CN102284137A - 一种功能性电刺激的多源信息融合控制方法 - Google Patents

Abstract

本发明公开了一种功能性电刺激的多源信息融合控制方法，属于残疾人康复医疗器械技术领域，使用者想象第一特定动作，提取想象动作特征，启动功能性电刺激器；使用者想象第二特定动作或第三特定动作以及第四特定动作或第五特定动作，采集相应的脑电和脑血流信号；通过刺激器刺激，对电刺激时间原始值和电刺激频率原始值进行调整；将误差以及误差变化率作为模糊控制器的输入，将刺激电流强度精确量作为模糊控制器的输出；运用控制规则和隶属度函数，对误差以及误差变化率进行推论处理，得到刺激电流强度模糊量；进行反模糊化处理，获取刺激电流强度精确量；使用者想象第六特定动作，通过相应的脑电和脑血流信号融合特征关闭电刺激系统。

Description

一种功能性电刺激的多源信息融合控制方法

技术领域

本发明属于残疾人康复医疗器械技术领域，特别涉及一种功能性电刺激的多源信息融合控制方法。

背景技术

FES(Functional Electrical Stimulation，功能性电刺激)是通过电流脉冲序列来刺激肢体运动肌群及其外周神经，有效地恢复或重建截瘫患者的部分运动功能的技术。目前，对于脊髓损伤瘫痪患者的治疗，由于脊髓再生能力微弱，尚未有可直接修复损伤的有效医治方法，实施功能康复训练是一有效的措施。据统计，脊髓损伤瘫痪患者人数逐年增多，功能康复训练是亟待需求的技术。20世纪60年代，Liberson首次成功地利用电刺激腓神经矫正了偏瘫患者足下垂的步态，开创了功能性电刺激用于运动和感觉功能康复治疗的新途径。目前，FES已经成为了恢复或重建截瘫患者的部分运动功能，是重要的康复治疗手段。据统计，目前FES的触发控制的方式研究主要依赖于一系列手动操作的开关和一些外部传感器，但是大都处于实验室阶段。

发明内容

为了能够有效地提高FES系统的准确性和稳定性，并获得可观的社会效益和经济效益，本发明提供了一种功能性电刺激的多源信息融合控制方法，详见下文描述：

一种功能性电刺激的多源信息融合控制方法，所述方法包括以下步骤：

(1)使用者想象第一特定动作，通过脑电采集系统和脑血流信息采集系统采集第一特定动作时脑电和脑血流信号，对所述第一特定动作时脑电和脑血流信号进行滤波，获取滤波后第一特定动作时脑电和脑血流信号；通过短时傅里叶变换获取脑电和脑电信号的二维时频图谱；对所述脑电和脑电信号的二维时频图谱进行Fisher可分性分析，获取Fisher系数二维时频图谱，获取特征频段，提取控制功能性电刺激器工作状态的想象动作特征，启动所述功能性电刺激器；

(2)使用者想象第二特定动作或第三特定动作以及第四特定动作或第五特定动作，通过所述脑电采集系统和所述脑血流信息采集系统采集相应的脑电和脑血流信号，通过对所述相应的脑电和脑血流信号处理，融合控制功能性电刺激时间和电刺激频率；初始电刺激时间原始值和电刺激频率原始值；通过刺激器刺激，对所述电刺激时间原始值和电刺激频率原始值进行调整，获取调整后的电刺激时间参数和电刺激频率参数；

(3)在行走期间，利用关节角度与期望关节角度之间的误差以及误差变化率定义误差的量化论域、误差变化率的量化论域、刺激电流强度的量化论域、模糊控制器的量化因子和模糊控制器的比例因子，将误差以及误差变化率作为模糊控制器的输入，将刺激电流强度精确量作为模糊控制器的输出；

(4)将所述误差以及所述误差变化率按照计算比例转换到论域的数值，确定隶属度函数；

(5)确定控制规则，运用控制规则和隶属度函数，对误差以及误差变化率进行推论处理，得到刺激电流强度模糊量；

(6)对所述刺激电流强度模糊量进行反模糊化处理，获取刺激电流强度精确量；

(7)使用者想象第六特定动作，通过相应的脑电和脑血流信号融合特征关闭电刺激系统。

步骤(1)中的所述通过短时傅里叶变换获取脑电信号的二维时频图谱具体为：

使用一个有限宽度的观察窗W(t)对脑电信号x(t)进行观察，得到加窗后的脑电信号，对所述加窗后的脑电信号进行所述短时傅立叶变换，得到

$\mathrm{STFT}(t,\mathrm{\ω})=\underset{-\∞}{\overset{+\∞}{\∫}}x\left(\mathrm{\τ}\right)W^{*}(\mathrm{\τ}-t)e^{-\mathrm{j\ω\τ}}\mathrm{d\τ}$

