CN105653873A - 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统 - Google Patents

基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统 Download PDF

Info

Publication number
CN105653873A
CN105653873A CN201610026971.2A CN201610026971A CN105653873A CN 105653873 A CN105653873 A CN 105653873A CN 201610026971 A CN201610026971 A CN 201610026971A CN 105653873 A CN105653873 A CN 105653873A
Authority
CN
China
Prior art keywords
signal
model
nervous system
dyskinesia
brain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610026971.2A
Other languages
English (en)
Other versions
CN105653873B (zh
Inventor
邓斌
杨双鸣
李会艳
林前进
刘晨
魏煕乐
于海涛
张镇
王江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201610026971.2A priority Critical patent/CN105653873B/zh
Publication of CN105653873A publication Critical patent/CN105653873A/zh
Application granted granted Critical
Publication of CN105653873B publication Critical patent/CN105653873B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Abstract

本发明提供一种基于FPGA的运动障碍非侵入式康复的闭环脑-机-体系统，该系统以FPGA作为控制核心建立基底核、丘脑皮层假体硬件模型，以基于FPGA的自适应控制算法计算所得数据作为输入，进行控制模型参数整定与力反馈调节，直至达到预期控制结果，实现基于动态因果模型的自适应控制算法，输出力反馈信号，从而实现运动障碍性神经系统疾病患者的康复治疗。本发明的效果是实现了运动障碍性神经系统疾病患者的康复治疗，同时实现了对复杂的基底核、丘脑皮层神经元网络以及对复杂动态因果模型自适应控制算法的建模。该平台可以为运动障碍性神经系统疾病的康复性治疗提供有效的理论依据和技术支持，对研究帕金森症、癫痫、阿兹海默症等神经疾病控制与治疗有重要的实用价值。

