【技术实现步骤摘要】
本专利技术涉及脑机接口，尤其涉及基于mi-bci的主动诱导式康复系统和设备。
技术介绍
1、脑机接口(brain computer interface，bci)技术是一种由神经活动控制、可进行实时反馈输出的新型康复治疗技术，能够通过解码个体心理意图在大脑与外部环境之间建立起一种不依赖于外周神经和肌肉传导的交流与控制通道，将神经活动转化为内部或外部命令信号，实现大脑与外部环境的直接交互。
2、脑电图(electroencephalography,eeg)采集方便，且具有无损伤、可重复、时空分辨率高等优点，因此，将eeg作为非侵入性bci信号采集的方式，可以规避侵入式bci手术风险、免疫反应等安全性难题，在康复医学领域具有独特的应用优势与价值。
3、运动想象(motor imagery,mi)作为诱发eeg信号的一种方式，可以在没有外部刺激和明显动作输出的情况下，在大脑的初级运动区诱导μ节律和β节律的事件相关去同步现象，通过分析不同特征变化所对应的mi任务，就可以了解用户的真实运动意图，自发执行特定的现实交互任务。因此，mi-eeg的使用为bci的安全性和易推广性提供了可能。
4、功能性神经肌肉电刺激(functional neuromuscular stimulation，fns)输出电流刺激外周肌肉，通过“被刺激肌肉-控制肌肉的神经-神经中枢-控制肌肉的传出神经-再次传到被刺激的肌肉”这一模式，促进神经重塑，从而加强中枢对外周的控制，起到促进神经功能恢复的作用。因此，fns技术已被应用于临床，
5、然而，mi-eeg信号微弱，在临床应用中，通常选用小样本mi-eeg，信号质量受受试者mi的专注程度和运动皮层神经元兴奋程度的直接影响，且信号采集中多采用简单的符号或画面作为提示界面，缺乏与受试者的关联性，受试者主动mi的强度和持续性难以保证，导致信号质量下降。另外，眼电、肌电等干扰及容积传导效应还会加剧信号失真，降低mi-eeg信噪比。虽然采用小波变换、盲源分离等方法进行伪迹去除，能够使信噪比得到一定改善，但无法使mi-eeg信号质量得到根本性提升。
技术实现思路
1、针对上述存在的问题，本专利技术旨在提供一种基于mi-bci的主动诱导式康复系统和设备，不仅具有无创条件下实现精准康复的优势，更可以在神经肌肉反馈通路的基础上实现主动诱导，以改善患者由于神经肌肉通路受阻而造成的功能障碍，进一步有效缓解治疗师不足、医疗资源不均等问题。
2、为了实现上述目的，本专利技术所采用的技术方案如下：
3、基于mi-bci的主动诱导式康复系统，包括mi-eeg信号采集及预处理模块、数据特征提取及分类算法模块和fns主动诱导模块；
4、mi-eeg信号采集及预处理模块采用mi结合eeg的信号采集方式采集原始eeg脑电信号，并进行数据预处理；
5、数据特征提取及分类算法模块用于对预处理后的eeg脑电信号进行特征提取和分类；
6、fns主动诱导模块用于根据数据特征提取及分类算法模块分类的结果完成主动诱导。
7、进一步的，mi-eeg信号采集及预处理模块对原始eeg脑电信号进行数据预处理的方法包括以下步骤：
8、(1)：对原始eeg脑电信号进行陷波滤波，去除工频干扰；
9、(2)：通过0.5hz到50hz的带通滤波，去除低频漂移和高频噪声；
10、(3)：使用fastica算法消除眼电伪迹；
11、(4)使用快速傅里叶变换方法对频率精确到1hz，并从14通道中截取eeg信号的时间窗口；
12、(5)：计算eeg脑电信号的功率谱密度作为输入数据特征提取及分类算法模块的初级特征。
13、进一步的，eeg脑电信号的功率谱密度计算方法为
14、
15、式中，p表示功率谱密度；wk表示离散的频率分量，n表示信号长度，y(t)表示时域信号，i表示虚数单位。
16、进一步的，数据特征提取及分类算法模块对预处理后的eeg脑电信号进行特征提取的具体操作包括以下步骤：经过一对多的共空间模式ovr-csp方法对mi-eeg信号采集及预处理模块输入的eeg脑电信号功率谱密度数据进行脑电信号α频段和β频段节律的erd/ers特征提取。
17、进一步的，ovr-csp方法对脑电信号α频段和β频段节律的erd/ers特征提取的具体操作包括以下步骤：
18、步骤1：对预处理后的eeg脑电信号只考虑三个通道c3、cz和c4；
19、步骤2：计算频段(8～14hz)和频段(14～30hz)的脑区图，将erd映射为红色，将ers映射为蓝色。
20、进一步的，数据特征提取及分类算法模块采用混合lstm与vgg的网络结构vgg-lstmnet，对提取的脑电信号α频段和β频段节律的erd/ers特征进行分类。
21、进一步的，vgg-lstmnet网络模型包括三个卷积层和一个1-d conv层，第一个卷积层为32个卷积核大小[3×3]的两层堆叠结构，第二个卷积层为64个卷积核大小[3×3]的两层堆叠结构，第三个卷积层为128个卷积核大小[3×3]的单层结构；每个卷积层对应一个lstm时刻单元结构；将1-d conv层的输出结果与lstm输出做并行融合后一起输入到全连接层，全连接层依旧采用两层堆叠结构，第一层是一个平铺结构，通过一个全连接层变成了1×512的向量，完成最终的分类，根据样本标签所需要的类别个数，最后进入到softmax层，完成最终的多分类问题的求解。
22、进一步的，fns主动诱导模块依托于pycharm community edition软件完成主动诱导，根据患者测试情况调节脑电阈值，根据患者的耐受程度调节电流强度，采集eeg信号同时为患者播放引导视频，通过视觉刺激和语音文字提示患者自主进行mi任务，当eeg设备采集到mi信息，达到主动诱导阈值，将会触发fns，通过电极传导刺激相应神经肌肉，完成主动诱导。
23、进一步的，本专利技术还包括一种基于mi-bci的主动诱导式康复设备，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述储存器内存储有权利要求1-8任一项所述的基于mi-bci的主动诱导式康复系统，使得所述处理器能够执行基于mi-bci的主动诱导式康复系统的指令。
24、本专利技术的有益效果是：
25、1、本专利技术中基于mi-bci的主动诱导式康复系统实现了一种mi-bci高鲁棒性、高精度的特征提取方法，可满足不同功能障碍类型的通用数据降维及精准分类方法；并应用mi-bci控制fns主动诱导刺激神经肌肉以改善患者的功能障碍，本文档来自技高网...