其中，ω是角频率，W^*(τ-t)是W(τ-t)的复共轭函数，把所述有限宽度的观察窗沿时间轴平移，得到所述脑电信号的二维时频图谱；

所述Fisher可分性分析定义如下：

$J=\frac{{|m_1-m_2|}^2}{{\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2}$

其中，m₁和m₂分别为两类想象动作特征的均值、σ₁和σ₂分别为两类想象动作特征的方差。

所述模糊控制器具体为二维模糊控制器。

所述误差的量化论域为X＝{-n，-n+1，L 0，L，n-1，n}；

所述误差变化率的量化论域为X₁＝{-m，-m+1，L 0，L，m-1，m}；

所述刺激电流强度的量化论域为Y＝{-k，-k+1，L 0，L，k-1，k}；

所述模糊控制的量化因子为K_e＝n/X_e；K_ec＝m/X_ec；

所述模糊控制器的比例因子为K_u＝k/Y_u。

所述方法还包括：

将所述误差的量化论域、所述误差变化率的量化论域、所述刺激电流强度的量化论域、所述模糊控制器的量化因子和所述模糊控制器的比例因子保存在规则库中。

所述隶属度函数由三角形函数和Z函数组成。

所述控制规则为：

$R=\underset{i=1}{\overset{p}{U}}{R}_i=\underset{i=1}{\overset{p}{U}}{(A_i\×B_i)}^{T1}\×C_i$

R＝(E_i×CE_i)^T1×C_i

其中，E₁＝(a_1i L a_ni)，EC₁＝(b_1i L b_mi)，U₁＝(c_1i L c_ti)(i＝1，L p)。

步骤(6)中的所述对所述刺激电流强度模糊量进行反模糊化处理，获取所述刺激电流强度精确量具体为：

$u^{\′}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_i{\mathrm{\μ}}^{\′}\left(u_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\μ}\left({\mathrm{\μ}}_i^{\′}\right)}$

其中，n为刺激电流集U的分割等级数，u′_i为刺激电流离散论域的点，μ(u′_i)为相应u_i处的隶属函数值；

实际的电流变化值为

Δu_i＝u′k_u；

所述刺激电流强度精确量为

u(k)＝u(k-1)+Δu(k)。

本发明提供的技术方案的有益效果是：

本发明提供了一种功能性电刺激的多源信息融合控制方法，本发明提出一种新的FES的控制方法，将想象动作诱发的前额脑电与脑血流两类信息的变化特征相结合来实现对不同特定动作的识别，转换成对FES工作状态、刺激电流频率和刺激时间的控制信号，同时利用关节角度对刺激电流水平控制，实现对FES模式选择，以控制肢体完成对应运动。该项发明的脑电和脑血流信号采集在前额上进行，方便操作的同时，也避免了头发及头皮对信号采集的影响，该项发明的操作过程在前额上进行，方便操作的同时，也避免了头发及头皮对信号采集的影响，也可让身体瘫痪但头脑功能正常的残疾人在使用该装置时避免了使用前后洗头的麻烦，同时利用关节角度信息实时反馈控制刺激电流水平，实现自主意识控制功能性电刺激，恢复部分运动功能，不需要他人帮助，同时延迟了肌疲劳；同时利用关节角度作为电流水平的反馈控制，既操作方便，同时，有效地提高FES系统的稳定性；并获得可观的社会效益和经济效益。

附图说明

图1为本发明提供的多源信息融合的功能性电刺激控制的结构图；

图2为本发明提供的基于膝关节角度模糊控制期的结构图；

图3为本发明提供的功能性电刺激的多源信息融合控制方法的流程图；

图4为本发明提供的隶属度函数的示意图；

图5为本发明提供的基于关节信息模糊控制追踪结果的示意图；

图6为本发明提供的基于关节信息模糊控制下预设输入膝关节角度与实际输出的相对误差的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了能够有效地提高FES系统的准确性和稳定性，并获得可观的社会效益和经济效益，本发明实施例提供了一种功能性电刺激的多源信息融合控制方法，详见下文描述：