Description

基于FPGA的运动障碍非侵入式康复的闭环脑-机-体系统
技术领域
本发明涉及生物医学工程技术，特别是一种基于FPGA的运动障碍非侵入式康复的闭环脑-机-体接口硬件系统。
背景技术
近些年来，运动障碍性神经系统疾病严重危害人类健康，给患者的工作和生活带来很大的影响，且因神经细胞损伤后的不易再生性，这些神经系统疾病的康复性治疗尚不明确。运动障碍性神经系统疾病如帕金森和肌张力障碍普遍认为是神经基底核障碍，这种简化的定位并不能捕捉到这种运动性障碍神经疾病的病理生理学，其中涉及到复杂的交互过程和众多神经解剖学的路径问题，要求系统级描述和理解这些神经网络的动力学机制和神经信息传递过程，研究普遍强调的是发生在分布式神经网络下不同时空尺度的神经系统适应疾病的可塑性变化，因此治疗的方法需要根据给定病人的具体情况以及疾病的严重程度来采取针对性诊断和治疗。
运动障碍性神经系统疾病源于基底核病变造成的脑功能紊乱，基底核作为大脑深部若干神经核团构成的功能整体，主要负责人体自主运动的控制、整合调节细致的意识活动和运动反应，同时负责记忆、情感以及奖励学习等高级认知能力。包括帕金森氏症和亨廷顿氏症等多种运动和认知障碍都与基底核的病变有关。丘脑位于第三脑室的两侧，是间脑中最大的卵圆形灰质核团，是产生意识的核心器官，因此建立基底核、丘脑皮层模型有助于实现运动障碍性神经系统疾病的分析与治疗。
目前治疗运动障碍的方法包含药物治疗，肉毒杆菌霉素注射，物理康复以及深部脑刺激(DBS)。然而，这些方法具有一定的局限性。曾有研究提出神经系统疾病康复治疗的开环系统控制脑机接口治疗方法，实现无创式的康复性治疗。目前，多巴胺替代药物是药物治疗的主要手段，然而，如抑郁症、痴呆、幻觉等病症是多巴胺抗性的，长期使用多巴胺替代疗法可能会诱发多种严重的副作用，如恶化下肢本体感觉、诱发多巴胺失调综合症；DBS治疗的侵入式方案会使手术带来额外风险和并发症，高昂的治疗成本也限制了它的使用，非侵入式方法会降低由于手术带来的风险；同时，由于患者的症状会通过个人的遗传和病情的进展等因素存在变异性。
发明内容
针对运动障碍性神经疾病目前治疗手段的局限性，本发明提供一种基于FPGA的运动障碍非侵入式康复的闭环脑-机-体系统，其中；基底核、丘脑皮层模型采用FPGA芯片硬件系统实现，该硬件系统以医疗设备规范为基础，以节能为首要目标，从而减少硬件系统能耗。
为实现上述目的，本发明采用的技术方案是提供一种基于FPGA的运动障碍非侵入式康复的闭环脑-机-体接口实验平台，其中：该实验平台包括中枢神经系统、基底核、丘脑皮层FPGA芯片I、力反馈装置、脑成像装置、运动捕捉系统、控制算法FPGA芯片II、EEG算法模块、EMG算法模块、控制算法模块、触摸屏模块、周围神经系统；所述实验平台通过在基底核、丘脑皮层FPGA芯片I上采用VHDL语言搭建基底核、丘脑皮层假体模型，并通过脑成像装置与中枢神经系统的脑皮层相连接，采集脑电图观测值信号；通过运动捕捉系统与周围神经系统紧密接触，获取肌电图观测值信号；EEG算法模块和EMG算法模块分别接收由基底核、丘脑皮层假体模型输出的中枢神经系统膜电位信号和周围神经系统膜电位信号，经过EEG算法模块和EMG算法模块的EEG和EMG算法处理，分别得到脑电图期望值信号和肌电图期望值信号；脑电图期望值信号、肌电图期望值信号、脑电图观测值信号和肌电图观测值信号作为输入参量传输给控制算法FPGA芯片II中，并通过控制算法模块的计算，输出力反馈膜电位信号；此外，通过触摸屏模块选项切换方式显示脑电图观测值信号、肌电图观测值信号、脑电图期望值信号、肌电图期望值信号以及力反馈膜电位信号的动态变化，形成脑-机-体闭环系统，实现对患者病情的动态调节。
本发明的效果是这项基于FPGA的康复系统将脑机接口、体机接口和闭环控制理论相结合，建立闭环脑-机-体无创式康复系统，融合实时神经信号，得到疾病状态度量指标，动态因果自适应控制算法调节刺激信号的输出，实现运动障碍性神经系统疾病无创式康复。本发明创新的提出了基于FPGA的闭环脑-机-体接口治疗的康复系统实验方案，其具有以下几点优势：1.闭环脑-机-体康复系统避免了类似DBS的侵入式治疗手段，综合脑-机接口和体-机接口，形成闭环控制治疗手段，降低病人治疗的风险，实现无创式治疗。2.所设计的基底核，丘脑皮层的假体模型能够在时间尺度上保持与真实生物神经元的一致性，FPGA的芯片工作频率可达到200Mhz，通过神经核团的并行运算，保证神经元膜电位输出在一毫秒内，满足脑电图观测值信号与期望值信号的实时运算，为康复神经系统的研究提供合理参数。3.闭环脑-机-体康复系统，使用动态因果自适应算法，获取额外的FPGA基底核、丘脑皮层控制模型的EEG，EMG信号，建立更优的模型适应度函数，进而针对患者差异性，实现个性化治疗。
