[发明专利]基于脑机混合智能的意念控制假肢系统

说明书

一种基于脑机混合智能的意念控制假肢系统，包括依次连接的视觉刺激模块、便携式脑电信号采集设备、脑电信号处理与识别模块和假肢，所述视觉刺激模块用于为被试者提供视觉刺激选项，脑电信号处理与识别模块用于采集被试者的SSMVEP脑电信号，脑电信号处理与识别模块用于对SSMVEP脑电信号进行特征提取和分类，根据分类结果驱动假肢进行6种动作，所述6种动作为：按电梯，竖大拇指，将水倒入杯子，将食物送入嘴中，将物体上移到橱柜，两根手指捡起一个物体。本发明能够对疲劳状态下的脑卒中患者提高分类辨识精度，进一步减少疲劳状态下脑卒中患者对假肢的误操作率，方便脑卒中患者的日常生活，提高意念控制假肢系统的适用性。

技术领域

本发明涉及一种假肢控制。特别是涉及一种基于脑机混合智能的意念控制假肢系统。

背景技术

脑-机接口(Brain-computer interface，BCI)技术通过获取和分析大脑活动信号并解码脑神经活动信息来实现与外界的信息交流或对外部设备的控制，为大脑提供了一条全新的、无需依赖常规外周神经与肌肉系统的对外交流通道。目前，脑-机接口技术已经在医学诊断、残疾辅助、智能家居和生活娱乐等多个领域中得到广泛应用，尤其是在脑卒中患者的日常辅助方面起到了极大地作用。脑-机接口采集脑卒中患者的脑电信号后，对脑电信号进行特征提取与分类，进一步转化为指令控制假肢设备，辅助脑卒中患者完成一些日常活动，大大方便了脑卒中患者的生活，减轻了患者以及家属的负担。

基于SSMVEP的BCI系统由于结构配置简单，训练需求小，信号稳定且传输率高等优势得到了研究人员的青睐。SSMVEP是指人眼在受到持续一段时间的固定频率的外部视觉刺激时，会在大脑的视觉皮层中产生与刺激频率相关的周期性响应。相比SSVEP，SSMVEP视觉上的刺激更加柔和，对亮度对比度变化的敏感度较低，不容易引起被试者的视觉和精神疲劳，有助于获取更加稳定的SSMVEP信号。传统SSMVEP信号特征提取方法一般通过典型相关分析、快速傅里叶变换、小波变换、希尔伯特-黄变换等方法提取EEG信号在频域上的节律特性；通过主成分分析、独立成分分析、共同空间模式等方法提取EEG信号在空间域上的空间分布特性。虽然这些方法取得了可喜的结果，但系统在实际应用中仍然存在识别正确率和信息传输速率较低的问题，无法满足有需要的群体利用BCI进行日常交流与控制的要求。将深度学习引入到BCI应用中，有望减少在手工提取EEG数据特征方面的工作量，同时保持良好的分类性能。深度学习方法不同于传统的模式识别算法，它通过各个网络层逐渐抽取数据的特征来组合成数据的特征表示，进而自动学习数据的内在属性，而不需要手动提取数据特征，能更好的获取数据的全方位信息和内在联系，为脑卒中患者提高了BCI适用性。

发明内容

本发明所要解决的技术问题是，提供一种能够帮助上肢运动通路损伤以致于活动受限的脑卒中病患完成日常任务的基于脑机混合智能的意念控制假肢系统。

本发明所采用的技术方案是：一种基于脑机混合智能的意念控制假肢系统，包括有依次连接的视觉刺激模块、便携式脑电信号采集设备、脑电信号处理与识别模块和假肢，其中，所述视觉刺激模块用于为被试者提供视觉刺激选项，脑电信号处理与识别模块用于采集被试者的SSMVEP脑电信号，脑电信号处理与识别模块用于对SSMVEP脑电信号进行特征提取和分类，根据分类结果驱动假肢进行6种动作，所述6种动作为：按电梯，竖大拇指，将水倒入杯子，将食物送入嘴中，将物体上移到橱柜，两根手指捡起一个物体。

本发明的基于脑机混合智能的意念控制假肢系统，能够对疲劳状态下的脑卒中患者提高分类辨识精度，进一步减少疲劳状态下脑卒中患者对假肢的误操作率，方便脑卒中患者的日常生活，提高意念控制假肢系统的适用性。

附图说明

图1是本发明基于脑机混合智能的意念控制假肢系统的构成框图；

图2是本发明中视觉刺激模块的示意图；

图3是本发明中便携式脑电信号采集设备的构成框图；

图4是本发明脑电信号处理与辨识模块的流程图。