脑血流检测是利用NIRS(Near-Infrared Spectroscopy，近红外光谱)技术检测在特定的刺激和功能活动下脑部血流变化特征，并利用此脑部血流变化特征控制外设检测技术。其原理是指通过研究物质在近红外光区的吸收光谱来得知物质特性和浓度等的一种技术。其检测脑部血流变化的原理是：大脑的血流供应会随着功能活动的局部变化而产生局部响应。当大脑处于激活状态时，会引起局部脑血流与氧代谢率改变，从而引起相应区域内血氧浓度的变化。BCI(Brain-ComputerInterface，脑-机接口)接口技术以及脑血流信息检测技术能够使使用者自主的控制外设，已被引入功能性电刺激领域，提高患者的自主性。肢体信息由于简单、直接，亦被引入功能性电刺激领域，例如利用关节角度控制刺激电流水平。而刺激效果不仅与刺激电流的水平有关，与刺激电流模式的其他参数(如刺激电流的频率以及刺激时间)也关联。本发明实施例指出，利用脑电以及血氧信息系统选择刺激电流的刺激频率及刺激时间等参数，利用关节角度反馈控制刺激电流的水平，既能有效地提高患者的自主性又能实时控制电脑的刺激模式，减少肌疲劳，提高系统的稳定性。

目前的研究成果中，它主要是通过采集和分析不同状态下人的脑电信号，然后使用一定的工程技术手段在人脑与计算机或其它电子设备之间建立起直接的交流和控制通道，从而实现一种全新的信息交换与控制技术，可以为残疾人特别是那些丧失了基本肢体运动功能但思维正常的病人提供一种与外界进行信息交流与控制的途径。即可以不需语言直接通过控制脑电来表达意愿或操纵外界设备。到目前为止，最常用的BCI系统大都是基于脑电信息的，近年来出现了基于脑血氧信息的BCI系统，其技术原理是一致的，即含有操作控制意图的脑电信息(血氧信息)通过电极(探测器)从头皮或颅内获得，经过信号处理提取反映使用者意图的脑电信息(血氧信息)特征，并将之转化为控制外部设备的操作命令。并且BCI研究的主要应用目标是帮助肢体严重瘫痪的残疾人操纵和使用周边日常生活工具，以实现对外界的信息交流和设备控制。

本发明实施例中选取受试者想象动作时的脑电与脑血流信号的变化特征用作识别不同动作模式的分类标准，并转换成相应的控制信号，实现对FES系统的工作状态、刺激频率及刺激时间的选择进行控制，同时利用关节角度实时控制刺激电流水平。把BCI，肢体运动与FES相结合，提供了一种新的以人机交互控制为基本策略的控制治疗方案。

参见图1，由脑电和脑血流信息融合控制功能性电刺激器工作状态、刺激频率和刺激时间，关节角度反馈控制功能性刺激器的刺激电流水平。其中，电刺激系统包括：脑电采集系统、脑血流信息采集系统、量角器传感器和功能性电刺激器组成，其中，脑电采集系统由电极和放大滤波电路组成，脑血流信息采集系统由近红外光源、探测器、光源恒流驱动和放大滤波电路组成，同时有微处理器控制AD对三个信号采样，处理计算，继而控制功能性电刺激器的刺激电流模式。使用者进行相应的想象动作任务，执行任务时脑电和脑血流信号都会产生相应的变化：脑电信号在大脑皮层产生，由脑电电极探测后经过脑电放大器放大、滤波，然后进入数据采集进行模数转换后输入微处理器；脑血流信号则是在光源发光照射到大脑皮层后，由探测器探测反射回的光强信息发生的变化间接反映脑血流的变化，该信号经过后继放大、滤波后经数据采集模数转换后输入微处理器。采集到的脑电和脑血流信号再经过后续的数据处理提取其在想象特定动作时的特征信号即是对功能性电刺激工作状态以及刺激时间和刺激频率的控制的训练，从而将这些特征应用于未知想象特定动作时同类实验任务的模式识别，即选择功能性电刺激器的工作状态、刺激时间和刺激频率；同时利用关节角度信息实时控制功能性电刺激的电流水平。本发明实施例的要点既是基于近红外光谱技术测量脑部血流信息变化的原理、想象动作诱发的脑电特征提取及模式识别等技术对功能性电刺激的工作状态及刺激时间和刺激频率的控制，基于关节角度信息反馈控制功能性电刺激的电流水平，建立了多源信息对功能性电刺激的控制，既提高了使用者对电刺激的自主控制，又能实时控制电刺激的电流水平，有效地提高电刺激系统的稳定性和较大程度的延迟肌肉疲劳。基于前额脑电，脑血流信息与关节角度信息融合控制功能性电刺激的方法，参见图2和图3，主要工作原理如下：

101：使用者想象第一特定动作，通过脑电采集系统和脑血流信息采集系统采集第一特定动作时脑电和脑血流信号，对第一特定动作时脑电和脑血流信号进行滤波，获取滤波后第一特定动作时脑电和脑血流信号；通过短时傅里叶变换获取脑电和脑电信号的二维时频图谱；对脑电和脑电信号的二维时频图谱进行Fisher可分性分析，获取Fisher系数二维时频图谱，获取特征频段，提取控制功能性电刺激器工作状态的想象动作特征，启动功能性电刺激器；