附图说明
图1为本发明的闭环脑-机-体结构示意图；
图2为本发明的基底核、丘脑皮层假体模型的核团耦合框架图；
图3为本发明的神经核团模型示意图；
图4为因果动态模型的自适应控制算法模块示意图
图中：
1.中枢神经系统2.基底核、丘脑皮层FPGA芯片I3.力反馈装置4.脑成像装置5.运动捕捉系统6.控制算法FPGA芯片II7.EEG算法模块8.EMG算法模块9.基底核，丘脑皮层假体模型10.中枢神经系统膜电位信号11.周围神经系统膜电位信号12.神经元核团输出膜电位信号13.网络连接变量信号14.突触膜电压信号15力反馈膜电位信号16.神经元核团模型17.神经元膜电位存储RAM18.网络连接变量双口RAM19.网络连接矩阵ROM存储器20.外侧苍白球GPe核团模型21.丘脑底核STN核团模型22.内侧苍白球GPi核团模型23.纹状体STRd2核团模型24.纹状体STRd1核团模型25.感觉皮层神经核团模型26.丘脑皮层TC核团模型27.运动皮层核团模型28.前额皮层核团模型29.脑电图观测值信号30.肌电图观测值信号31.脑电图期望值信号32.肌电图期望值信号33.力反馈信号34.控制算法模块35串口数据线36.触摸屏显示界面37.周围神经系统
具体实施方式
结合附图对本发明的基于FPGA的运动障碍非侵入式康复的闭环脑-机-体系统结构加以说明。
本发明的基于FPGA的运动障碍非侵入式康复的闭环脑-机-体系统设计思想是：基于FPGA的运动障碍非侵入式康复的闭环脑-机-体系统，因果动态模型的自适应算法，首先对运动障碍性神经系统疾病相关皮下核团(BG核团)进行数学建模，模拟出运动障碍性神经系统疾病的发病状态。闭环脑-机-体接口治疗的康复系统，其中：该系统包括以FPGA为控制核心的基底核、丘脑皮层模型，力反馈装置，脑成像装置，运动捕捉系统，EEG算法模块，EMG算法模块，基于FPGA的动态因果模型算法模块；基底核、丘脑皮层模型采用VHDL语言编写，并编译下载到基底核、丘脑皮层FPGA芯片I中。动态因果模型算法模块采用VHDL语言编写，并下载编译到控制算法FPGA芯片II中，EEG算法模块，EMG算法模块采用DSPBuilder编程实现。
本发明的基于FPGA的运动障碍非侵入式康复的闭环脑-机-体系统结构是首先在中枢神经系统1和周围神经系统37上分别通过脑成像装置4和运动捕捉系统5获取脑电图观测信号29与肌电图观测信号30，然后在FPGA芯片I2上建立基底核、丘脑皮层的假体模型9，然后设计的EEG算法模块7接收基底核、丘脑皮层假体模型9输出的中枢神经系统膜电位信号10进行运算，得到脑电图期望值信号31；设计的EMG算法模块8接收基底核、丘脑皮层假体模型9输出的周围神经系统膜电位信号11进行运算，得到肌电图期望值信号32；所得到的脑电图观测信号29、肌电图观测信号30、脑电图期望值信号31、肌电图期望值信号32作为输入信号传输给控制算法FPGA芯片II6中，通过动态因果模型自适应控制算法模块34计算后得到力反馈膜电位信号15。通过力反馈装置3将力反馈膜电位信号15通过力反馈装置3转化为可利用的力反馈信号33，进行对中枢神经系统1的动态调节。
所述的基底核、丘脑皮层假体模型9主要由九个不同神经核团模型16相互之间通过突触膜电压14连接耦合形成；基底核，丘脑皮层假体模型9在FPGA芯片I2上采用欧拉法离散化，并采用流水线技术搭建不同的神经核团模型16，使复杂的常微分方程并行计算。流水线思想本质上利用延时寄存器使数学模型分为几个子运算过程，在每个周期内，每个子运算过程可以同时进行不同神经集群，不同时刻的运算，神经核团计算的数据在神经元膜电位RAM17中存储，并随时钟而传递。
