基于深度学习的单侧肢体患者运动想象脑电通道选择方法技术

本发明专利技术公开了一种基于深度学习的单侧肢体患者运动想象脑电通道选择方法，其包括以下步骤：步骤一，专业人员帮助患者佩戴并使用脑电采集设备；步骤二，脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给一台电脑进行个性化训练建模；步骤三，电脑接收到脑电数据后首先对数据进行预处理；步骤四，处理后的脑电数据送入深度学习模型进行特征提取；步骤五，当提取脑电数据的时间特征后，对各个单侧肢体患者运动想象脑电通道的重要性进行评估筛选。本发明专利技术节约运行成本，不需要再深度学习模型外额外添加算法对脑电通道进行筛选，同时直接在模型中进行通道信息的学习有利于提升最终模型分类的准确率。于提升最终模型分类的准确率。于提升最终模型分类的准确率。

EEG channel selection method of motor imagination in patients with unilateral limb based on deep learning

【技术实现步骤摘要】
基于深度学习的单侧肢体患者运动想象脑电通道选择方法


[0001]本专利技术涉及一种电通道选择方法，特别是涉及一种基于深度学习的单侧肢体患者运动想象脑电通道选择方法。

技术介绍

[0002]脑卒中是我国成年人致死、致残的首位病因，具有发病率高、致残率高、死亡率高和复发率高的特点，对个人、家庭和社会造成沉重负担。运动想象脑机接口技术能通过对患者的脑电信号采集和解码，判断患者运动意图，由运动意图触发康复外设进行治疗工作，实现闭环训练和主动康复。相较于传统的康复训练技术，运动想象脑机接口对脑卒中病人的康复训练有更好的效果。
[0003]现有的脑机接口技术主要应用于对患者左右手运动想象意图的区分，缺乏对单侧肢体患者运动意图有效的检测识别。单侧肢体患者的病例复杂，所受损部位各不相同，对应的运动脑区也有所差异。为了能给每位患者个性化建模，提高康复效果，脑机接口技术需要开发对患者不同脑电通道选择的方法。深度学习作为脑电信号分类的有效手段，能通过对大量脑电数据的学习，提取脑电信号中的时空特征，然后再经过全连接层的整合最终建立合适的模型。然而，脑电信号是一种非线性，非平稳并有大量噪声的电信号，过多的冗余信息会极大干扰对合适通道选择的过程。为了能更好的区分单侧肢体患者的运动意图，如何在建模时对脑电通道选择，筛选出有效的运动脑区，成为亟待解决的技术问题。

