CN105727442A - 闭环的脑控功能性电刺激系统 - Google Patents

Abstract

本发明属于医疗器械领域，提供一种闭环的脑控功能性电刺激系统，其特征在于，所述系统包括：大脑运动皮层区信号采集模块、信息控制模块、刺激器、肢体动作采集模块和大脑额叶信号采集模块；其中，信息控制模块包括：信号预处理子模块，模式识别子模块，命令控制子模块。本发明提供的技术方案具有确保肢体动作识别的准确性，提高瘫痪患者的康复治疗效果的优点。

Description

闭环的脑控功能性电刺激系统

技术领域

本发明属于医疗器械领域，尤其涉及一种闭环的脑控功能性电刺激系统。

背景技术

随着交通事故、跌倒等意外伤害的不断增加，脊髓损伤发病人数不断上升。据估计，全球现有250万脊髓损伤患者，且每年新发生近13万例。功能性电刺激是一种临床上用于恢复由脊椎损伤造成神经功能障碍的主要治疗方法，其通过电流刺激患者的肢体，使失去运动功能的肢体能完成相应的动作。然而，目前，该方法只能通过预先设定的电刺激流程对患者进行治疗，若治疗时间过长，可能会引起患者的不适，甚至出现肌肉劳损现象，并且患者无法根据自己的意愿来完成相应的动作。

传统的功能性电刺激的原理是：利用一定强度的低频脉冲电流，通过预先设定的程序来刺激一组或多组肌肉，诱发肌肉运动或模拟正常的自主运动，以达到改善或恢复被刺激肌肉或肌群功能的目的，属于一种被动的康复方法。

所以现有技术提供的电刺激系统无法根据用户的意愿来完成电刺激。

发明内容

本发明实施例的目的在于提供一种闭环的脑控功能性电刺激系统，该系统能够依据用户的意愿来完成电刺激。

本发明提供一种闭环的脑控功能性电刺激系统，所述系统包括：大脑运动皮层区信号采集模块、信息控制模块、刺激器、肢体动作采集模块和大脑额叶信号采集模块；其中，

信息控制模块包括：信号预处理子模块，模式识别子模块，命令控制子模块；

信号预处理子模块，用于对大脑运动皮层区的信号进行滤波和波形整形，并将信号传输到模式识别子模块；

模式识别子模块，用于通过初始映射矩阵M₀和可调映射矩阵M₁对信号进行识别，判断患者的运动意图；

命令控制子模块，用于根据BP神经网络算法确定影响因子的权重，并利用遗传算法优化影响因子的权重，生成该因子对应的刺激命令，将该刺激命令传输到刺激器中；

肢体动作采集模块，用于采集肢体运动状态的数据，并将肢体运动状态的数据传送到信息控制模块；

大脑额叶信号采集模块，用于采集患者大脑额叶信号的数据，并将数据传输到信息控制模块；

信息控制模块，还用于依据反馈的肢体运动状态的数据和大脑额叶信号的数据评价电流刺激效果，并根据评价结果自动修正模式识别子模块的可调映射矩阵M₁。

可选的，所述信号预处理子模块，具体用于当接收到大脑运动皮层区的信号后，首先对大脑运动皮层区的信号进行低通滤波，然后对低通滤波后的信号进行波形整形，获取信号的特性，所述信号的特性包括：信号的幅度、信号的脉宽、信号的尖峰数目，信号的上升时间、信号的时间间隔，将所述信号的特性传输到所述模式识别子模块。

可选的，所述模式识别子模块，具体用于，

设定影响因子矩阵T＝{t₁,t₂,t₃,t₄,t₅,t₆,t₇,t₈,t₉,t₁₀,t₁₁,t₁₂,t₁₃,t₁₄,t₁₅,t₁₆,t₁₇,t₁₈,t₁₉,t₂₀}；其中，t₁为幅度0-2.5mA，t₂为幅度2.5-5mA，t₃为幅度5-7.5mA,t₄为幅度7.5mA以上,t₅为脉宽0-50us,t₆为脉宽50-100us,t₇为脉宽100-150us，,t₈为150us以上，t₉为尖峰数目1-2个，t₁₀为尖峰数目3-4个，t₁₁为尖峰数目5-6个，t₁₂为尖峰数目6个以上，t₁₃为上升时间0-5us,t₁₄为上升时间5-10us,t₁₅为上升时间11-15us，t₁₆为上升时间15us以上，t₁₇为时间间隔400-420us,t₁₈为时间间隔420-440us,t₁₉为时间间隔440-460us,t₂₀为时间间隔460us以上；