所述脑成像装置4：通过该装置，从大脑皮层表面将脑部的自发性生物电位加以发达记录而获得的波形，通过装置上的电极记录下脑细胞群的自发性，节律性电活动，提取波形电位的频率，幅值等基本特征信息，作为参数输入之一，传输给控制算法FPGA芯片II6中；所述运动捕捉系统5由机械式运动捕捉装置实现，记录并检测由传感器通过患者运动感知的周围神经系统肌电信号，输出肌电图观测值信号30到控制算法FPGA芯片II6中进行计算；
所述力反馈装置3由柔性外骨骼实现，接受由控制算法FPGA芯片II6输出的力反馈膜电位信号15，用于矫正运动障碍患者的运动紊乱，其对人体力的刺激可由大脑通过周围神经系统感知得到。
所述的控制算法模块34：方案采用动态因果模型自适应控制算法，通过对中枢神经系统1以及基底核、丘脑皮层假体模型9关于EEG，EMG信号的提取和检测，获取当前状态的生物标记，并建立适应度函数，实现对运动障碍性神经疾病状态的准确判断；并建立多输入输出控制模型，以脑电信号的观测值、期望值与肌电信号的观测值、期望值作为输入变量，通过适应度函数模型的数学计算，获取应施加的外力刺激输出。
所述触摸屏显示界面36，通过串口通讯方式，将获取的脑电图观测信号29、肌电图观测信号30、脑电图期望值信号31、肌电图期望值信号32，以及控制模块输出的力反馈信号33，通过触摸屏不同选项切换的方式显示在界面中；实验平台通过对观测信号和期望值信号的比对，实现系统误差的闭环控制，判断中枢神经系统1的康复程度；其中界面中显示的力反馈信号33的变化反应控制算法模块34的自适应变化过程，不断调节中枢神经系统1，直至力反馈信号33趋近于零，完成康复调节过程。
本发明的脑-机-体闭环控制系统康复方案，实验平台以FPGA作为控制核心建立基底核、丘脑皮层假体硬件模型9，以基于FPGA的自适应控制算法计算所得数据作为输入，进行控制模型参数整定与力反馈调节，直至达到预期控制结果。以下加以说明：
如图1所示，对硬件实验平台设计，基底核，丘脑皮层FPGA芯片I2采用Altera公司生产的StratixIIIEP3SE260F1152CN型号FPGA芯片，搭建基底核、丘脑皮层的假体模型9，为实验方案提供脑电图和肌电图的期望值信号；控制算法FPGA芯片II6采用Altera公司生产的CycloneIIIEP3C120F484C8N型号FPGA芯片，作为整个方案的控制核心，通过以脑电图和肌电图，大脑实测数值和获取的期望值信号作为控制输入送到控制算法FPGA芯片II6进行因果动态模型的自适应算法计算，得到力反馈膜电位信号15，通过力反馈装置3进行对中枢神经系统1的控制，实现脑-机-体闭环控制流程。
如图2所示为基底核、丘脑皮层假体模型9的核团耦合框架，主要包括有基底核、丘脑皮层模型9中相互耦合的外侧苍白球GPe核团模型20、丘脑底核STN核团模型21、内侧苍白球GPi核团模型22、纹状体STRd2核团模型23、纹状体STRd1核团模型24、感觉皮层核团模型25、丘脑皮层TC核团模型26、运动皮层核团模型27和前额皮层核团模型28九种神经元核团模型16。每个神经元核团模型16之间通过突触膜电压信号14实现耦合作用。基底核、丘脑皮层假体模型9接收力反馈膜电位信号15作为系统的反馈输入，输出中枢神经系统膜电位信号10到EEG算法模块7中，得到脑电图的期望值信号31；输出周围神经系统膜电位信号11到EMG算法模块中8，得到肌电图的期望值信号32。
如图3所示为神经核团模型的流水线示意图，其主要由加法器，乘法器，移位器存期和RAM存储器组成，其包含有突触连接模型和神经元计算模型，不同核团之间通过突触膜电压信号14进行耦合，突触膜电压信号14经过神经元计算模型的运算，得到神经核团的输出膜电位信号12，并随时钟传递，作为下一个耦合作用下核团的计算参数，直至完成基底核，丘脑皮层假体模型9的一个周期运算。
如图4所示为因果动态模型的自适应控制算法模块，动态因果模型自适应控制算法在控制算法FPGA芯片II6中，由VHDL语言编程实现，接收由脑成像装置4输出的脑电图观测值信号29、运动捕捉系统5输出的肌电图观测值信号30、EEG算法模块7输出的脑电图期望值信号31以及EMG算法模块8输出的肌电图期望值信号32，实时调制自适应控制参数Q，通过计算产生力反馈信号33与力反馈膜电位信号15，分别输出到力反馈装置3、基底核模型FPGA芯片2中，从而实现对运动障碍非侵入式康复的闭环控制。