近红外光谱技术生理依据

由于人体组织对近红外光700-900nm呈现高度前向散射和低吸收特性，且组织内HbO2和Hb在近红外光谱区的吸收系数有明显差异，根据脑血流信息中的HbO2和Hb的浓度变化由相应波长处光强度的变化即修正后的双波长Lambert-Beer定律，实现了对脑血流信息的检测。

成人脑组织中，水的体积分数很高，因此水的吸收对近红外血氧检测有很大影响。而水的光吸收作用在700-900nm(“光窗口”区)相对较低。在该光窗口内水可视作固定不变的吸收物质，就可以当作常数考虑。实际临床中脑脊液的吸收特性与水相当，也当作常数。基于脑组织中的其他成分，如脂肪、黑色素和细胞色素氧化酶等这些成分基本不随供氧状况而改变，在前期研究阶段可看作稳定吸收体的假设，Hb和HbO2光谱特性主要变现为在760nm波长，Hb吸收达到峰值；在850nm波长，HbO2达到吸收峰值。

(2)Hb和HbO2浓度变化-探测器幅值变化

前面介绍了近红外光谱技术测量血氧信号的原理，也就是在想象动作状态下，近红外光(760nm和850nm)照射脑组织时脑组织供血增多，那么血液中的Hb和HbO2吸收的光要比静息状态下吸收的要多。而探测器的输出(也即采集到的信号)是反应光强的电压信号，这样的话在电压信号的幅值上就有体现浓度变化的幅值变化，也就是想象状态下比静息时采集到得电压幅值要小。

(3)频谱分析

生物信号(包括脑血氧信号)的许多重要特征并不是利用时域信息能全部表现的，即用时域处理的方法是无法抽取这些特征的。为了能够抽取这些特征，目前最常用的手段就是通过Fourier变化，把时域信号转换成频域信号，也就是要对脑血氧信号进行频谱分析，即对脑血氧信号经过滤波、放大和A/D转换等处理后变为数字信号，对数字信号进行分析就需要进行离散Fourier变换。经过变换之后，时域的脑血氧信号转换为频域信号，从得到的频域信号，也就是频谱图上寻找频率段的特征。

(4)时频分析-短时傅里叶变换

想象动作引起的脑电ERD(Evented Related Desynchronization，事件相关去同步)现象有着特定的发生频段和相对于诱发刺激固定的时间延迟，因此可以采用短时傅里叶变换结合叠加平均的方法对刺激前后的频谱成分变化以及分布特点进行分析。常用的谱分析方法中暗含着对于处理信号的平稳性假设，也即是假设信号的频谱成分在整个时间轴上是同分布的，而对于时间相关的诱发动态脑电信号而言，这一假设显然不成立。针对这种情况，替代方法是使用可以同时提取时域与频域信息的时频分析方法，短时傅里叶分析是目前常用的时频分析方法之一，它假设脑电和脑血流信号具有一定程度的短时平稳性，也即是在一个有限的时间窗内信号的频谱分布式不变的。

短时傅里叶变换的方法是首先使用一个有限宽度的观察窗W(t)对脑电和脑血流信号x(t)进行观察，得到加窗后的脑电和脑血流信号，对加窗后的脑电和脑血流信号进行傅立叶变换，得到

$\mathrm{STFT}(t,\mathrm{\ω})=\underset{-\∞}{\overset{+\∞}{\∫}}x\left(\mathrm{\τ}\right)W^{*}(\mathrm{\τ}-t)e^{-\mathrm{j\ω\τ}}\mathrm{d\τ}---\left(1\right)$

其中，ω是角频率，W^*(τ-t)是W(τ-t)的复共轭函数，把有限宽度的观察窗沿时间轴平移，得到脑电和脑血流信号的二维时频图谱，即可在二维的时频平面上得到信号的频谱分布随时间变化的信息。

其中，观察窗的有限宽度根据实际应用中的需要进行设定，例如：本发明实施例中可将观察窗的有限宽度设定为200ms，具体实现时本发明实施例对此不做限制。

(5)Fisher可分性分析与特征提取

可分性分析是特征提取中的常用方法，它主要用来评价特征参数在不同类别样本中的分布是否具有明显的差异，一般来说差异度越大的参数越适于作为样本的分类的特征值。对于想象动作诱发脑电信号而言，一种类型的动作任务脑电信号对应一类样本，如果脑电信号在某个频段上的功率谱密度在一类任务样本和其它样本之间的分布有着明显得差异，则此频段即为该类想象动作任务诱发脑电信号的特异性频段。对于样本参数可分性的评价方法有多种，而Fisher可分性分析已称为想象动作特征提取的最为有效的方法之一。在这里可以选用Fisher评价函数，其定义如下：