设定输出的肢体运动矩阵G：

其中g_mn下标m范围为从1到8，分别对应8种不同的肢体运动方向：上、下、左、右、上左、上右、下左、下右；g_mn下标n范围同样为从1到8，分别对应8种不同的肢体运动强度，从等级1到等级8；

确定输入的影响因子矩阵与输出的肢体运动矩阵的映射关系：两者的映射关系可表示为：G＝M₀×M₁×T，其中G为输出的肢体运动矩阵，T为输入的影响因子矩阵，M₀为初始的映射矩阵，M₀＝{m₀₁,m₀₂,m₀₃,m₀₄......,m_0n}，M₁为可自动调整的映射矩阵,且M₁＝{m₁₁,m₁₂,m₁₃,m₁₄......,m_1n}，令根据映射关系G＝M₀×M₁×T计算G矩阵中每个元素的大小，如果则将G矩阵中每个元素进行归一化处理，并根据最大隶属原则，g_i中的最大值则为模式识别子模块对患者肢体运动的识别结果。

可选的，所述命令控制子模块具体用于，

设定输入的影响因子集：K＝{k₁,k₂,k₃,k₄,k₅,k₆,k₇,k₈,k₉,k₁₀,k₁₁,k₁₂,k₁₃,k₁₄,k₁₅,k₁₆,k₁₇,k₁₈,k₁₉,k₂₀}，其中k₁为模式识别子模块判定的结果，k₂为男性瘫痪患者，k₃为女性瘫痪患者，k₄为幼儿瘫痪患者，k₅为青年瘫痪患者，k₆为中年瘫痪患者，k₇为老年瘫痪患者，k₈为左上臂瘫痪，k₉为左前臂瘫痪，k₁₀为右上臂瘫痪，k₁₁为右前臂瘫痪，k₁₂为左小腿瘫痪，k₁₃为左大腿瘫痪，k₁₄为右小腿瘫痪，k₁₅为右大腿瘫痪，k₁₆为瘫痪时长小于1年，k₁₇为瘫痪时长1年，k₁₈为瘫痪时长2年，k₁₉为瘫痪时长3年，k₂₀为瘫痪时长大于3年；

采用BP神经网络算法来确定输入影响因子的权重，所述影响因子包括：性别、年龄、瘫痪部位、瘫痪时长、患者运动意愿；

采用遗传算法对输入影响因子的权重进行优化；

设定输出命令集Y；

其中，

Y＝Y₁×Y₂×Y₃×Y₄

其中Y₂＝{y₂₁,y₂₂,y₂₃,y₂₄,y₂₅}，Y₄＝{y₄₁,y₄₂,y₄₃,y₄₄,y₄₅}

Y₁为信号的波形，y11为单相波形，y12为双相电荷平衡波形，y13为双相电荷不平衡波形，y14为双相电荷延迟平衡波形，y15为双相电荷延迟不平衡波形；Y₂为Y₁波形对应的电流的幅值，Y₃为Y₁波形信号的脉宽；Y₄为Y₁波形信号的频率；

确定输入影响因子集与输出命令集的关系中绝对影响系数；

$S_{ij}=|(1-e^{-y_{ij}})/)+e^{-y_{ij}}|/\underset{i=1}{\overset{m}{\Σ}}|(1-e^{-y_{ij}})/)1+e^{-y_{ij}}|;$

