[發明專利]一種基于腦機接口輔助康復醫療的共空間模式與深度學習方法

在審

• 申請號: 201711159910.4
• 申請日: 2017-11-20
• 公開（公告）號: CN107958213A
• 公開（公告）日: 2018-04-24
• 發明（設計）人: 王卓崢;杜秀文;吳強;董英杰
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司11203
• 代理人: 張慧

技術領域

本發明屬于康復治療神經學科技術領域，涉及一種基于腦機接口輔助康復醫療的共空間模式與深度學習方法。

背景技術

腦卒中(俗稱:腦中風Stroke)，是由于腦部血管突然破裂或因血管阻塞導致血液不能流入大腦而引起腦組織損傷的一種常見的腦血液循環障礙性疾病。由于其發病率較高，具有極高的致殘率，嚴重威脅人類健康。美國心臟協會(AHA)2016年心臟病與卒中統計數據更新顯示，腦卒中是僅次于心臟病的全球人類健康殺手。而在我國腦卒中的發生率正以每年8.7％的速度上升，患病率及死亡率僅次于高血壓位于第二，給社會和家庭帶來沉重的精神壓力和巨大的經濟負擔。

當前從治療手段分析，國內外腦卒中康復系統主要聚焦于臨床康復訓練系統與。臨床康復訓練系統多采用基于神經生理學基礎的康復訓練，主要是根據運動發育控制原理與大腦可塑性原理，利用共同運動、協同作用和姿勢反射等神經運動機制，通過醫師對患者臨床的康復評定，對患者的功能狀態和潛在能力進行判斷，然后“對癥下藥”，進行相應的康復訓練。目前臨床上關于腦卒中運動功能評定的方法很多，如簡式Fugl-Meyer運動功能評分法、Brunnstrom等級評測法等。這些量表評定的方法，都依賴于醫生的檢查和觀察，屬于人工評定，雖然臨床上廣泛使用，但評定結果容易受到康復醫師主觀因素的影響，且量表分級指標較多，需要康復醫師全程參與，而有限的醫師數量面對龐大的病患群體往往力不從心，甚至延誤最佳治療時機。目前我國的現狀是臨床康復資源(諸如康復醫師、治療師、護理人員、床位等)愈發緊張，且存在嚴重的區域不平衡，且對于神經系統損傷，目前醫學界還沒有能力完全修復。如何通過主動康復訓練解決中風病人的病后運動功能障礙問題，是當今醫學的研究熱點和難點。

因而研究高性能腦卒中康復系統腦機接口幫助無法通過正常輸出通路的患者完成主動康復訓練，從而改善運動機能恢復正常活動行為，對于我國腦卒中治療在神經學科與信息學科交叉領域具有十分重要的研究意義與發展前景。

已有醫學研究表明，絕大多數腦卒中，腦和肢體神經通路癱瘓患者均未受損，因此基于運動想象的BCI可用于重建損傷的腦卒中區域，即BCI恢復功能使用運動想象和神經反饋的損傷運動控制，增強運動控制網絡重建的學習。

其中共空間模式(Common Spatial Pattern,CSP)被證明是最有效的方法之一，其借助遷移學習的思想將其他被試的腦電信號引入到CSP學習過程中，保證了被試的腦電信號協方差的估計偏差較好，在小訓練樣本數據中應用廣泛。但隨著訓練樣本的增加，其分類準確率增長緩慢；并伴隨時間復雜度的上升，限制算法的實際應用。

近年來，隨著深度學習的研究深入，很多腦電樣本數據可以引入到諸如卷積神經網絡框架中進行訓練處理，需要相對大量的訓練樣本。卷積層數會依據樣本量進行選取，一旦樣本量數據太小，造成識別錯誤率大大提升。對于多類運動想象腦電信號，樣本量一般為中小量，而單純引用深度學習框架得不到充分訓練，難以發揮CNN算法的優勢。因此，本發明提出將改進的CSP算法和CNN結合的方式對多類運動想象腦電信號進行分類。

綜上所述，利用腦機接口技術識別患者的運動想象腦電信號,可將患者運動意愿翻譯成控制命令驅動康復裝置動作,幫助患者完成主動康復訓練,有利于改善運動功能恢復效果，而針對此技術的算法在應用上還未趨于成熟。

發明內容

本發明提供一種基于腦機接口輔助康復醫療的共空間模式與深度學習方法，針對研究運動功能障礙患者的康復訓練領域，如何實現高精度、高魯棒性的基于運動想象的腦機接口技術，從而精確判別患者的運動姿態和肢體運動位置，為量表評定病患康復程度提供客觀的數據支撐，有效緩解當前腦卒中治療設備和醫師資源嚴重不足，主觀治療帶來的弊端等問題。提出了采用小波包變換和快速獨立分析方法進行腦電信號的預處理，主要是對原始的運動想象腦電信號進行濾波，盡可能地減少腦電信號中的各種噪聲，提高信噪比，基于改進的共空間模式結合卷積神經網絡算法識別患者運動想象腦電信號，從而更準確地判別患者的運動位置和肢體運動狀態，為量表評定病患康復程度提供客觀的數據支撐。

為實現上述目的，本發明采用如下的技術方案：

一種基于腦機接口輔助康復醫療的共空間模式與深度學習方法，包括以下步驟：

步驟1：腦電信號預處理，得到濾除噪聲后的腦電信號；

步驟2：改進后的OVR-CSP算法可對濾除噪聲后的多類運動想象EEG信號進行特征提取，得到每一類的運動想象腦電信號的特征，形成一維特征數據，同時將方差作為分類器的輸入；