$J=\frac{{|m_1-m_2|}^2}{{\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2}---\left(2\right)$

其中，m₁和m₂分别为两类想象动作特征的均值、σ₁和σ₂分别为两类想象动作特征的方差。

Fisher评价函数实际上是不同想象动作脑电信号的类间离散度与类内离散度的比值，J越大则可分性越高，若两类不同想象动作脑电信号的均值相等，则J为0，即两类不同想象动作脑电信号不可分。

当对不同想象动作之间的脑电信号二维时频图谱作Fisher可分性分析时，得到Fisher系数二维时频图谱，从二维时频图谱上可以得出Fisher系数明显较大的位置对应的时间段和频率段，这样取得的时频窗内的功率谱密度值就可以作为提取到的一个特征。在Fisher系数时频图上寻找更多的Fisher系数相对其他时频窗要明显大的时频窗，就可以找到更多的可用于模式识别的特征。

102：使用者想象第二特定动作或第三特定动作以及第四特定动作或第五特定动作，通过脑电采集系统和脑血流信息采集系统采集相应的脑电和脑血流信号，通过对相应的脑电和脑血流信号处理，融合控制功能性电刺激时间和电刺激频率；初始电刺激时间原始值和电刺激频率原始值；通过刺激器刺激，对电刺激时间原始值和电刺激频率原始值进行调整，获取调整后的电刺激时间参数和电刺激频率参数；

其中，初始电刺激时间和电刺激频率有原始值，利用第二特定动作或第三特定动作以及第四特定动作或第五特定动作下脑电和脑血流的信息融合特征对电刺激时间原始值和电刺激频率原始值调整，即使用者根据自身的情况通过增加或者减小初始电刺激时间原始值和电刺激频率原始值，继而选定适合自身的电刺激时间参数和电刺激频率参数。

脑电采集系统和脑血流信息采集系统辨识与控制

脑电采集系统和脑血流信息采集系统辩别既对脑电和脑血流信号特征的提取和分类来辨识出其中所携带的自主性动作信息。支持向量机(SVM)是以统计学习理论为基础，有效地避免经典学习方法中过学习、维数灾难、局部极小等传统分类存在的问题，在小样本条件下仍然具有良好的范化能力。它通过构造最优超平面，使得对未知样本的分类误差最小。

模式识别的过程如下：在经过了特征提取阶段之后，将这些从样本中提取到的特征用来训练SVM分类器，训练后得到一个model，然后再利用这个model来对未知模式类型的想象动作进行分类，得到的结果即为功能性电刺激相应参数改变的模式。

脑电采集系统和脑血流信息采集系统控制包括两个部分，第一部分是利用上述识别的结果改变功能性的工作状态和刺激参数，如表1所示。

表1想象特定动作与调节电刺激刺激参数的相对表

想象特定动作	电刺激模式
		想象第一特定动作	开启功能性电刺激系统
想象第二特定动作	增大初始电刺激时间原始值
		想象第三特定动作	减小初始电刺激时间原始值
想象第四特定动作	增大电刺激频率原始值
		想象第五特定动作	减小电刺激频率原始值
想象第六特定动作	关闭功能性电刺激系统

例如，当想象第一特定动作时，脑电和脑血流信号发生相应的特征，经过对此特征识别，确定调整功能性电刺激的相应参数即开启功能性电刺激系统；当想象第二特定动作时，经过对脑电和脑血流信号的特征辨识，确定调整功能性电刺激的参数，即增大初始电刺激时间原始值。

基于关节角度信息利用模糊控制器实时反馈控制电流水平，根据经验设置模糊控制器的相关参数，使其能够根据关节角度的变化信息，实时地反馈控制电刺激的刺激电流水平。此处以膝关节角度反馈控制为例，详细介绍控制过程与方法。

103：在行走期间，利用关节角度与期望关节角度之间的误差e(k)以及误差变化率ec(k)定义误差的量化论域、误差变化率的量化论域、刺激电流强度的量化论域、模糊控制器的量化因子和模糊控制器的比例因子，将误差以及误差变化率作为模糊控制器的输入，将刺激电流强度精确量作为模糊控制器的输出；

由于人的特殊性，FES领域对模糊控制器的稳定性、鲁棒性和实时性要求严格，本发明实施例中设计模糊控制器均衡稳定性和实时性时优选了二维模糊控制器，即两个输入变量分别是误差e(k)以及误差变化率ec(k)，其论域为FE＝[-E，E]，FEC＝[-EC，EC]，输出的刺激电流强度精确量u(k)，其论域为FU＝[-U，U]。