Claims (9)

1.一种运动障碍非侵入式康复的闭环脑-机-体接口实验平台，其特征是：该实验平台包括中枢神经系统(1)、基底核、丘脑皮层FPGA芯片I(2)、力反馈装置(3)、脑成像装置(4)、运动捕捉系统(5)、控制算法FPGA芯片II(6)、EEG算法模块(7)、EMG算法模块(8)、控制算法模块(34)、触摸屏模块(36)、周围神经系统(37)；所述实验平台通过在基底核、丘脑皮层FPGA芯片I(2)上采用VHDL语言搭建基底核、丘脑皮层假体模型(9)，并通过脑成像装置(4)与中枢神经系统(1)的脑皮层相连接，采集脑电图观测值信号(29)；通过运动捕捉系统(5)与周围神经系统(37)紧密接触，获取肌电图观测值信号(30)；EEG算法模块(7)和EMG算法模块(8)分别接收由基底核、丘脑皮层假体模型(9)输出的中枢神经系统膜电位信号(10)和周围神经系统膜电位信号(11)，经过EEG算法模块(7)和EMG算法模块(8)的EEG和EMG算法处理，分别得到脑电图期望值信号(31)和肌电图期望值信号(32)；脑电图期望值信号(31)、肌电图期望值信号(32)、脑电图观测值信号(29)和肌电图观测值信号(30)作为输入参量传输给控制算法FPGA芯片II(6)中，并通过控制算法模块(34)的计算，输出力反馈膜电位信号(15)；此外，通过触摸屏模块(36)选项切换方式显示脑电图观测值信号(29)、肌电图观测值信号(30)、脑电图期望值信号(31)、肌电图期望值信号(32)以及力反馈膜电位信号(15)的动态变化，形成脑-机-体闭环系统，实现对患者病情的动态调节。
2.根据权利要求1所述运动障碍非侵入式康复的闭环脑-机-体接口实验平台，其特征是：所述基底核、丘脑皮层假体模型(9)与神经元核团模型(16)通过欧拉法离散化，由VHDL语言编程实现，并编译下载到FPGA芯片I(2)中，由控制算法FPGA芯片II(6)输入的力反馈膜电位信号通过基底核、丘脑皮层假体模型(9)的计算产生中枢神经系统膜电位信号(10)、周围神经系统膜电位信号(11)分别输出到EEG算法模块(7)、EMG算法模块(8)中进行处理；基底核、丘脑皮层模型(9)在基底核、丘脑皮层模型FPGA芯片(2)中实现，基底核、丘脑皮层模型(9)中包括相互耦合的外侧苍白球GPe核团模型(20)、丘脑底核STN核团模型(21)、内侧苍白球GPi核团模型(22)、纹状体STRd2核团模型(23)、纹状体STRd1核团模型(24)、感觉皮层核团模型(25)、丘脑皮层TC核团模型(26)、运动皮层核团模型(27)和前额皮层核团模型九种神经元核团模型；不同神经元核团模型(16)之间通过突触膜电压信号(14)实现耦合作用,并接受由控制算法FPGA芯片II(6)传递给周围神经系统的力反馈膜电位信号(15)，输出中枢神经系统膜电位信号(10)与周围神经系统膜电位信号(11)。
3.根据权利要求1所述运动障碍非侵入式康复的闭环脑-机-体接口实验平台，其特征是：所述控制算法FPGA芯片II(6)用于实现基于动态因果模型的控制算法模块(34)，通过VHDL语言编程实现，接收由脑成像装置(4)输出的脑电图观测值信号(29)、运动捕捉系统(5)输出的肌电图观测值信号(30)、EEG算法模块(7)输出的脑电图期望值信号(31)以及EMG算法模块(8)输出的肌电图期望值信号(32)，实时调制自适应控制参数Q，通过计算产生力反馈信号(33)与力反馈膜电位信号(15)，分别输出到力反馈装置(3)、基底核、丘脑皮层FPGA芯片(2)中，从而实现对运动障碍非侵入式康复的闭环控制。
4.根据权利要求1所述运动障碍非侵入式康复的闭环脑-机-体接口实验平台，其特征是：所述力反馈装置(3)由柔性外骨骼装置实现，主要包括有扭矩传感器，气动肌肉关节和一个单自由度运动机构，柔性外骨骼装置接受由控制算法FPGA芯片II(6)输出的力反馈膜电位信号(15)，输出力反馈信号(33)对人体力的刺激可由大脑通过周围神经系统感知得到。
5.根据权利要求1所述运动障碍非侵入式康复的闭环脑-机-体接口实验平台，其特征是：所述脑成像装置(4)通过放置电极于大脑皮层表面，实现与中枢神经系统(1)相连，进而获取脑电图观测信号(29)，输出脑电图观测值信号(29)到控制算法FPGA芯片II(6)中进行计算。
6.根据权利要求1所述运动障碍非侵入式康复的闭环脑-机-体接口实验平台，其特征是：所述运动捕捉系统(5)主要包括肌电采集装置，通过该装置内的电极与人体皮肤紧密接触，获取并检测由传感器通过患者运动感知的周围神经系统肌电信号，输出肌电图观测值信号(30)到控制算法FPGA芯片II(6)中进行计算。
7.根据权利要求1所述运动障碍非侵入式康复的闭环脑-机-体接口实验平台，其特征是：所述EEG算法模块(7)将FPGA芯片I(2)计算产生的中枢神经系统膜电位信号(10)转化成脑电图期望值信号(31)，输出到控制算法FPGA芯片II(6)中进行计算。
8.根据权利要求1所述运动障碍非侵入式康复的闭环脑-机-体接口实验平台，其特征是：所述EMG算法模块(8)将基底核模型FPGA芯片I(2)计算产生的周围神经系统膜电位信号(11)转化成肌电图期望值信号(32)，输出到控制算法FPGA芯片II(6)中进行计算。
9.根据权利要求1所述运动障碍非侵入式康复的闭环脑-机-体接口实验平台，其特征是：所述触摸屏显示界面(36)通过串口通讯方式分别接收力反馈膜电位信号(15)、脑电图观测值信号(29)、肌电图观测值信号(30)、脑电图期望值信号(31)以及肌电图期望值信号(32)，通过触摸屏选项切换方式分别显示以上信号的动态变化和自适应过程。
CN201610026971.2A 2016-01-15 2016-01-15 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统 Expired - Fee Related CN105653873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610026971.2A CN105653873B (zh) 2016-01-15 2016-01-15 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610026971.2A CN105653873B (zh) 2016-01-15 2016-01-15 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统

