基于共性特征的运动神经通路模型重构方法及相关装置制造方法及图纸

本发明专利技术公开了基于共性特征的运动神经通路模型重构方法及相关装置，属于医疗康复技术领域；方法通过根据用户的脑信号

【技术实现步骤摘要】
基于共性特征的运动神经通路模型重构方法及相关装置


[0001]本专利技术属于医疗康复
，涉及一种基于共性特征的运动神经通路模型重构方法及相关装置
。

技术介绍

[0002]脑疾病
、
脑外伤
、
脊髓损伤等都会造成运动神经通路受损，导致大量患者出现偏瘫等运动障碍
,
需要进行运动康复
。
近年来，一种新型的运动功能康复技术
——
基于神经活动识别的脑机接口技术
(Brain Computer Interface,BCI)
受到了广泛的关注
。BCI
技术可以直接利用患者的神经活动来控制外部设备
(
如仿生手
、
虚拟现实等
)
，从而实现主动参与
、
自我反馈
、
神经可塑性促进等效果，提高康复效率和质量
。
然而，
EEG
信号存在显著的个体差异，这导致
BCI
模型在个体间的泛化性较差
。
目前，主流解决方案有基于迁移学习的模型校准策略和通过特征提取提高准确率策略
。
[0003]基于迁移学习模型校准策略可增加新用户个体特征，提高模型性能，但会增加工作量，目前这项技术还在不断优化中
。
例如
2018
年的一个层次聚类减少
90
％校准时间；
2020
年出现的在线预对齐策略提高跨数据集泛化性；
2022
年发表的基于运动想象的脑机接口迁移学习研究减少新受试者校准工作量
。
通过特征提取提高准确率的策略可分为传统方法和深度学习，如：时空卷积神经网络方法及阶段式训练策略
(2020)、
内核回归框架
(2021)、
结合空间协方差矩阵的黎曼几何与稀疏优化的方法
(2022)。
深度学习中代表性算法有残差网络
、
注意力机制
、
长短期记忆网络等，搭配以上算法构成有效提取
EEG
信号特征的架构，提高了分类准确率
。
传统方法通过时间维度
、
空间维度
、
解码函数的优化，使模型学到更多个体间共性特征；深度学习方法通过大数据逼近共性特征，不断提高准确率
。
总结上述两种思路可知，改变模型中个体独有特征和增加个体间共性特征均可提高模型泛化性，但目前主要是单一方法，鲜有明确划分并优化这两种特征的方法
。BCI
模型在个体间的泛化性仍难以得到解决
。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中
BCI
模型在个体间的泛化性较差的技术问题，提供一种基于共性特征的运动神经通路模型重构方法及相关装置
。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]第一方面，本专利技术提高一种基于共性特征的运动神经通路模型重构方法，包括以下步骤：
[0007]根据用户的脑信号
、
肌肉激活信号和肢体力信号构建非线性映射的大脑
‑
肌肉模型和肌肉
‑
肢体运动模型；
[0008]将大脑
‑
肌肉模型和肌肉
‑
肢体运动模型先转化为传递函数，再表示为关系谱；
[0009]从关系谱中提取共性特征，依据共性特征重构大脑
‑
肌肉模型和肌肉
‑
肢体运动模型
。
[0010]上述方法进一步的改进在于：
[0011]所述脑信号
、
肌肉激活信号和肢体力信号为经过预处理和特征提取后的脑信号
、
肌肉激活信号和肢体力信号
。
[0012]所述预处理包括：对采集的脑信号
、
肌肉激活信号和肢体力信号进行滤波
、
降噪和分段操作；所述特征提取包括：从预处理后的脑信号
、
肌肉激活信号和肢体力信号数据片段中提取有效的特征；所述传递函数为多项式形式
。
[0013]所述从关系谱中提取共性特征，依据共性特征重构大脑
‑
肌肉模型和肌肉
‑
肢体运动模型包括：对每个关系谱中