其中，误差e(k)的量化论域为

X＝{-n，-n+1，L 0，L，n-1，n}         (3)

误差变化率ec(k)的量化论域为

X₁＝{-m，-m+1，L 0，L，m-1，m}；      (4)

刺激电流强度精确量u(k)的量化论域为

U＝{-k，-k+1，Λ0，Λ，k-1，k}        (5)

模糊控制器的量化因子和比例因子直接影响模糊分割的划分，这是模糊控制器的关键之一。

模糊控制器的量化因子分别为：

K_e＝n/X_e      (6)

K_ec＝m/X_ec    (7)

模糊控制器的比例因子为：

K_u＝k/Y_u      (8)

本发明实施例中以误差e(k)的论域为{-3-2-10123}；误差变化率ec(k)的论域为{-3-2-10123}，刺激电流强度精确量的论域为{-3-2-10123}为例进行说明。通常情况下，模糊控制器的量化因子k_e越大，产生的过激电流越大，系统稳定所需要时间越长，易引起滞后，易造成更大的过激；而模糊控制器的量化因子k_e越小，刺激电流变化较为缓慢，稳态精度降低。而模糊控制器的量化因子k_ec越大，则电流变化率较小，跟踪比较困难，模糊控制器的量化因子k_ec越小，刺激电流变化越快，则易引起电流过激。模糊控制器的量化因子越大，对应的语言值越大。模糊控制器的比例因子相当于常规控制系统的比例增益，主要作用是加快上升时间，但是易引起超调，刺激电流过大，会加快肌肉的疲劳，甚至造成损伤。

其中，为了方便以后的计算，可以将误差e(k)的量化论域、误差变化率ec(k)的量化论域、刺激电流强度u(k)的量化论域、模糊控制的量化因子和模糊控制器的比例因子保存在规则库中，下次使用时，可以直接从规则库中调用，提高了运算速度。本发明实施例中的规则库以7×7为例进行说明，具体实现时，可以根据实际应用中的需要确定规则库的大小，本发明实施例对此不做限制。

104：将误差以及误差变化率按照计算比例转换到论域的数值，确定隶属度函数；

模糊控制的模糊语言值实质上是模糊子集，可由隶属度函数描述。参见图4，本发明实施例中采用的隶属度函数由三角形函数和Z函数组成。实际上，隶属度函数的形状对模糊化的影响不大，因为论域中每一点所对应的隶属度，可利用隶属度函数分布调节，所以最为关键的是其隶属度的分布。一般，比较陡窄的隶属度函数能使模糊控制器的灵敏度较为高；反之能使模糊控制器的灵敏度较低和平稳，所以误差较小的区域采用较陡的隶属度函数，误差较大的区域采用较为平坦的隶属度函数。

其中，计算比例根据误差与论域的取值确定。

105：确定控制规则，运用控制规则和隶属度函数，对误差以及误差变化率进行推论处理，得到刺激电流强度模糊量；

其中，模糊控制器的控制规则是模糊控制系统的核心，其设计原则是：当误差e(k)较大时，控制量的变化应尽量使误差e(k)迅速减小；当误差e(k)较小时，除了消除误差e(k)外，还应考虑模糊控制系统的稳定性，防止不必要的超调，甚至振荡。尤其是在本发明实施例中，应防止电流过激的现象发生。在设计模糊控制器的控制规则时，还应注意到规则的完整性、相容性和干涉性等。本发明实施例中的论域是7语言值，即{NB正大，NM正中，NS正小，ZO零，PS负小，PM负中，PB负大}，亦是实现清晰的输入空间到定义在论域上模糊集的映射。

则可表示为{NB，NM，NS，ZO，PS，PM，PB}，采用是如下规则：

If e(k)is PB and ec(k)is NB，then Δu is ZO

If e(k)is PB and ec(k)is NS，then Δu is NM

即当误差e(k)为PB且ec(k)为NB时，说明误差e(k)正在迅速减小，为了防止超调过大，甚至振荡，应该使刺激电流Δu保持不变即为ZO；若当误差e(k)为PB且ec(k)为NS时，为了使误差e(k)减小，则刺激电流Δu也应该适量减小即为NM。

模糊控制器的控制规则为：

$R=\underset{i=1}{\overset{p}{U}}{R}_i=\underset{i=1}{\overset{p}{U}}{(A_i\×B_i)}^{T1}\×C_i---\left(9\right)$

R＝(E_i×CE_i)^T1×C_i               (10)