【技术保护点】
1.基于MI-BCI的主动诱导式康复系统，其特征在于：包括MI-EEG信号采集及预处理模块、数据特征提取及分类算法模块和FNS主动诱导模块；
2.根据权利要求1所述的基于MI-BCI的主动诱导式康复系统，其特征在于，MI-EEG信号采集及预处理模块对原始EEG脑电信号进行数据预处理的方法包括以下步骤：
3.根据权利要求2所述的基于MI-BCI的主动诱导式康复系统，其特征在于：EEG脑电信号的功率谱密度计算方法为
4.根据权利要求2所述的基于MI-BCI的主动诱导式康复系统，其特征在于，数据特征提取及分类算法模块对预处理后的EEG脑电信号进行特征提取的具体操作包括以下步骤：经过一对多的共空间模式OVR-CSP方法对MI-EEG信号采集及预处理模块输入的EEG脑电信号功率谱密度数据进行脑电信号α频段和β频段节律的ERD/ERS特征提取。
5.根据权利要求4所述的基于MI-BCI的主动诱导式康复系统，其特征在于，OVR-CSP方法对脑电信号α频段和β频段节律的ERD/ERS特征提取的具体操作包括以下步骤：
6.根据权利要求4所
7.根据权利要求6所述的基于MI-BCI的主动诱导式康复系统，其特征在于：VGG-LSTMnet网络模型包括三个卷积层和一个1-D Conv层，第一个卷积层为32个卷积核大小[3×3]的两层堆叠结构，第二个卷积层为64个卷积核大小[3×3]的两层堆叠结构，第三个卷积层为128个卷积核大小[3×3]的单层结构；每个卷积层对应一个LSTM时刻单元结构；将1-D Conv层的输出结果与LSTM输出做并行融合后一起输入到全连接层，全连接层依旧采用两层堆叠结构，第一层是一个平铺结构，通过一个全连接层变成了1×512的向量，完成最终的分类，根据样本标签所需要的类别个数，最后进入到Softmax层，完成最终的多分类问题的求解。
8.根据权利要求7所述的基于MI-BCI的主动诱导式康复系统，其特征在于：FNS主动诱导模块依托于Pycharm Community Edition软件完成主动诱导，根据患者测试情况调节脑电阈值，根据患者的耐受程度调节电流强度，采集EEG信号同时为患者播放引导视频，通过视觉刺激和语音文字提示患者自主进行MI任务，当EEG设备采集到MI信息，达到主动诱导阈值，将会触发FNS，通过电极传导刺激相应神经肌肉，完成主动诱导。
9.一种基于MI-BCI的主动诱导式康复设备，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述储存器内存储有权利要求1-8任一项所述的基于MI-BCI的主动诱导式康复系统，使得所述处理器能够执行基于MI-BCI的主动诱导式康复系统的指令。
...【技术特征摘要】
1.基于mi-bci的主动诱导式康复系统，其特征在于：包括mi-eeg信号采集及预处理模块、数据特征提取及分类算法模块和fns主动诱导模块；
2.根据权利要求1所述的基于mi-bci的主动诱导式康复系统，其特征在于，mi-eeg信号采集及预处理模块对原始eeg脑电信号进行数据预处理的方法包括以下步骤：
3.根据权利要求2所述的基于mi-bci的主动诱导式康复系统，其特征在于：eeg脑电信号的功率谱密度计算方法为
4.根据权利要求2所述的基于mi-bci的主动诱导式康复系统，其特征在于，数据特征提取及分类算法模块对预处理后的eeg脑电信号进行特征提取的具体操作包括以下步骤：经过一对多的共空间模式ovr-csp方法对mi-eeg信号采集及预处理模块输入的eeg脑电信号功率谱密度数据进行脑电信号α频段和β频段节律的erd/ers特征提取。
5.根据权利要求4所述的基于mi-bci的主动诱导式康复系统，其特征在于，ovr-csp方法对脑电信号α频段和β频段节律的erd/ers特征提取的具体操作包括以下步骤：
6.根据权利要求4所述的基于mi-bci的主动诱导式康复系统，其特征在于，数据特征提取及分类算法模块采用混合lstm与vgg的网络结构vgg-lstmnet，对提取的脑电信号α频段和β频段节律的erd/ers特征进行分类。
7.根据权利要求6所述的基于mi-bci的主动诱导式康复系统...
【专利技术属性】
技术研发人员：黄富表，王卓峥，莫含情，陈佳丽，
申请(专利权)人：中国康复研究中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。