Publications (2)

Publication Number Publication Date
CN105653873A true CN105653873A (zh) 2016-06-08
CN105653873B CN105653873B (zh) 2018-12-11

Family

ID=56487512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610026971.2A Expired - Fee Related CN105653873B (zh) 2016-01-15 2016-01-15 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统

Country Status (1)

Country Link
CN (1) CN105653873B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106110587A (zh) * 2016-08-11 2016-11-16 上海交通大学 基于人机合作的下肢外骨骼康复系统及方法
CN106407568A (zh) * 2016-10-26 2017-02-15 天津大学 结合有限元分析的帕金森状态下基底核刺激实时仿真平台
CN106842949A (zh) * 2017-03-07 2017-06-13 天津大学 基于fpga的丘脑皮层放电状态变论域模糊控制系统
CN107169184A (zh) * 2017-05-04 2017-09-15 天津大学 基于FPGA的基底核网络beta节律仿真系统
CN110444270A (zh) * 2019-08-01 2019-11-12 重庆邮电大学 一种基于rbf神经网络的闭环dbs控制方法
CN111370093A (zh) * 2019-08-23 2020-07-03 天津大学 基于闭环迭代控制的阿兹海默症状态下dbs刺激的仿真平台
CN114019281A (zh) * 2021-11-04 2022-02-08 国网四川省电力公司营销服务中心 基于模体挖掘和半监督法的非侵入式负荷监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013012625A1 (en) * 2011-07-18 2013-01-24 Great Lakes Neurotechnologies Inc. Movement disorder monitoring system and method for continuous monitoring
CN103691058A (zh) * 2013-12-10 2014-04-02 天津大学 帕金森病基底核-丘脑网络的深度脑刺激fpga实验平台
CN104112066A (zh) * 2014-08-18 2014-10-22 天津大学 基于fpga的癫痫状态闭环控制实验平台
CN105213033A (zh) * 2015-10-14 2016-01-06 天津大学 基于运动障碍性神经疾病的计算机闭环康复控制系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013012625A1 (en) * 2011-07-18 2013-01-24 Great Lakes Neurotechnologies Inc. Movement disorder monitoring system and method for continuous monitoring
CN103691058A (zh) * 2013-12-10 2014-04-02 天津大学 帕金森病基底核-丘脑网络的深度脑刺激fpga实验平台
CN104112066A (zh) * 2014-08-18 2014-10-22 天津大学 基于fpga的癫痫状态闭环控制实验平台
CN105213033A (zh) * 2015-10-14 2016-01-06 天津大学 基于运动障碍性神经疾病的计算机闭环康复控制系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN LIU ET AL: "Closed-loopcontrolofthethalamocorticalrelayneuronsParkinsonianstatebasedonslowvariable", 《INTERNATIONAL JOURNAL OF NEURAL SYSTEMS》 *
CHEN LIU ET AL: "Model-based iterative learning control of Parkinsonian state in thalamic relay neuron", 《COMMUN NONLINEAR SCI NUMBER SIMULAT》 *
FEI SU ET AL: "Adaptive control of Parkinson"s state based on a nonlinear computational model with unknown parameters", 《INTERNATIONAL JOURNAL OF NEURAL SYSTEMS》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106110587A (zh) * 2016-08-11 2016-11-16 上海交通大学 基于人机合作的下肢外骨骼康复系统及方法
CN106110587B (zh) * 2016-08-11 2019-12-13 上海交通大学 基于人机合作的下肢外骨骼康复系统及方法
CN106407568A (zh) * 2016-10-26 2017-02-15 天津大学 结合有限元分析的帕金森状态下基底核刺激实时仿真平台
CN106842949A (zh) * 2017-03-07 2017-06-13 天津大学 基于fpga的丘脑皮层放电状态变论域模糊控制系统
CN107169184A (zh) * 2017-05-04 2017-09-15 天津大学 基于FPGA的基底核网络beta节律仿真系统
CN110444270A (zh) * 2019-08-01 2019-11-12 重庆邮电大学 一种基于rbf神经网络的闭环dbs控制方法
CN111370093A (zh) * 2019-08-23 2020-07-03 天津大学 基于闭环迭代控制的阿兹海默症状态下dbs刺激的仿真平台
CN111370093B (zh) * 2019-08-23 2023-06-20 天津大学 基于闭环迭代控制的阿兹海默症状态下dbs刺激的仿真装置
CN114019281A (zh) * 2021-11-04 2022-02-08 国网四川省电力公司营销服务中心 基于模体挖掘和半监督法的非侵入式负荷监测方法及系统