其中w_jk为输入影响因子集中相应元素的权重值；

刺激命令Y＝K*S_ij。

可选的，所述刺激器，用于根据刺激命令产生相应的刺激电流。

可选的，所述信息控制模块，具体用于根据肢体动作的偏差与患者对刺激效果的满意程度之间的关系自动调整可调映射矩阵M₁；具体为：

确定输入影响因子：输入影响因子主要是肢体动作采集模块所得到的肢体运动状态数据与模式识别子模块所判定的肢体运动状态数据之间的偏差，包括运动方向角度的偏差和运动强度的偏差，具体可表示为：U＝{u₁,u₂,u₃,u₄,u₅,u₆,u₇,u₈,u₉,u₁₀,u₁₁,u₁₂,u₁₃,u₁₄,u₁₅,u₁₆}，其中u₁表示方向角度偏差为0，u²表示方向角度偏差为小于10°，u₃表示表示方向角度偏差为小于30°，u₄表示方向角度偏差为小于50°，u₅表示方向角度偏差为小于70°，u₆表示方向角度偏差为小于90°，u₇表示方向角度偏差为小于150°，u₈表示方向角度偏差为大于150°，u₉表示运动强度等级偏差为0；u₁₀表示运动强度等级偏差为1，u₁₁表示运动强度等级偏差为2，u₁₂表示运动强度等级偏差为3，u₁₃表示运动强度等级偏差为4，u₁₄表示运动强度等级偏差为5，u₁₅表示运动强度等级偏差为6，u₁₆表示运动强度等级偏差为6以上；

确定输出评价因子：输出评价因子主要是瘫痪患者对脑控功能性电刺激系统的刺激效果的满意程度。数据主要来源于大脑额叶信号采集模块所得到的信号，通过对该信号进行滤波和傅里叶变换，提取信号特性，从而判断患者对刺激效果的满意程度。满意程度具体划分为：V＝{v₁,v₂,v₃,v₄,v₅}，其中v₁表示非常满意，v₂表示满意，v₃表示基本满意，v₄表示不满意，v₅表示非常不满意；

建立从输入影响因子到输出评价因子的评判矩阵，即得到一个从U→F(V)的映射矩阵；

根据f推导出的映射矩阵，即为模式识别子模块中的映射矩阵M₁。

在本发明实施例中，本发明提供的技术方案提出一种基于闭环的脑控功能性电刺激系统，不但可以使瘫痪患者能根据自己的意愿完成相应的动作，同时，系统还能对刺激效果进行评估，并自动调整信息控制模块的映射矩阵，确保肢体动作识别的准确性，提高瘫痪患者的康复治疗效果。

附图说明

图1为本发明第一较佳实施方式提供的一种闭环的脑控功能性电刺激系统的结构图；

图2为本发明第一较佳实施方式提供的闭环的脑控功能性电刺激系统的示意图；

图3为本发明提供的遗传算法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明第一较佳实施方式提供一种闭环的脑控功能性电刺激系统100，该系统如图1所示，包括：大脑运动皮层区信号采集模块101、信息控制模块102、刺激器103、肢体动作采集模块104和大脑额叶信号采集模块105；其中，

