[发明专利]基于新型迁移学习模型的脑-肌电智能全肢体康复方法

说明书

一种基于新型迁移学习模型的脑‑肌电智能全肢体康复方法：通过将已有被试者的脑‑肌电信号数据作为源域样本来提升对新被试者的脑‑肌电信号数据的分类准确率。通过将脑‑肌电信号数据计算出的协方差矩阵映射到其流形的切空间，并在该空间中通过构建迁移学习模型进行源域和目标域的数据迁移。同时在实际应用中，可以通过脑‑肌电智能全肢体康复设备采集被试者的脑电数据输入训练完毕的迁移学习模型，当识别出脑电类别所对应的被试者运动意图后，通过脑‑肌电智能全肢体康复设备的外骨骼康复器械协助被试者执行相应的肢体动作，实现自主康复训练。本发明有助于解决运动想象脑电信号与皮层肌电信号被试个体差异大，样本量少或者无标签导致的解码困难问题。

技术领域

本发明涉及一种脑-肌电智能全肢体康复方法。特别是涉及一种基于新型迁移学习模型的脑-肌电智能全肢体康复方法。

背景技术

脑卒中是一种由于大脑里面的血管突然发生破裂出血或因血管堵塞造成大脑缺血、缺氧而引起的急性脑血管疾病。根据世界中风组织的数据，全球平均每6秒就有1人死于脑卒中。在我国，脑卒中现已成为第一大致残和致死疾病。在传统康复方法中，患者通常通过人工物理疗法来逐步恢复肌肉的收缩能力，但在花费大量的时间和精力的同时，结果往往收效甚微，且不能充分调动患者的自主运动意识。脑机接口(brain-computerinterface,BCI)是一种通过采集人体大脑皮层电信号，实现大脑与外部设备直接交互的新型方式，其中，基于运动想象的脑机接口通过被试者自发性地想象肢体运动来控制外接设备的运动，是一种被广泛用于人体交互与康复医疗的脑机接口范式。同时，使用者在康复过程中，通过辅助设备完成肢体运动的同时，会在肢体产生肌电信号，反映肢体运动时周围肌肉的运动状态。因此，结合脑电信号和肌电信号对使用者的运动意图的辨识是一种新型的康复方式。而在对基于脑电信号和肌电信号的运动意图辨识问题中，由于新被试者训练数据少，且获取有标签数据需要耗费大量的时间和精力，导致难以训练出一个识别性能满足要求的分类模型。因此，如何通过已有的被试者脑电信号来提升新被试这脑电信号的识别准确率已成为该领域的关注重点及研究热点。

本发明将提出一种基于新型迁移学习模型的脑-肌电智能全肢体康复设备，有助于解决运动想象脑电信号与皮层肌电信号被试个体差异大，样本量少或者无标签导致的解码困难问题。

发明内容

本发明所要解决的技术问题是，提供一种有助于解决运动想象脑电信号与皮层肌电信号被试个体差异大，样本量少或者无标签导致的解码困难问题的基于新型迁移学习模型的脑-肌电智能全肢体康复方法。

本发明所采用的技术方案是：一种基于新型迁移学习模型的脑-肌电智能全肢体康复方法，包括如下步骤：

1)构建脑电信号数据的目标域和源域，包括将已有的被试者脑-肌电信号数据作为迁移学习模型的源域样本，新被试者的脑-肌电信号数据作为迁移学习模型的目标域样本；

2)根据目标域样本和源域样本构建脑-肌电协方差矩阵，得到目标域矩阵空间和源域矩阵空间；

3)将目标域矩阵空间和源域矩阵空间分别映射到可微黎曼流形的切空间；

4)构建用于对脑-肌电信号进行特征提取和分类的迁移学习模型，包括：构建卷积块、构建卷积神经网络作为迁移学习模型的特征提取器、构建全连接神经网络作为迁移学习模型的分类器和构建迁移学习模型的域判别器；

5)构建迁移学习模型的损失函数；

6)输入源域样本和目标域样本对迁移学习模型进行训练；

7)通过脑-肌电智能全肢体康复设备采集被试者的脑电数据，并通过步骤2)和步骤3)后，将数据输入更新完毕的迁移学习模型，在多类脑电任务上进行识别；当识别出脑电类别所对应的被试者运动意图后，通过脑-肌电智能全肢体康复设备的外骨骼康复器械协助被试者执行相应的肢体动作，完成康复训练。