其中，E₁＝(a_1i L a_ni)，EC₁＝(b_1i L b_mi)，U₁＝(c_1i L c_ti)(i＝1，L p)。

表2控制规则的控制表

106：对刺激电流强度模糊量进行反模糊化处理，获取刺激电流强度精确量；

模糊控制器中模糊推理得到的是刺激电流强度的模糊量，但是要得到刺激电流强度精确量，需要对刺激电流强度模糊量进行反模糊化处理，其主要目的是根据模糊推理所得的刺激电流强度模糊量，求得最能反映刺激电流强度精确量，本发明实施例中输出模糊控制集的隶属度函数是对称的，故采用了加权平均值法，其计算公式为采用的反模糊化法是加权平均值法

$u^{\′}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_i{\mathrm{\μ}}^{\′}\left(u_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\μ}\left({\mathrm{\μ}}_i^{\′}\right)}---\left(11\right)$

其中，n为刺激电流集U的分割等级数，本发明实施例中以n的取值为7为例进行说明，具体实现时，本发明实施例对此不做限制。u_i为刺激电流离散论域的点，μ(u′_i)为相应u′_i处的隶属函数值。

实际的电流变化值为

Δu_i＝u′k_u                (12)

刺激器输出刺激电流强度精确量为

u(k)＝u(k-1)+Δu(k)        (13)

在助行过程中，使用者出现各种不适可以想象特定动作去调整刺激时间和刺激频率参数，甚至关闭电刺激系统。

107：使用者想象第六特定动作，通过相应的脑电和脑血流信号融合特征关闭电刺激系统。

下面以一个简单的试验来验证本发明实施例提供的的可行性，详见下文描述：

基于同步采集脑电和脑血流信号的人机交互装置以及实验程序进行想象动作任务的实验，对受试者采集80次任务的实验数据，分为4组，每组20次，相邻两组之间间隔4分钟。然后对采集到的所有数据进行上述分析并提取特征，使用3组数据进行SVM分类器的训练，1组数据用来测试分类器分类的准确率。在只用脑电信号作为分类特征的情况下，得到的分类准确率平均水平在81.6％，随着脑电自身特征的增加(增加不是特别明显的特征)准确率反而降低，而在融合了脑血氧信号的特征之后再进行分类识别，准确率可以达到90％以上。说明利用想象动作的脑电和脑血流信息可以控制电刺激系统的工作状态、刺激时间和刺激频率。

基于关节角度信息对FES脉冲电流幅值进行测算和调整，使FES作用所产生的膝关节角度运动贴近预期的运动轨迹。参见图5，粗实线表示预期运动轨迹、细虚线为实际输出关节角度，横坐标为时间，纵坐标为膝关节运动角度。参见图6，可以看出误差均在5％之内，达到了精确的控制。本发明实施例中电刺激系统不仅可以利用脑的活动信息，使用者利用脑活动信息自主选择工作状态和刺激时间，刺激频率等参数，而且利用关节角度信息实时反馈控制刺激电流水平，改善和提高了功能性电刺激的使用范围和稳定性，延迟肌疲劳。

综上所述，本发明实施例提供了一种功能性电刺激的多源信息融合控制方法，本发明实施例提出一种新的FES的控制方法，将想象动作诱发的前额脑电与脑血流两类信息的变化特征相结合来实现对不同动作模式的识别，转换成对FES工作状态、刺激电流频率和刺激时间的控制信号，同时利用关节角度对刺激电流水平控制，实现对FES模式选择，以控制肢体完成对应运动。该项发明的脑电和脑血流信息采集在前额上进行，方便操作的同时，也避免了头发及头皮对信号采集的影响，该项发明的操作过程在前额上进行，方便操作的同时，也避免了头发及头皮对信号采集的影响，也可让身体瘫痪但头脑功能正常的残疾人在使用该装置时避免了使用前后洗头的麻烦，同时利用关节角度信息实时反馈控制刺激电流水平，实现自主意识控制功能性电刺激，恢复部分运动功能，不需要他人帮助，同时延迟了肌疲劳；同时利用关节角度作为电流水平的反馈控制，既操作方便，同时，有效地提高FES系统的稳定性；并获得可观的社会效益和经济效益。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种功能性电刺激的多源信息融合控制方法，其特征在于，所述方法包括以下步骤：

(1)使用者想象第一特定动作，通过脑电采集系统和脑血流信息采集系统采集第一特定动作时脑电和脑血流信号，对所述第一特定动作时脑电和脑血流信号进行滤波，获取滤波后第一特定动作时脑电和脑血流信号；通过短时傅里叶变换获取脑电和脑电信号的二维时频图谱；对所述脑电和脑电信号的二维时频图谱进行Fisher可分性分析，获取Fisher系数二维时频图谱，获取特征频段，提取控制功能性电刺激器工作状态的想象动作特征，启动所述功能性电刺激器；

