基于可视图符号网络和宽度学习的新型脑控智能康复系统技术方案

一种基于可视图符号网络和宽度学习的新型脑控智能康复系统，被试者观看手部握拳与伸展动作视频进行运动想象，脑电信号采集设备采集被试者的运动想象EEG脑电信号；运动意图识别模块对获得的运动想象EEG脑电信号进行预处理，构建水平可视图网络，建单层符号网络，提取单层符号网络的六个网络指标，并构成六维特征向量，将六维特征向量输入到宽度学习模型中实现握拳运动想象EEG脑电信号与手部伸展运动想象EEG脑电信号的有效分类与辨识，将分类结果传输到脑控智能康复系统，脑控智能康复系统基于所述运动意图协助被试者进行上肢康复训练。本发明专利技术可以帮助上肢运动通路损伤以致于活动受限的脑卒中患者进行康复训练，逐渐恢复他们的活动能力。

【技术实现步骤摘要】
基于可视图符号网络和宽度学习的新型脑控智能康复系统
本专利技术涉及一种脑控智能康复系统。特别是涉及一种基于可视图符号网络和宽度学习的新型脑控智能康复系统。
技术介绍
脑卒中是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一种常见的脑血液循环障碍性疾病，会造成患者运动神经通路受损，进一步造成患者人体的运动功能障碍。脑卒中是世界范围内致残率、致死率最高的疾病之一。脑卒中后约四分之三的患者遗留不同程度的残疾而生活不能自理，严重威胁了人类健康，给患者、亲属、社会带来极大的负担。脑卒中后进行有效的康复训练，能够加速神经功能的恢复、减轻残疾的程度，给患者带来极大的方便。但对于脑卒中后重度肢体功能障碍，尤其是上肢运动功能严重受损的患者目前尚无行之有效的康复方法。面对这类患者，运动想象疗法因其简单易行，又能充分调动患者主观能动性而成为值得探索的方法之一。基于运动想象的脑-机接口系统(BCI)能够部分活化受损的运动传导通路，通过将患者的运动意图转化为指令控制康复装置进行相应的动作，帮助患者完成主动康复训练。运动想象信号分类准确率的提高可以增强脑卒中康复的效果，但是由于脑电信号存在非平稳性、时变性以及个体差异性等诸多的问题，对运动想象信号特征的准确且全面的提取仍然存在很大的困难。复杂网络是一种新型的非线性复杂系统分析工具，多个领域成功的例子证明了复杂网络的有效性。大脑极其复杂，是一个典型的非线性复杂系统，利用复杂网络对于运动想象信号进行特征提取，能够挖掘其中隐藏的关键信息，提高分类准确率。近年来，研究发现深度学习可以通过对数据进行非线性映射使数据降维，同时可以更好地保持原始数据的判别信息，具有显著的分类效果。宽度学习利用增量学习的思想，通过特征节点和增强节点的横向扩展设计成神经网络结构，在增加节点时不需要重新训练就可以达到模型更新的目的，结构和参数确定过程简单。与深度学习相比，宽度学习在训练耗时大大缩短的情况下分类性能仍然具有良好的表现，将其应用于运动想象信号辨识之中，或许能够提高分类准确率，缩短计算时间。将复杂网络与宽度学习进行结合能够提取运动想象信号更加丰富、更加本质的特征，对信号进行更好地分类，进而提高基于运动想象的BCI接口在脑卒中康复医疗中的应用效果，加速患者的医疗进程。
技术实现思路
本专利技术所要解决的技术问题是，提供一种可以实现运动想象信号特征的有效提取和运动想象EEG信号的有效辨识，并转化为指令控制脑控智能康复系统的基于可视图符号网络和宽度学习的新型脑控智能康复系统。本专利技术所采用的技术方案是：一种基于可视图符号网络和宽度学习的新型脑控智能康复系统，被试者通过观看手部握拳与伸展动作视频进行运动想象，同时脑电信号采集设备采集被试者的运动想象EEG脑电信号；运动意图识别模块对获得的运动想象EEG脑电信号进行预处理，构建水平可视图网络，基于水平可视图网络度序列构建单层符号网络，提取单层符号网络的六个网络指标，将六个网络指标构成六维特征向量，将六维特征向量输入到宽度学习模型中实现握拳运动想象EEG脑电信号与手部伸展运动想象EEG脑电信号的有效分类与辨识，将分类结果传输到脑控智能康复系统，脑控智能康复系统基于所述运动意图协助被试者进行上肢康复训练。所述的脑控智能康复系统包括：与所述运动意图识别模块相连的主控制器，与所述主控制器相连的肌电信号采集和多通道电刺激输出模块，所述肌电信号采集和多通道电刺激输出模块根据主控制器的控制指令对被试者上肢施加电刺激，并将电刺激后的肌电信号反馈给主控制器，主控制器根据从运动意图识别模块接收的分类结果和电刺激后的肌电信号生成控制指令，控制肌电信号采集和多通道电刺激输出模块对被试者上肢进行刺激，帮助被试者进行上肢康复训练。