技术实现思路

[0004]针对上述情况，为了克服现有技术的缺陷，本专利技术提供一种基于深度学习的单侧肢体患者运动想象脑电通道选择方法。
[0005]本专利技术是通过下述技术方案来解决上述技术问题的：一种基于深度学习的单侧肢体患者运动想象脑电通道选择方法，其特征在于，其包括以下步骤：
[0006]步骤一，专业人员帮助患者佩戴并使用脑电采集设备；
[0007]步骤二，患者根据提示进行运动想象，脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给一台电脑进行个性化训练建模；
[0008]步骤三，电脑接收到脑电数据后首先对数据进行预处理；
[0009]步骤四，处理后的脑电数据送入深度学习模型进行特征提取；一维的神经卷积网络层将会提取每个脑电通道的时间特征；
[0010]步骤五，当提取脑电数据的时间特征后，对各个单侧肢体患者运动想象脑电通道的重要性进行评估筛选；首先各个通道的时间特征会经过一层全局平均池化，计算每个通道时间特征的平均值；之后每个通道的特征平均值将作为新的输入送入两层全连接层进行权重的学习，最后通过sigmoid函数输出；
[0011]步骤六，更新权重后的单侧肢体患者运动想象脑电通道与各自通道的时间特征相乘，再送入深度卷积层得到空间特征；步骤四中时间特征再经过步骤六提取空间特征后的
特征称为时空特征；
[0012]步骤七，脑电数据的时空特征送入全连接层整合输出，最终建立好完整的个性化模型；
[0013]步骤八，患者使用个性化模型进行康复训练。
[0014]优选地，所述步骤三的预处理包括滤波、去基线以及数据切片整合。
[0015]优选地，所述脑电采集设备采用CGX公司的Quick30系列导联干电极帽，通过有线串口通讯或无线蓝牙方式与电脑连。本专利技术的积极进步效果在于：
[0016]一，本专利技术使用深度学习对单侧肢体患者的运动想象脑电数据进行解码，在建模的过程中通过对脑电通道信息的学习，可以在算法迭代的过程中对通道的权重进行更新，以此来筛选出有用的脑电通道。该方法节约运行成本，不需要再深度学习模型外额外添加算法对脑电通道进行筛选，同时直接在模型中进行通道信息的学习有利于提升最终模型分类的准确率。
[0017]二，本专利技术进行模型训练时可以直接通过数据的分析来得到各脑电通道不同的重要性，无需对患者的受损部位和脑区进行复杂的检测。考虑到受损部位对应的脑区有时难以通过医学方法准确检测，本专利技术可以解决这种问题并为医护人员提供一定的参考。
附图说明
[0018]图1为本专利技术基于深度学习的单侧肢体患者运动想象脑电通道选择方法的流程图。
具体实施方式
[0019]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0020]在本专利技术的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0021]如图1所示，本专利技术基于深度学习的单侧肢体患者运动想象脑电通道选择方法包括以下步骤：
[0022]步骤一，专业人员帮助患者佩戴并使用脑电采集设备；
[0023]步骤二，患者根据提示进行运动想象，脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给一台电脑进行个性化训练建模；
[0024]步骤三，电脑接收到脑电数据后首先对数据进行预处理，包括滤波、去基线以及数据切片整合，这样做可以有效的过滤脑电信号的无用信息，降低数据的冗余度，提高信号的信噪比，使得深度学习模型能更好的学习脑电信号中的有效特征。
[0025]步骤四，处理后的脑电数据送入深度学习模型进行特征提取；一维的神经卷积网络层将会提取每个脑电通道的时间特征；
[0026]步骤五，当提取脑电数据的时间特征后，对各个单侧肢体患者运动想象脑电通道的重要性进行评估筛选；首先各个通道的时间特征会经过一层全局平均池化，即计算每个
通道时间特征的平均值；之后每个通道的特征平均值将作为新的输入送入两层全连接层进行权重的学习，最后通过sigmoid函数输出。这样可以将通道的权重限制在0
‑
1的区间，便于步骤六中与通道原始特征的乘法运算。
[0027]步骤六，更新权重后的单侧肢体患者运动想象脑电通道与各自通道的时间特征相乘，再送入深度卷积层得到空间特征；步骤四中时间特征再经过步骤六提取空间特征后的特征称为时空特征。
[0028]步骤七，脑电数据的时空特征送入全连接层整合输出，最终建立好完整的个性化模型；
[0029]步骤八，患者使用个性化模型进行康复训练。
[0030]步骤五中的单侧肢体患者运动想象脑电通道包括权重值，通过两个全连接层对权重值进行解码和编码，在深度训练不断学习迭代的过程中，对各个单侧肢体患者运动想象脑电通道的权重值进行更新，以此达到对单侧肢体患者运动想象脑电通道的选择。
[0031]脑电采集设备可以采用CGX公司的Quick30系列导联干电极帽，通过有线串口通讯或无线蓝牙方式与电脑连接，由医院专业人员使用电脑帮助患者采集运动想象样本数据，结构简单，方便连接和使用。
[0032]深度学习模型会获取通道相互之间的关系，卷积特征的学习也会得到增强。
[0033]个性化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的单侧肢体患者运动想象脑电通道选择方法，其特征在于，其包括以下步骤：步骤一，专业人员帮助患者佩戴并使用脑电采集设备；步骤二，患者根据提示进行运动想象，脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给一台电脑进行个性化训练建模；步骤三，电脑接收到脑电数据后首先对数据进行预处理；步骤四，处理后的脑电数据送入深度学习模型进行特征提取；一维的神经卷积网络层将会提取每个脑电通道的时间特征；步骤五，当提取脑电数据的时间特征后，对各个单侧肢体患者运动想象脑电通道的重要性进行评估筛选；首先各个通道的时间特征会经过一层全局平均池化，计算每个通道时间特征的平均值；之后每个通道的特征平均值将作为新的输入送入两层全连接层进行权重的学习，最...

【专利技术属性】
技术研发人员：张佳杨，杨帮华，张永怀，
申请(专利权)人：上海韶脑传感技术有限公司，
类型：发明
国别省市：