n
组数值的关系项进行统计检验，得出用户间的共性关系项，并作为共性特征重构大脑
‑
肌肉模型和肌肉
‑
肢体运动模型
。
[0014]所述对每个关系谱中
n
组数值的关系项进行统计检验，得出用户间的共性关系项，并作为共性特征重构大脑
‑
肌肉模型和肌肉
‑
肢体运动模型，还包括：通过设置统计检验的显著性水平，调控共性特征关系项的数量；分别求解大脑
‑
肌肉和肌肉
‑
肢体运动阶段在不同显著性下的共性关系项，并评估模型性能，分析共性关系项数量对预测模型性能的影响，找出预测模型性能评价指标最高的共性特征量，然后根据该共性特征量重构大脑
‑
肌肉模型和肌肉
‑
肢体运动模型
。
[0015]所述脑信号的采集方式为侵入式或非侵入式；所述肌肉激活信号为肌电信号
。
[0016]第二方面，本专利技术提供一种基于共性特征的运动神经通路模型构建系统，包括：
[0017]模型构建模块，用于根据用户的脑信号
、
肌肉激活信号和肢体力信号构建非线性映射的大脑
‑
肌肉模型和肌肉
‑
肢体运动模型；
[0018]传递函数转化模块，用于将大脑
‑
肌肉模型和肌肉
‑
肢体运动模型先转化为传递函数，再表示为关系谱；
[0019]模型重构模块，用于从关系谱中提取共性特征，依据共性特征重构大脑
‑
肌肉模型和肌肉
‑
肢体运动模型
。
[0020]第三方面，本专利技术提供一种电子设备，包括存储器
、
处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于共性特征的运动神经通路模型重构方法的步骤
。
[0021]第四方面，本专利技术提供一种一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述基于共性特征的运动神经通路模型重构方法的步骤
。
[0022]与现有技术相比，本专利技术具有以下有益效果：
[0023]本专利技术公开了一种基于共性特征的运动神经通路模型重构方法及相关装置，将构建好的大脑
‑
肌肉模型和肌肉
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于共性特征的运动神经通路模型重构方法，其特征在于，包括以下步骤：根据用户的脑信号
、
肌肉激活信号和肢体力信号构建非线性映射的大脑
‑
肌肉模型和肌肉
‑
肢体运动模型；将大脑
‑
肌肉模型和肌肉
‑
肢体运动模型先转化为传递函数，再表示为关系谱；从关系谱中提取共性特征，依据共性特征重构大脑
‑
肌肉模型和肌肉
‑
肢体运动模型
。2.
根据权利要求1所述的基于共性特征的运动神经通路模型重构方法，其特征在于，所述脑信号
、
肌肉激活信号和肢体力信号为经过预处理和特征提取后的脑信号
、
肌肉激活信号和肢体力信号
。3.
根据权利要求2所述的基于共性特征的运动神经通路模型重构方法，其特征在于，所述预处理包括：对采集的脑信号
、
肌肉激活信号和肢体力信号进行滤波
、
降噪和分段操作；所述特征提取包括：从预处理后的脑信号
、
肌肉激活信号和肢体力信号数据片段中提取有效的特征；所述传递函数为多项式形式
。4.
根据权利要求1所述的基于共性特征的运动神经通路模型重构方法，其特征在于，所述从关系谱中提取共性特征，依据共性特征重构大脑
‑
肌肉模型和肌肉
‑
肢体运动模型包括：对每个关系谱中
n
组数值的关系项进行统计检验，得出用户间的共性关系项，并作为共性特征重构大脑
‑
肌肉模型和肌肉
‑
肢体运动模型
。5.
根据权利要求4所述的基于共性特征的运动神经通路模型重构方法，其特征在于，所述对每个关系谱中
n
组数值的关系项进行...

【专利技术属性】
技术研发人员：刘刚，尧德中，庞雅静，徐佳颖，张锐，
申请(专利权)人：郑州大学，
类型：发明
国别省市：