Also Published As

Publication number Publication date
CN105653873B (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN105653873B (zh) 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统
Wright et al. A review of control strategies in closed-loop neuroprosthetic systems
He et al. Noninvasive brain-computer interfaces based on sensorimotor rhythms
Thakor Translating the brain-machine interface
Buch et al. Think to move: a neuromagnetic brain-computer interface (BCI) system for chronic stroke
US10973408B2 (en) Smart eye system for visuomotor dysfunction diagnosis and its operant conditioning
Soekadar et al. ERD-based online brain–machine interfaces (BMI) in the context of neurorehabilitation: optimizing BMI learning and performance
Murphy et al. Current challenges facing the translation of brain computer interfaces from preclinical trials to use in human patients
Borton et al. Corticospinal neuroprostheses to restore locomotion after spinal cord injury
US20200345578A1 (en) High-resolution, selective and self-optimizing haptic and electrotactile display and methods of use
Levi et al. Closed-loop systems for next-generation neuroprostheses
Gao et al. Intelligent wearable rehabilitation robot control system based on mobile communication network
Lan et al. Achieving neural compatibility with human sensorimotor control in prosthetic and therapeutic devices
CN106407568A (zh) 结合有限元分析的帕金森状态下基底核刺激实时仿真平台
Sanchez et al. Dynamically repairing and replacing neural networks: using hybrid computational and biological tools
Caramenti et al. Challenges in neurorehabilitation and neural engineering
Badi et al. Cortical stimulation for somatosensory feedback: translation from nonhuman primates to clinical applications
Xie et al. Biomechatronics in medical rehabilitation
Hu et al. Neural coding for effective rehabilitation
US11896833B2 (en) Generating voltage-gradient geometries in biological tissue
PANCINO Development of an EEG-based recurrent neural network for online gait decoding
Sherwani et al. Lower body segmental dynamics control using eye blinking activity
Tovar Suárez Integration of a BCI system for the control of the T-FLEX Ankle Exoskeleton
Jo Bidirectional Brain-Machine Interfaces for Modulating Stimulation and Neural Plasticity
Iyengar et al. The NEUROiD neuromusculoskeletal movement simulation platform

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Deng Bin

Inventor after: Wang Jiang

Inventor after: Hu Jinling

Inventor after: Yang Shuangming

Inventor after: Li Huiyan

Inventor after: Lin Qianjin

Inventor after: Liu Chen

Inventor after: Wei Xile

Inventor after: Yu Haitao

Inventor after: Zhang Zhen

Inventor before: Deng Bin

Inventor before: Yang Shuangming

Inventor before: Li Huiyan

Inventor before: Lin Qianjin

Inventor before: Liu Chen

Inventor before: Wei Xile

Inventor before: Yu Haitao

Inventor before: Zhang Zhen

Inventor before: Wang Jiang

GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20181211

Termination date: 20210115