信息控制模块102主要包括：三个子模块：信号预处理子模块1021，模式识别子模块1022，命令控制子模块1023；

信号预处理子模块1021，用于对大脑运动皮层区的信号进行滤波和波形整形，并将信号传输到模式识别子模块；

模式识别子模块1022，用于通过初始映射矩阵M₀和可调映射矩阵M₁对信号进行识别，判断患者的运动意图；

命令控制子模块1023，用于根据BP神经网络算法确定影响因子的权重，并利用遗传算法优化影响因子的权重，生成该因子对应刺激命令，将该刺激命令传输到刺激器中。

肢体动作采集模块103，用于采集肢体运动状态的数据，并将肢体运动状态的数据传送到信息控制模块；

大脑额叶信号采集模块104，用于采集患者大脑额叶信号的数据，并将数据传输到信息控制模块；

信息控制模块102，用于依据反馈的肢体运动状态的数据和大脑额叶信号的数据评价电流刺激效果，并根据评价结果自动修正模式识别子模块的可调映射矩阵。

本发明第一较佳实施方式提供的技术方案通过闭环控制的方式自动调整可调映射的矩阵，这样就能够根据用户的意愿来完成电刺激，实现提高瘫痪患者的康复治疗效果。

图2为基于闭环的脑控功能性电刺激系统的示意图，脑控功能性电刺激系统各模块主要功能如下：

(一)大脑运动皮层信号采集模块

研究表明，人们的运动意图是由大脑运动皮层区的信号决定的。大脑运动皮层信号采集模块主要由生物电极和信号传输电路组成。为了减少环境噪声对脑控功能性电刺激系统的影响，首先将生物电极植入到瘫痪患者的大脑运动皮层区，并利用该电极采集大脑运动皮层区的信号，并将信号传输信息控制模块。

(二)信息控制模块

信息控制模块主要包括三个子模块：信号预处理子模块、模式识别子模块、命令控制子模块。各子模块的主要功能如下所示：

(1)信号预处理子模块的功能是：对信号进行滤波和波形整形，并将信号传输到模式识别子模块，具体为：当信号预处理子模块接收到大脑运动皮层区的信号后，首先对信号进行低通滤波，滤波器的截止频率约为50Hz，当然在实际应用中，也可以采用其他的滤波器截至频率，本发明具体实施方式并不限制上述截至频率的具体树枝，另外，上述低通滤波的方法也可以采用现有技术的方法，本发明对低通滤波的具体方法并不限定。然后，信号预处理子模块对信号进行波形整形，获取信号的特性，上述信号的特性包括但不限于，信号的幅度、信号的脉宽、信号的尖峰数目，信号的上升时间、信号的时间间隔等，并将其传输到模式识别子模块。

(2)模式识别子模块的功能是：根据信号的特性，准确地识别出患者肢体的运动意图。模式识别的具体过程如下所示：

a、设定输入的影响因子矩阵：输入的影响因子主要包括信号的幅度、脉宽、尖峰数目，上升时间、时间间隔，具体可划分为：T＝{t₁,t₂,t₃,t₄,t₅,t₆,t₇,t₈,t₉,t₁₀,t₁₁,t₁₂,t₁₃,t₁₄,t₁₅,t₁₆,t₁₇,t₁₈,t₁₉,t₂₀},其中t₁为幅度0-2.5mA，t₂为幅度2.5-5mA，t₃为幅度5-7.5mA,t₄为幅度7.5mA以上,t₅为脉宽0-50us,t₆为脉宽50-100us,t₇为脉宽100-150us，,t₈为150us以上，t₉为尖峰数目1-2个，t₁₀为尖峰数目3-4个，t₁₁为尖峰数目5-6个，t₁₂为尖峰数目6个以上，t₁₃为上升时间0-5us,t₁₄为上升时间5-10us,t₁₅为上升时间11-15us，t₁₆为上升时间15us以上，t₁₇为时间间隔400-420us,t₁₈为时间间隔420-440us,t₁₉为时间间隔440-460us,t₂₀为时间间隔460us以上。

b、设定输出的肢体运动矩阵：模式识别子模块中输出的肢体运动主要包括肢体的运动方向和运动强度，具体可划分为：

其中g_mn下标m范围为从1到8，分别对应8种不同的肢体运动方向：上、下、左、右、上左、上右、下左、下右。g_mn下标n范围同样为从1到8，分别对应8种不同的肢体运动强度，从等级1到等级8，且等级越高，运动强度越强。

c、确定输入的影响因子矩阵与输出的肢体运动矩阵的映射关系：在模式识别子模块中，需要根据信号的特性识别出患者的肢体运动意图，两者的映射关系可表示为：G＝M₀×M₁×T。其中G为输出的肢体运动矩阵，T为输入的影响因子矩阵，M₀为初始的映射矩阵，M₀＝{m₀₁,m₀₂,m₀₃,m₀₄......,m_0n}，且矩阵中每个元素的大小根据临床的数据和经验来确定，一旦确定后，则保持不变；M₁为可自动调整的映射矩阵,且M₁＝{m₁₁,m₁₂,m₁₃,m₁₄......,m_1n}，令M₁矩阵中每个元素的大小由脑控功能电刺激系统经闭环反馈后实现自动调整，具体的过程在下面会进行解释。

