[发明专利]一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法

说明书

技术领域

本发明属于康复治疗神经学科技术领域，涉及一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法。

背景技术

脑卒中(俗称:脑中风Stroke)，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。由于其发病率较高，具有极高的致残率，严重威胁人类健康。美国心脏协会(AHA)2016年心脏病与卒中统计数据更新显示，脑卒中是仅次于心脏病的全球人类健康杀手。而在我国脑卒中的发生率正以每年8.7％的速度上升，患病率及死亡率仅次于高血压位于第二，给社会和家庭带来沉重的精神压力和巨大的经济负担。

当前从治疗手段分析，国内外脑卒中康复系统主要聚焦于临床康复训练系统与。临床康复训练系统多采用基于神经生理学基础的康复训练，主要是根据运动发育控制原理与大脑可塑性原理，利用共同运动、协同作用和姿势反射等神经运动机制，通过医师对患者临床的康复评定，对患者的功能状态和潜在能力进行判断，然后“对症下药”，进行相应的康复训练。目前临床上关于脑卒中运动功能评定的方法很多，如简式Fugl-Meyer运动功能评分法、Brunnstrom等级评测法等。这些量表评定的方法，都依赖于医生的检查和观察，属于人工评定，虽然临床上广泛使用，但评定结果容易受到康复医师主观因素的影响，且量表分级指标较多，需要康复医师全程参与，而有限的医师数量面对庞大的病患群体往往力不从心，甚至延误最佳治疗时机。目前我国的现状是临床康复资源(诸如康复医师、治疗师、护理人员、床位等)愈发紧张，且存在严重的区域不平衡，且对于神经系统损伤，目前医学界还没有能力完全修复。如何通过主动康复训练解决中风病人的病后运动功能障碍问题，是当今医学的研究热点和难点。

因而研究高性能脑卒中康复系统脑机接口帮助无法通过正常输出通路的患者完成主动康复训练，从而改善运动机能恢复正常活动行为，对于我国脑卒中治疗在神经学科与信息学科交叉领域具有十分重要的研究意义与发展前景。

已有医学研究表明，绝大多数脑卒中，脑和肢体神经通路瘫痪患者均未受损，因此基于运动想象的BCI可用于重建损伤的脑卒中区域，即BCI恢复功能使用运动想象和神经反馈的损伤运动控制，增强运动控制网络重建的学习。

其中共空间模式(Common Spatial Pattern,CSP)被证明是最有效的方法之一，其借助迁移学习的思想将其他被试的脑电信号引入到CSP学习过程中，保证了被试的脑电信号协方差的估计偏差较好，在小训练样本数据中应用广泛。但随着训练样本的增加，其分类准确率增长缓慢；并伴随时间复杂度的上升，限制算法的实际应用。

近年来，随着深度学习的研究深入，很多脑电样本数据可以引入到诸如卷积神经网络框架中进行训练处理，需要相对大量的训练样本。卷积层数会依据样本量进行选取，一旦样本量数据太小，造成识别错误率大大提升。对于多类运动想象脑电信号，样本量一般为中小量，而单纯引用深度学习框架得不到充分训练，难以发挥CNN算法的优势。因此，本发明提出将改进的CSP算法和CNN结合的方式对多类运动想象脑电信号进行分类。

综上所述，利用脑机接口技术识别患者的运动想象脑电信号,可将患者运动意愿翻译成控制命令驱动康复装置动作,帮助患者完成主动康复训练,有利于改善运动功能恢复效果，而针对此技术的算法在应用上还未趋于成熟。

发明内容

本发明提供一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法，针对研究运动功能障碍患者的康复训练领域，如何实现高精度、高鲁棒性的基于运动想象的脑机接口技术，从而精确判别患者的运动姿态和肢体运动位置，为量表评定病患康复程度提供客观的数据支撑，有效缓解当前脑卒中治疗设备和医师资源严重不足，主观治疗带来的弊端等问题。提出了采用小波包变换和快速独立分析方法进行脑电信号的预处理，主要是对原始的运动想象脑电信号进行滤波，尽可能地减少脑电信号中的各种噪声，提高信噪比，基于改进的共空间模式结合卷积神经网络算法识别患者运动想象脑电信号，从而更准确地判别患者的运动位置和肢体运动状态，为量表评定病患康复程度提供客观的数据支撑。

为实现上述目的，本发明采用如下的技术方案：

一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法，包括以下步骤：

步骤1：脑电信号预处理，得到滤除噪声后的脑电信号；

步骤2：改进后的OVR-CSP算法可对滤除噪声后的多类运动想象EEG信号进行特征提取，得到每一类的运动想象脑电信号的特征，形成一维特征数据，同时将方差作为分类器的输入；