一种面向肢体瘫痪患者的云上脑波分析方法及系统技术方案

本公开了一种面向肢体瘫痪患者的云上康复训练方法，包括如下步骤：S1、获取患者脑电信号；S2、服务端接收脑电信号并预处理；S3、虚拟仿真，在系统中实时传送对应动作的画面；S4、根据仿真结果对患者身体水平以及以往训练结果进行数据分析，并最终反馈出一份动态更新的训练计划，同时，将训练结果实时传输至医生端，医生也会根据结果提出合理的康复训练意见。该方法用以解决现有技术中瘫痪患者因自身条件及财力人力等原因得不到持续性康复训练而难以达到最佳康复效果的问题，给予患者在家便可训练的便利性并针对不同患者对于视觉想象康复训练的需求，给予患者基于强化学习的模式识别和数据分析的训练计划和远程视觉引导想象训练服务。练服务。练服务。

【技术实现步骤摘要】
一种面向肢体瘫痪患者的云上脑波分析方法及系统


[0001]本专利技术涉及运动想象
，具体指一种面向肢体瘫痪患者的云上脑波分析方法及系统。

技术介绍

[0002]人脑中共有大约1000亿个神经细胞,其中大脑皮质有150亿个细胞,每个神经细胞平均有10000个神经联结,它们形成了极其复杂庞大的神经细胞网络。神经细胞之间的信息传递以化学传递为主,而参与化学传递的神经递质多达50种,它们是高度复杂的脑机能活动的主要生物学基础。所以大脑包含的信息量是极为庞大的，这也导致了大脑电生理信号表现出千差万别的形态和特征，使得对其中特征信息的提取和识别问题变得非常复杂。
[0003]当人进行肢体想象活动时，大脑皮层的对应区域处于活动状态，这些区域产生的μ节律和β波的低频部分将出现幅度衰减，即事件相关去同步(event
‑
related desynchronization,ERD)。在某一时刻，大脑皮层的局部区域没有受到意识模式的激励，该区域内的EEG局部成分将出现幅度的增强，即事件相关同步(event
‑
related synchronization,ERS)。基于ERD/ERS的脑
‑
机接口系统主要是辨别运动想象思维作业的EEG信号。
[0004]脑
‑
机接口(Brain
‑
Computer Interface,BCI)是一种变革性的人机交互方式，旨在绕过大脑外周神经和肌肉实现大脑与外部世界的直接通信与控制，可望为严重运动残疾患者或健康人群在特定情况下提供可选的、新的通信或控制方法。基于想象(based on imagery)的BCI是一类重要的BCI，可以训练运动障碍患者，在一定程度上康复其运动功能。BCI中传统的想象任务是运动想象(Motor Imagery,MI)，要求被试者以第一人称视角想象移动自己身体的某一部位或几个部位协调运动。这种动觉想象(Kinesthetic Motor Imagery,KMI)任务有一定难度，需要一定量的训练，甚至存在运动想象盲，因为被试者在日常生活中习惯了自然的实际运动(即公开的或显式的运动)，不习惯在心里体验实际运动过程但又要阻止运动发生的隐蔽的想象运动，导致康复训练达不到预期效果。
[0005]由此，视觉想象(Visual Imagery,VI)这种较容易完成的心理想象任务得以提出，它要求被试者以第三人称视角在大脑中清晰地看到一幅画面。由于被试者在日常生活中经常遇到该种心理想象活动，例如想象或回忆自己父母的形象、想象某个情景、想象某个运动画面等，所以患者通常不需要训练，或仅需要少量训练便可以掌握VI的训练方法。
[0006]康复训练本身就是一种周期较长的活动，患者需长时间依托医疗设备进行训练。但由于肢体瘫痪患者自身身体条件的不便，不仅长时间在医院进行专业训练要花费过多的钱力人力，而且在当前疫情影响下各种线下康复机构的暂停营业无法获得持续性的训练，因此无法根据治疗进展提供最佳的康复方案。研究专利技术，随着瘫痪患者治疗进程，患者在视觉想象、视觉引导等康复训练方法在训练过程中所产生的脑电信号也会随之发生改变。目前，尚未存在通过对瘫痪患者的脑电信号进行分析，进而后期可根据分析结果提供最佳的康复方案。
[0007]因此，本专利技术亟需一种面向肢体瘫痪患者的云上脑波分析方法，通过对患者的闹点信号进行分析，进而分析出患者当前的康复进程，从而为后期提供最佳康复方案奠定基础。