M₁的大小确定后，根据映射关系G＝M₀×M₁×T计算G矩阵中每个元素的大小，如果则将G矩阵中每个元素进行归一化处理，并根据最大隶属原则，g_i中的最大值则为模式识别子模块对患者肢体运动的识别结果。

(3)命令控制子模块的功能是：根据模式识别子模块的结果，并根据患者的实际情况(如性别、年龄、瘫痪部位、瘫痪时长等)，命令控制子模块生成相应的刺激命令，刺激命令包括控制刺激器输出的信号波形、幅值、脉宽、频率。命令控制子模块具体的工作过程如下：

a、设定输入的影响因子集：输入的影响因子包括模式识别子模块判定的肢体运动结果、患者的性别、年龄、瘫痪部位、瘫痪时长。具体划分为：K＝{k₁,k₂,k₃,k₄,k₅,k₆,k₇,k₈,k₉,k₁₀,k₁₁,k₁₂,k₁₃,k₁₄,k₁₅,k₁₆,k₁₇,k₁₈,k₁₉,k₂₀}，其中k₁为模式识别子模块判定的结果，k₂为男性瘫痪患者，k₃为女性瘫痪患者，k₄为幼儿瘫痪患者，k₅为青年瘫痪患者，k₆为中年瘫痪患者，k₇为老年瘫痪患者，k₈为左上臂瘫痪，k₉为左前臂瘫痪，k₁₀为右上臂瘫痪，k₁₁为右前臂瘫痪，k₁₂为左小腿瘫痪，k₁₃为左大腿瘫痪，k₁₄为右小腿瘫痪，k₁₅为右大腿瘫痪，k₁₆为瘫痪时长小于1年，k₁₇为瘫痪时长1年，k₁₈为瘫痪时长2年，k₁₉为瘫痪时长3年，k₂₀为瘫痪时长大于3年。

b、确定输入影响因子的权重：由于每一个瘫痪患者的实际情况都存在一定的区别，如性别、年龄、瘫痪部位、瘫痪时长、患者运动意愿等。在不同的情况下，每个影响因子对治疗效果的影响会有所不同。为了取得最佳的治疗效果，需要确定每一个输入影响因子的权重。在命令控制子模块中，采用BP神经网络算法来确定输入影响因子的权重。具体过程为：采用三层的神经网络，即一个输入层，一个隐含层和一个输出层。根据上述的输入影响因子的分析，输入层的神经元数目为20个，隐含层的神经元数目为12个，输出层的神经元数目为1个，输出层即为各影响因子的权重值。

表1神经网络算法的具体参数

c、输入影响因子的权重的优化：采用BP神经网络算法确定输入影响因子的权重后，还需对影响因子的权重进行优化。为了取得最佳的优化效果，在本发明具体实施方式中采用遗传算法对输入影响因子进行优化。遗传算法借助生物遗传学的观点，通过对生物遗传和进化过程中的选择、交叉、变异机理的模仿，来完成对问题最优解的自适应搜索过程，以实现个体的适应性的提高。当然在实际应用中，上述优化的算法还可以采用其他的优化算法，遗传算法的流程图如图3所示，具体实现如下：

1)设定初始的群体：在本发明具体实施方式中，初始的设定值为经验值，由相关的临床实验结果确定。

2)确定群体的多样性：群体规模越大，群体中个体的多样性越高，算法陷入局部解的危险就越小，但群体规模太大会带来计算量增加的弊病，因此，在本专利中，群体的规模设为100较为合适。