(2)使用者想象第二特定动作或第三特定动作以及第四特定动作或第五特定动作，通过所述脑电采集系统和所述脑血流信息采集系统采集相应的脑电和脑血流信号，通过对所述相应的脑电和脑血流信号处理，融合控制功能性电刺激时间和电刺激频率；初始电刺激时间原始值和电刺激频率原始值；通过刺激器刺激，对所述电刺激时间原始值和电刺激频率原始值进行调整，获取调整后的电刺激时间参数和电刺激频率参数；

(3)在行走期间，利用关节角度与期望关节角度之间的误差以及误差变化率定义误差的量化论域、误差变化率的量化论域、刺激电流强度的量化论域、模糊控制器的量化因子和模糊控制器的比例因子，将误差以及误差变化率作为模糊控制器的输入，将刺激电流强度精确量作为模糊控制器的输出；

(4)将所述误差以及所述误差变化率按照计算比例转换到论域的数值，确定隶属度函数；

(5)确定控制规则，运用控制规则和隶属度函数，对误差以及误差变化率进行推论处理，得到刺激电流强度模糊量；

(6)对所述刺激电流强度模糊量进行反模糊化处理，获取刺激电流强度精确量；

(7)使用者想象第六特定动作，通过相应的脑电和脑血流信号融合特征关闭电刺激系统。

2.根据权利要求1所述的一种功能性电刺激的多源信息融合控制方法，其特征在于，步骤(1)中的所述通过短时傅里叶变换获取脑电信号的二维时频图谱具体为：

使用一个有限宽度的观察窗W(t)对脑电信号x(t)进行观察，得到加窗后的脑电信号，对所述加窗后的脑电信号进行所述短时傅立叶变换，得到

$\mathrm{STFT}(t,\mathrm{\ω})=\underset{-\∞}{\overset{+\∞}{\∫}}x\left(\mathrm{\τ}\right)W^{*}(\mathrm{\τ}-t)e^{-\mathrm{j\ω\τ}}\mathrm{d\τ}$

其中，ω是角频率，W^*(τ-t)是W(τ-t)的复共轭函数，把所述有限宽度的观察窗沿时间轴平移，得到所述脑电信号的二维时频图谱；

所述Fisher可分性分析定义如下：

$J=\frac{{|m_1-m_2|}^2}{{\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2}$

其中，m₁和m₂分别为两类想象动作特征的均值、σ₁和σ₂分别为两类想象动作特征的方差。

3.根据权利要求1所述的一种功能性电刺激的多源信息融合控制方法，其特征在于，所述模糊控制器具体为二维模糊控制器。

4.根据权利要求1所述的一种功能性电刺激的多源信息融合控制方法，其特征在于，

所述误差的量化论域为X＝{-n，-n+1，L 0，L，n-1，n}；

所述误差变化率的量化论域为X₁＝{-m，-m+1，L 0，L，m-1，m}；

所述刺激电流强度的量化论域为Y＝{-k，-k+1，L 0，L，k-1，k}；

所述模糊控制的量化因子为K_e＝n/X_e；K_ec＝m/X_ec；

所述模糊控制器的比例因子为K_u＝k/Y_u。

5.根据权利要求1或4所述的一种功能性电刺激的多源信息融合控制方法，其特征在于，所述方法还包括：

将所述误差的量化论域、所述误差变化率的量化论域、所述刺激电流强度的量化论域、所述模糊控制器的量化因子和所述模糊控制器的比例因子保存在规则库中。

6.根据权利要求1所述的一种功能性电刺激的多源信息融合控制方法，其特征在于，所述隶属度函数由三角形函数和Z函数组成。

7.根据权利要求1所述的一种功能性电刺激的多源信息融合控制方法，其特征在于，所述控制规则为：

$R=\underset{i=1}{\overset{p}{U}}{R}_i=\underset{i=1}{\overset{p}{U}}{(A_i\×B_i)}^{T1}\×C_i$

R＝(E_i×CE_i)^T1×C_i

其中，E₁＝(a_1i L a_ni)，EC₁＝(b_1i L b_mi)，U₁＝(c_1i L c_ti)(i＝1，Lp)。

8.根据权利要求1所述的一种功能性电刺激的多源信息融合控制方法，其特征在于，步骤(6)中的所述对所述刺激电流强度模糊量进行反模糊化处理，获取所述刺激电流强度精确量具体为：

$u^{\′}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_i{\mathrm{\μ}}^{\′}\left(u_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\μ}\left({\mathrm{\μ}}_i^{\′}\right)}$

其中，n为刺激电流集U的分割等级数，u′_i为刺激电流离散论域的点，μ(u′_i)为相应u_i处的隶属函数值；

实际的电流变化值为

Δu_i＝u′k_u；

所述刺激电流强度精确量为

u(k)＝u(k-1)+Δu(k)。

Images