[發明專利]一種基于新型深度學習模型的腦控混合智能康復方法

在審

• 申請號: 202010364660.3
• 申請日: 2020-04-30
• 公開（公告）號: CN111543985A
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 高忠科;劉明旭;孫新林
• 申請（專利權）人: 天津大學
• 主分類號: A61B5/0476
• 分類號: A61B5/0476;A61B5/00;A63B21/00;A63B24/00;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

1.一種基于新型深度學習模型的腦控混合智能康復方法，其特征在于，首先通過由電極帽和便攜式腦電信號采集設備構成的腦-機接口獲取被試者的運動想象腦電信號，由解碼模型解碼被試者的運動意圖；根據被試者的運動意圖控制康復設備輔助被試者進行肢體運動；所述的解碼模型由訓練數據集訓練深度學習模型得到，隨著被試者康復訓練的推進，解碼模型不斷的更新以適應被試者的腦電圖特征變化；所述的訓練數據集來源于運動想象數據庫，所述的運動想象數據庫用于存儲采集到的被試者的腦電圖信號樣本并進行時間標識和動作標簽的標記。

2.根據權利要求1所述的一種基于新型深度學習模型的腦控混合智能康復方法，其特征在于，所述的由訓練數據集訓練深度學習模型，包括如下步驟：

1)以當日為基準，獲取被試者歷史腦電圖并確定被試者對應的腦電圖信號樣本；

2)確定腦電圖信號樣本的時間標識信息和標簽信息，以構建訓練數據集；

3)基于所述的訓練數據集中的多個對應關系，分別確認多個子損失函數，并通過加權組合以確定最終的模型損失函數，所述訓練數據集中的多個對應關系為每一天的EEG信號樣本和與EEG信號樣本對應的運動想象動作標簽；

4)基于所述的模型損失函數構建深度學習模型并進行初始化；

5)將所述的訓練數據集作為輸入，所述的運動想象動作標簽作為輸出，通過最小化損失函數對深度學習模型的參數進行優化，得到最終的解碼模型，該解碼模型用于當日腦電信號樣本的解碼；

6)將當日腦電圖存入運動想象數據庫；

7)以下一日為基準，重復步驟1)～步驟6)，更新解碼模型和運動想象數據庫。

3.根據權利要求2所述的一種基于新型深度學習模型的腦控混合智能康復方法，其特征在于，步驟1)所述的腦電圖信號樣本，包括被試者持續多天的腦電圖信號記錄，當被試者歷史腦電圖信息不足，補充其他被試者的腦電圖信息，用以補充數據。

4.根據權利要求2所述的一種基于新型深度學習模型的腦控混合智能康復方法，其特征在于，步驟2)所述的訓練數據集，包括腦電圖信號樣本及樣本的時間標識信息和標簽信息；所述的時間標識信息為腦電圖樣本的采集天數，其中補充用的其他被試者的腦電圖信息的時間標識統一定為采集腦電圖樣本的總天數；所述的標簽信息為腦電圖樣本所對應的被試者的運動意圖；然后將多通道腦電圖樣本經過濾波和通道優選預處理方式得到純凈的訓練數據集，將運動標簽轉換為one-hot編碼，用于深度學習模型訓練。

5.根據權利要求2所述的一種基于新型深度學習模型的腦控混合智能康復方法，其特征在于，步驟3)中每個所述的子損失函數，是采用交叉熵損失函數形式對應被試者每一天的運動想象信號和對應的動作標簽；所述的模型損失函數為每天的子損失函數的加權組合，權值根據歷史時間確定，歷史時間越長，權值越小，以加強近期腦電圖特征，弱化長期腦電圖特征。

6.根據權利要求2所述的一種基于新型深度學習模型的腦控混合智能康復方法，其特征在于，步驟4)所述的構建深度學習模型并進行初始化，包括將所述的訓練數據集輸入到含有大卷積核的時間卷積層中得到濾波后的時間數據集；將時間數據集輸入至空間卷積層得到空間濾波后的單通道時間數據集；將單通道時間數據集輸入至含有去基線漂移和平方的非線性函數層得到能量數據集；將能量數據集再依次輸入到時間卷積層和平均池化層得到融合數據集；最后將融合數據集輸入至全連接層得到最終的輸出數據集，深度學習模型構建結束后再對深度學習模型參數進行初始化，并結合損失函數得到初始化后的深度學習模型。

7.根據權利要求6所述的一種基于新型深度學習模型的腦控混合智能康復方法，其特征在于，第一個時間卷積層用于提取不同濾波帶的信息，空間卷積層用于對濾波后的數據進行空間濾波，非線性函數層用于提取單通道時間數據集的功率譜能量，第二個時間卷積層和平均池化層用于融合能量信息，全連接層用于特征的識別。