3)确定适应度函数：根据最优化问题的类型，由目标函数值按一定的转换规则求目标函数的全局最大值，具体计算为：

其中C_min为当最近五次迭代中的最小目标函数值。

4)确定选择算子：采用比例选择算子进行选择，，具体计算为：

其中M为群体的大小，在这里设置为100，F_i为第i个个体的适应度，P_is为第i个个体被选中的概率。

5)设定遗传算法的运行参数：主要参数包括个体编码串长度l，群体大小M，交叉概率p_c，变异概率p_m、终止代数T和代沟G等。其中个体编码串长度l采用的是可变长度的编码，群体大小设置M为100，交叉概率p_c的范围为0.3-0.9，变异概率p_m的范围为0.000001-0.1；终止代数T设为500。

d、设定输出命令集：输出的刺激命令包括刺激信号的波形，幅值、脉宽、频率，具体可划分为：

Y＝Y₁×Y₂×Y₃×Y₄

其中Y₂＝{y₂₁,y₂₂,y₂₃,y₂₄,y₂₅}，Y₄＝{y₄₁，y₄₂，y₄₃，y₄₄，y₄₅}

Y₁为信号的波形，集合中五个元素分别对应于：单相波形，双相电荷平衡波形，双相电荷不平衡波形，双相电荷延迟平衡波形，双相电荷延迟不平衡波形；Y₂为电流的幅值，集合中五个元素分别对应于：60mA,70mA,80mA,90mA,100mA；Y₃为信号的脉宽，集合中五个元素分别对应于：0.2ms,0.3ms,0.4ms,0.5ms,0.6ms；Y₄为信号的频率，集合中五个元素分别对应于：20Hz,40Hz,60Hz,80Hz,100Hz。

e、确定输入影响因子集与输出命令集的关系：在上述的阐述中，根据BP神经网络算法和遗传算法，可以计算和优化输入影响因子的权重，但该输入影响因子的权重只是反映了在输入层中20个神经子模块的权重分配情况。为了得到输入影响因子集和输出命令集的之间的关系，还需要对输入影响因子集之间的权重加以分析处理。主要是通过绝对影响系数来表征输入影响因子与集合输出命令集的关系。

绝对影响系数

其中w_jk为输入影响因子集中相应元素的权重值。

(三)刺激器

刺激器的功能是产生刺激电流，刺激肌肉。具体过程为：刺激器接收到信号后，对信号进行解调，得到刺激命令，并根据刺激命令产生相应的刺激电流(即合适的信号波形、幅值、脉宽、频率、时间间隔)来刺激肢体，使肢体能够根据瘫痪患者的意愿完成相应的动作。

(四)肢体动作采集模块

肢体动作采集模块的主要功能是采集肢体的运动状态，并转换成数字信号，通过人体通信的方式，将数字信号传输到信息控制模块。具体过程为：当刺激器产生电流，并作用于患者的肢体时，肢体动作采集模块中的传感器则开始采集肢体的动作状态，并转换成数字信号。其中，传感器包括方向传感器和加速度传感器。方向传感器主要采集当肢体受到电流刺激时，肢体的运动方向；角速度传感器则主要采集肢体的运动变化，从而反映出肢体受到电流刺激时，肢体运动的强度。采集完毕后，肢体动作采集模块通过人体通信的方式将数字信号传输到信息控制模块。

(五)大脑额叶信号采集模块

大脑额叶信号采集模块主要由生物电极和信号传输电路组成。首先将生物电极植入到瘫痪患者的大脑额叶表面，并利用该电极采集大脑额叶表面的信号，并将信号传输到脑控功能性电刺激系统的信息控制模块。

基于闭环的脑控功能性电刺激系统的工作过程如下：

首先，当脑控功能性电刺激系统处于工作状态时，大脑运动皮层信号采集模块开始采集瘫痪患者的大脑运动皮层区的信号，并将信号通过导线传输到脑控功能性电刺激系统的信息控制模块。

其次，信息控制模块中的信号预处理子模块对接收到的大脑运动皮层信号进行波形整形，获取信号的特性(幅度、脉宽、尖峰数目，上升时间、时间间隔)，并将信号的特性传输到模式识别子模块；模式识别子模块根据从输入的影响因子映射到输出的肢体运动状态的初始映射矩阵M₀和可调的映射矩阵M₁来计算肢体运动意图，其中矩阵M₀由经验值确定，矩阵M₁则根据闭环反馈自动调整，并根据最大隶属原则确定瘫痪患者的肢体运动意图；命令控制子模块根据模式识别子模块的结果，并结合患者性别、年龄、瘫痪部位、瘫痪时长的因素，根据BP神经网络算法确定影响因子的权重，利用遗传算法对影响因子进行优化，并通过绝对影响系数来确定输入参数与输出刺激命令的对应关系，生成相应的刺激命令，并将刺激命令通过人体通信的方式将刺激命令传输到刺激器。