所述的运动意图识别模块具体包括如下步骤：1)被试者分别观看手部握拳视频与手部伸展视频，同时对视频相应动作进行运动想象，通过脑电信号采集设备采集被试者握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号，统称为运动想象EEG脑电信号，并对运动想象EEG脑电信号进行预处理；2)对预处理后的运动想象EEG脑电信号的每一电极所对应的通道构建水平可视图网络Ac，得到九个单层水平可视图网络AC3,AC4,AF3,AF4,AP3,AP4,AT7,AT8,ACz；3)分别计算九个单层水平可视图网络AC3,AC4,AF3,AF4,AP3,AP4,AT7,AT8,ACz的度序列，共同组成多元度序列，基于多元度序列构建单层符号网络；4)提取单层符号网络的六个网络指标，包括：平均聚集系数、全局聚集系数、平均最短路径长度、谱半径、图能量和平均节点介数；5)对每个被试者的每一个运动想象EEG脑电信号中的握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号分别构建单层符号网络，对获得的多个运动想象EEG脑电信号的单层符号网络分别提取所述的六个网络指标，将每一个单层符号网络的六个网络指标构建为一个六维特征向量，将握拳运动想象EEG脑电信号的六维特征向量打上标签1，将手部伸展运动想象EEG脑电信号的六维特征向量打上标签2，将所有的六维的特征向量以及类别标签输入到宽度学习模型中进行分类；6)将分类结果传输到脑控智能康复系统对被试者上肢进行刺激。步骤1)所述的采集被试者握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号，是通过根据10-20国际标准导联分布的脑电极帽采集C3、C4、F3、F4、P3、P4、T7、T8、Cz九个电极的脑电信号，并进行预处理，预处理是对运动想象EEG脑电信号进行去伪迹，8-30Hz的带通滤波，以及去平均，得到能够用于实现运动想象状态辨识的运动想象EEG脑电信号：其中Xc,i表示c电极采集的信号中第i个采样点，L表示等长的各电极对应的通道中的采样点个数。步骤2)包括：(1)对于任一电极采集的运动想象EEG脑电信号采用水平可视图算法构建单层水平可视图网络，若运动想象EEG脑电信号中的任意两个采样点和满足可视性准则，即满足：对于其中ia＜ij＜ib，若满足则认为采样点和相互可视，其中，c表示电极C3、C4、F3、F4、P3、P4、T7、T8、Cz中的一个电极，表示c电极采集的信号中第ia个采样点表示c电极采集的信号中第ib个采样点表示c电极采集的信号中第ij个采样点设定运动想象EEG脑电信号中任意相邻的两点可视，以运动想象EEG脑电信号中的每个采样点为单层水平可视图网络的节点，若两个节点满足可视性准则，则在这两个节点间建立连边，否则，不建立连边，获得单层水平可视图网络，该单层水平可视图网络具有与各电极对应的通道中的采样点个数L相同的节点数量；(2)对9个电极采集的运动想象EEG脑电信号分别重复第(1)步，获得9个单层水平可视图网络AC3,AC4,AF3,AF4,AP3,AP4,AT7,AT8,ACz。步骤3)包括：(1)计算每一个单层水平可视图网络的度序列，共同组成多元度序列：其中，c表示电极C3、C4、F3、F4、P3本文档来自技高网...

【技术保护点】
1.一种基于可视图符号网络和宽度学习的新型脑控智能康复系统，其特征在于，被试者通过观看手部握拳与伸展动作视频进行运动想象，同时脑电信号采集设备采集被试者的运动想象EEG脑电信号；运动意图识别模块对获得的运动想象EEG脑电信号进行预处理，构建水平可视图网络，基于水平可视图网络度序列构建单层符号网络，提取单层符号网络的六个网络指标，将六个网络指标构成六维特征向量，将六维特征向量输入到宽度学习模型中实现握拳运动想象EEG脑电信号与手部伸展运动想象EEG脑电信号的有效分类与辨识，将分类结果传输到脑控智能康复系统，脑控智能康复系统基于所述运动意图协助被试者进行上肢康复训练。/n