技术实现思路

[0008]本专利技术提出一种面向肢体瘫痪患者的云上脑波分析方法及系统，通过对瘫痪患者的脑波进行分析，进而为后期康复训练提供一个很好的基础，另外通过物联网技术实现信号的远程传输，从而可实施获取并分析患者的脑电信号，进而便于为患者提供该阶段最佳的康复方法。
[0009]为了解决上述技术问题，本专利技术的技术方案为：
[0010]一种面向肢体瘫痪患者的云上脑波分析方法，包括如下步骤：
[0011]S1、获取患者脑电信号
[0012]S1
‑
1、通过脑电采集帽采集患者的脑电信号；
[0013]S1
‑
2、将采集的脑电信号通过用户端经物联网发送至服务端；
[0014]S2、服务端接收脑电信号并预处理
[0015]S2
‑
1、服务端接收到脑电信号后通过脑电信号放大器进行放大处理；
[0016]S2
‑
2、通过PNN数据模型对脑电信号进行模式识别并建立训练集；
[0017]S2
‑
3、通过训练集以及后续采集的生物电信号对PNN数据模型进行增强学习；
[0018]S3、虚拟仿真，在系统中实时传送对应动作的画面；虚拟仿真具体可分为两种模式：(1)事先准备康复训练对应动作的视频图像画面保存至数据库，在患者进行康复训练采集脑电信号的同时，利用所获的模式识别结果相应的读取数据库中对应的视频图像画面进行展示，需要注意的是，此模式适用但不仅限于需要对所有动作进行训练的患者；(2)系统内置利用Unity 3D建模技术实现的3D训练场景，当患者需要对某一特定动作进行训练效果检验时，可以针对性的进入某一场景进行检验。例如左右手移动物品训练时，患者可以在脑中想象手部运动驱动系统3D场景内的手进行相应的运动，具有更强的实时反馈性以达到虚拟仿真训练的效果。
[0019]S4、根据仿真结果对患者身体水平以及以往训练结果进行数据分析，并最终反馈出一份动态更新的训练计划，同时，将训练结果实时传输至医生端，医生也会根据结果提出合理的康复训练意见。具体的，首先利用上述PNN+AFC聚类算法根据患者身体水平将脑电信号分为重度瘫痪(驱动身体运动的脑电信号极弱)、康复一期(产生身体运动的脑电信号但是不连续)、康复二期(产生连续的身体运动脑电信号但是信号较健康者弱)、康复三期(产生连续且较强的身体运动脑电信号)和健康五类；其次，在后期的动态更新聚类数和聚类条件后，根据医嘱，动态制定并更新相应的基础训练计划。当患者首次进行康复训练时，根据其身体水平提供相应训练疗程的基础训练计划并记录其当前身体水平；再达到一定次数的训练后，将当前脑电模式识别结果与初始值相比(也即聚类结果是否产生变化)，若未产生明显变化，则加强训练强度及周期；若产生明显变化，则改变训练模式(更换训练动作及难度)继续训练，直至达到患者预期效果。同时，医生可以根据患者后期的训练结果实时修改训练计划。
[0020]作为优选，所述步骤S1
‑
1中，脑电采集帽所采集的是患者在康复训练状态下的脑
电信号。
[0021]作为优选，所述脑电采集帽采集的是C3、Cz、C4三个通道的脑电数据。
[0022]作为优选，所述步骤S2
‑
2中，通过PNN数据模型对放大后的脑电信号根据患者的不同生物电信号进行模式识别，最终得到反应患者的身体水平的脑电信号。
[0023]作为优选，所述步骤S2...

【技术保护点】

【技术特征摘要】
1.一种面向肢体瘫痪患者的云上脑波分析方法，其特征在于，包括如下步骤：S1、获取患者脑电信号S1
‑
1、通过脑电采集帽采集患者的脑电信号；S1
‑
2、将采集的脑电信号通过一用户端经物联网发送至服务端；S2、服务端接收脑电信号并预处理S2
‑
1、服务端接收到脑电信号后通过脑电信号放大器进行放大处理；S2
‑
2、通过PNN数据模型对脑电信号进行模式识别并建立训练集；S2
‑
3、通过训练集以及后续采集的生物电信号对PNN数据模型进行增强学习；S3、虚拟仿真，在系统中实时传送对应动作的画面；S4、根据仿真结果对患者身体水平以及以往训练结果进行数据分析，并最终反馈出一份动态更新的训练计划。2.根据权利要求1所述的面向肢体瘫痪患者的云上脑波分析方法，其特征在于，所述步骤S1
‑
1中，脑电采集帽所采集的是患者在康复训练状态下的脑电信号。3.根据权利要求2所述的面向肢体瘫痪患者的云上脑波分析方法，其特征在于，所述脑电采集帽采集的是C3、Cz、C4三个通道的脑电数据。4.根据权利要求1所述的面向肢体瘫痪患者的云上脑波分析方法，其特征在于，所述步骤S2
‑
2中，通过PNN数据模型对放大后的脑电信号根据患者的不同生物电信号进行模式识别，最终得到反应患者的身体水平的脑电信号。5.根据权利要求3所述的面向肢体瘫痪患者的云上脑波分析方法，其特征在于，所述步骤S2
‑
3中增强学习的方法如下：首先利用模糊C均值聚类算法将数据集Ω分成H个聚类，第h(h＝1，
…
，H)个聚类拥有一个聚类中心v
h
，对于训练样本w∈Ω，FCM通过隶属度u
h
(w)表示w属于第h个聚类的程度，FCM寻找聚类中心J的目标函数如下：其中，τ为FCM的模糊度参数，用来调整隶属度值的权重,FCM寻找聚类中心的迭代公式如下：FCM寻找聚类中心的迭代公式如下：之后生成PNN分类器。6.根据权利要求5所述的面向肢体瘫痪患者的云上脑波分析方法，其特征在于，所述PNN分类器包括输入层、模式层、加和层和决策层，其分类方法如下：
(1)在输入层读取未知类别但已进行模式识别后的脑电信号，即信号向量2
‑
范数为1，并将其向下传递；(2)模式层具有与脑电信号的样本相同数量的模式神经元，每个神经元属于一个模式类别，假设训练集中有K
m
个m(m＝1，
…
，M)类别的神经元，令w
m,k
表示第k个m类的训练样本，对w
m,k
进行标准化处理后，每个模式神经元对于输入x的输出y<...

【专利技术属性】
技术研发人员：林虎，孙曜，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：