再次，刺激器接收到刺激命令，并根据刺激命令产生相应的刺激电流作用于患者的肢体，使患者能根据自己的意愿完成相应的动作；同时，肢体动作采集模块中的方向传感器和加速度传感器分别采集肢体运动时的方向参数和肌肉运动时的强度参数，并将其转换为数字信号，通过人体通信的方式将数字信号传输到信息控制子模块。此外，大脑额叶信号采集模块也开始采集患者的大脑额叶表面的信号，并将信号传输到信息控制子模块。

最后，信息控制模块通过分析肢体动作采集模块所得到的肢体运动数据、以及信息控制模块中的模式识别子模块所判定的肢体运动数据，并结合大脑额叶信号采集模块所得到的数据，对脑控功能性电刺激系统的电流刺激效果进行评估，并根据评估结果修正模式识别子模块中的映射矩阵M₁，形成一个闭环的控制系统，提高模式识别的正确率和瘫痪患者的治疗效果。识别子模块中的映射矩阵M₁的修正主要是根据肢体动作的偏差与患者对刺激效果的满意程度之间的关系进行自动调整，具体如下：

1)确定输入影响因子：输入影响因子主要是肢体动作采集模块所得到的肢体运动状态数据与模式识别子模块所判定的肢体运动状态数据之间的偏差，包括运动方向角度的偏差和运动强度的偏差，具体可表示为：U＝{u₁,u₂,u₃,u₄,u₅,u₆,u₇,u₈,u₉,u₁₀,u₁₁,u₁₂,u₁₃,u₁₄,u₁₅,u₁₆}，其中u₁表示方向角度偏差为0，u₂表示方向角度偏差为小于10°，u₃表示表示方向角度偏差为小于30°，u₄表示方向角度偏差为小于50°，u₅表示方向角度偏差为小于70°，u₆表示方向角度偏差为小于90°，u₇表示方向角度偏差为小于150°，u₈表示方向角度偏差为大于150°，u₉表示运动强度等级偏差为0；u₁₀表示运动强度等级偏差为1，u₁₁表示运动强度等级偏差为2，u₁₂表示运动强度等级偏差为3，u₁₃表示运动强度等级偏差为4，u₁₄表示运动强度等级偏差为5，u₁₅表示运动强度等级偏差为6，u₁₆表示运动强度等级偏差为6以上。

2)确定输出评价因子：输出评价因子主要是瘫痪患者对脑控功能性电刺激系统的刺激效果的满意程度。数据主要来源于大脑额叶信号采集模块所得到的信号，通过对该信号进行滤波和傅里叶变换，提取信号特性，从而判断患者对刺激效果的满意程度。满意程度具体划分为：V＝{v₁,v₂,v₃,v₄,v₅}，其中v₁表示非常满意，v₂表示满意，v₃表示基本满意，v₄表示不满意，v₅表示非常不满意。

3)建立从输入影响因子到输出评价因子的评判矩阵，即得到一个从U→F(V)的映射矩阵。

根据f推导出的映射矩阵，即为模式识别子模块中的映射矩阵M₁。

本发明提出的基于闭环的脑控功能性电刺激系统，不但可以使瘫痪患者能根据自己的意愿完成相应的动作，同时，系统还能对刺激效果进行评估，并自动调整信息控制模块的映射矩阵，确保肢体动作识别的准确性，提高瘫痪患者的康复治疗效果。

以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种闭环的脑控功能性电刺激系统，其特征在于，所述系统包括：大脑运动皮层区信号采集模块、信息控制模块、刺激器、肢体动作采集模块和大脑额叶信号采集模块；其中，