【技术特征摘要】
1.一种基于可视图符号网络和宽度学习的新型脑控智能康复系统，其特征在于，被试者通过观看手部握拳与伸展动作视频进行运动想象，同时脑电信号采集设备采集被试者的运动想象EEG脑电信号；运动意图识别模块对获得的运动想象EEG脑电信号进行预处理，构建水平可视图网络，基于水平可视图网络度序列构建单层符号网络，提取单层符号网络的六个网络指标，将六个网络指标构成六维特征向量，将六维特征向量输入到宽度学习模型中实现握拳运动想象EEG脑电信号与手部伸展运动想象EEG脑电信号的有效分类与辨识，将分类结果传输到脑控智能康复系统，脑控智能康复系统基于所述运动意图协助被试者进行上肢康复训练。


2.根据权利要求1所述的基于可视图符号网络和宽度学习的新型脑控智能康复系统，其特征在于，所述的脑控智能康复系统包括：与所述运动意图识别模块相连的主控制器，与所述主控制器相连的肌电信号采集和多通道电刺激输出模块，所述肌电信号采集和多通道电刺激输出模块根据主控制器的控制指令对被试者上肢施加电刺激，并将电刺激后的肌电信号反馈给主控制器，主控制器根据从运动意图识别模块接收的分类结果和电刺激后的肌电信号生成控制指令，控制肌电信号采集和多通道电刺激输出模块对被试者上肢进行刺激，帮助被试者进行上肢康复训练。


3.根据权利要求1所述的基于可视图符号网络和宽度学习的新型脑控智能康复系统，其特征在于，所述的运动意图识别模块具体包括如下步骤：
1)被试者分别观看手部握拳视频与手部伸展视频，同时对视频相应动作进行运动想象，通过脑电信号采集设备采集被试者握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号，统称为运动想象EEG脑电信号，并对运动想象EEG脑电信号进行预处理；
2)对预处理后的运动想象EEG脑电信号的每一电极所对应的通道构建水平可视图网络Ac，得到九个单层水平可视图网络AC3,AC4,AF3,AF4,AP3,AP4,AT7,AT8,ACz；
3)分别计算九个单层水平可视图网络AC3,AC4,AF3,AF4,AP3,AP4,AT7,AT8,ACz的度序列，共同组成多元度序列，基于多元度序列构建单层符号网络；
4)提取单层符号网络的六个网络指标，包括：平均聚集系数、全局聚集系数、平均最短路径长度、谱半径、图能量和平均节点介数；
5)对每个被试者的每一个运动想象EEG脑电信号中的握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号分别构建单层符号网络，对获得的多个运动想象EEG脑电信号的单层符号网络分别提取所述的六个网络指标，将每一个单层符号网络的六个网络指标构建为一个六维特征向量，将握拳运动想象EEG脑电信号的六维特征向量打上标签1，将手部伸展运动想象EEG脑电信号的六维特征向量打上标签2，将所有的六维的(此处删除“的”)特征向量以及类别标签输入到宽度学习模型中进行分类；
6)将分类结果传输到脑控智能康复系统对被试者上肢进行刺激。


4.根据权利要求3所述的基于可视图符号网络和宽度学习的新型脑控智能康复系统，其特征在于，步骤1)所述的采集被试者握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号，是通过根据10-20国际标准导联分布的脑电极帽采集C3、C4、F3、F4、P3、P4、T7、T8、Cz九个电极的脑电信号，并进行预处理，预处理是对运动想象EEG脑电信号进行去伪迹，8-30Hz的带通滤波，以及去平均，得到能够用于实现运动想象状态辨识的运动想象EEG脑电信号：



其中Xc,i表示c电极采集的信号中第i个采样点，L表示等长的各电极对应的通道中的采样点个数。


5.根据权利要求3所述的基于可视图符号网络和宽度学习的新型脑控智能康复系统，其特征在于，步骤2)包括：
(1)对于任一电极采集的运动想象EEG脑电信号采用水平可视图算法构建单层水平可视图网络，若运动想象EEG脑电信号中的任意两个采样点和满足可视性准则，即满足：对于其中ia＜ij＜ib，若满足则认为采样点和相互可视，其中，c表示电极C3、C4、F3、F4、P3、P4、T7、T8、Cz中的一个电极，表示c电极采集的信号中第ia个采样点表示c电极采集的信号中第ib个采...

【专利技术属性】
技术研发人员：高忠科，吕冬梅，党伟东，马超，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12