数据的维度，提取出有效的特征供分析系统后续使用，分类器：利用分析系统给定的脑电训练数据来学习分类规则，然后对未知脑电数据进行分类。

5、所述本体错觉诱发装置包括产生可变高频率、小振幅地振动的可变频振动电机、控制pwm波的输出来控制振动电机的振动频率的主控、为电机工作提供额定电压电流，提高振动电机的振动效果的电机驱动模块。

6、所述数据预处理包括：采用有限长单位冲激响应滤波器对eeg信号进行8-32hz带通滤波，并划分为12个带宽为2hz的频带(8-10hz,10-12hz,12-14hz,14-16hz,16-18hz,18-20hz,20-22hz,22-24hz,24-26hz,26-28hz,28-30hz,30-32hz)。

7、所述步骤特征提取包括：采用fbcsp方法进行特征提取，利用联合稀疏表示进行多频带eeg信号特征融合与选择；

8、提取同一被试、同一环境、同一时间、同一空间分布下的不同p个频带的csp特征用于字典构建，按照jsm模型对p个频带的csp特征进行分解，可表示为：

9、

10、其中，f1,f2,…,fp分别为p个频带提取的csp特征；fc是共有部分,f1u,f2u,...,fpu分别是各频带的独有部分

11、利用k-svd算法得到共有稀疏基及各频带对应的独有稀疏基，对公式(1)中的各个分量进行稀疏编码，可建立联合编码模型如下：

12、

13、其中，sc为p个频带共有分量的编码系数,s1u,s2u,...,spu分别为各频带独有部分的稀疏表示系数，将公式(2)转换为矩阵形式为：

14、

15、通过对p个频带进行联合稀疏编码，得到的联合稀疏表示系数即为各频带csp特征的融合特征。

16、通过分别对每个独有部分的所有特征进行绝对值求和，并设置相应阈值选择所含信息最多的若干独有部分，从而得到融合系数特征。

17、所述分类器具体包括：以支持向量机为分类器，基于emd核矩阵和多元支持向量回归实现跨被试的运动想象脑电的在线识别；

18、利用源域中不同被试的特征数据集，构建其各自对应的分类模型，计算源域不同数据集之间的emd，得到核矩阵kemd以量化不同被试之间的域差异，利用多输出支持向量回归算法训练回归函数f(·)来学习特征分布到分类器超平面参数之间的映射关系，得到基于目标域受试脑电数据的迁移分类模型参数；

19、对于每个源域受试的特征数据集其中为步骤(2)中联合稀疏表示系数特征，为样本所对应的动作类别标签，ns为受试所包含的样本总数，使用支持向量机作为分类器，训练分类超平面参数θs＝[ws,bs]，满足优化目标函数：

20、

21、在源域不同被试的脑电分类模型中，脑电特征分布和分类器超平面参数之间存在着映射关系，通过衡量源域受试数据之间的相似性，估计目标域分类器的超平面参数，从而将运动想象识别信息迁移到目标域被试；

22、计算源域数据集dm和dn的emd距离，先使用k-means算法对数据集进行聚类，得到和两个集合，其中心和为聚类质心，和为各聚类对应的权重，定义d”和d”的emd距离为：

23、

24、

25、其中fpq为流动变量，dpq为欧式距离，定义为基于emd的核矩阵元素定义如下：

26、

27、其中ρ为常数。

28、训练一个回归函数f(·)来学习源域中不同被试特征数据分布与其分类超平面参数的映射关系ds→θs，回归函数通过无标签的目标域数据分布dt，得到其对应的分类超平面参数θt，

29、建立训练集在多输出支持向量回归模型中定义回归函数

30、f(ds)＝φ(ds)w+b (7)

31、其中w＝[w1,w2,…,wm+1]，b＝[b1,b2,…,bm+1]分别为权值和偏值项，φ(·)将数据ds映射到高维空间的核函数，优化以下目标函数，可估计参数w和b，

32、

33、结合核矩阵kemd，可得到最终的映射函数

34、

35、利用最小二乘迭代可最终确定目标域分类超平面参数θt＝[wt,bt]，从而对无标签的受试脑电数据进行在线识别一种智能化脑机融合运动功能闭环康复。

36、与现有技术相比，本发明的有益效果在于：

37、发明通过引入肌腱振动诱发本体感受错觉，灵活实现了具有强真实感的复杂上肢运动本体感受反馈。在运动想象的同时，由外界刺激诱发的本体错觉可以作为一种直接的本体感觉反馈方式，增强运动想象时的对大脑皮层感觉运动相关区域的激励作用，提升神经重塑效果。外界刺激的方式还包括电刺激、皮肤拉伸等，并可以与其它反馈方式构成混合系统，从而提高运动康复系统的性能，这也为后续脑卒中偏瘫患者的上肢运动康复提供了思路。