信息控制模块包括：信号预处理子模块，模式识别子模块，命令控制子模块；

信号预处理子模块，用于对大脑运动皮层区的信号进行滤波和波形整形，并将信号传输到模式识别子模块；

模式识别子模块，用于通过初始映射矩阵M₀和可调映射矩阵M₁对信号进行识别，判断患者的运动意图；

命令控制子模块，用于根据BP神经网络算法确定影响因子的权重，并利用遗传算法优化影响因子的权重，生成该因子对应的刺激命令，将该刺激命令传输到刺激器中；

肢体动作采集模块，用于采集肢体运动状态的数据，并将肢体运动状态的数据传送到信息控制模块；

大脑额叶信号采集模块，用于采集患者大脑额叶信号的数据，并将数据传输到信息控制模块；

信息控制模块，还用于依据反馈的肢体运动状态的数据和大脑额叶信号的数据评价电流刺激效果，并根据评价结果自动修正模式识别子模块的可调映射矩阵M₁。

2.根据权利要求1所述的系统，其特征在于，所述信号预处理子模块，具体用于当接收到大脑运动皮层区的信号后，首先对大脑运动皮层区的信号进行低通滤波，然后对低通滤波后的信号进行波形整形，获取信号的特性，所述信号的特性包括：信号的幅度、信号的脉宽、信号的尖峰数目，信号的上升时间、信号的时间间隔，将所述信号的特性传输到所述模式识别子模块。

3.根据权利要求2所述的系统，其特征在于，所述模式识别子模块，具体用于，

设定影响因子矩阵T＝{₁,t₂,t₃,t₄,t₅,}；其中，t₁为幅度0-2.5mA，t₂为幅度2.5-5mA，t₃为幅度5-7.5mA,t₄为幅度7.5mA以上,t₅为脉宽0-50us,t₆为脉宽50-100us,t₇为脉宽100-150us，,t₈为150us以上，t₉为尖峰数目1-2个，t₁₀为尖峰数目3-4个，t₁₁为尖峰数目5-6个，t₁₂为尖峰数目6个以上，t₁₃为上升时间0-5us,t₁₄为上升时间5-10us,t₁₅为上升时间11-15us，t₁₆为上升时间15us以上，t₁₇为时间间隔400-420us,t₁₈为时间间隔420-440us,t₁₉为时间间隔440-460us,t₂₀为时间间隔460us以上；

设定输出的肢体运动矩阵G：

$G=\left\{\begin{array}{c}{g}_{11},g_{12},g_{13},g_{14},g_{15},g_{16},g_{17},g_{18}\\ g_{21},g_{\mathrm{22}},g_{\mathrm{23}},g_{\mathrm{24}},g_{\mathrm{25}},g_{\mathrm{26}},g_{\mathrm{27}},g_{\mathrm{28}}\\ g_{31},g_{\mathrm{32}},g_{\mathrm{33}},g_{\mathrm{34}},g_{\mathrm{35}},g_{\mathrm{36}},g_{\mathrm{37}},g_{\mathrm{38}}\\ g_{41},g_{42},g_{43},g_{44},g_{45},g_{46},g_{47},g_{48}\\ g_{51},g_{52},g_{53},g_{54},g_{55},g_{56},g_{57},g_{58}\\ g_{61},g_{62},g_{63},g_{64},g_{65},g_{66},g_{67},g_{68}\\ g_{71},g_{72},g_{73},g_{74},g_{75},g_{76},g_{77},g_{78}\\ g_{81},g_{82},g_{83},g_{84},g_{85},g_{86},g_{87},g_{88}\end{array}\right\}$

其中g_mn下标m范围为从1到8，分别对应8种不同的肢体运动方向：上、下、左、右、上左、上右、下左、下右；g_mn下标n范围同样为从1到8，分别对应8种不同的肢体运动强度，从等级1到等级8；

确定输入的影响因子矩阵与输出的肢体运动矩阵的映射关系：两者的映射关系可表示为：G＝M₀×M₁×T，其中G为输出的肢体运动矩阵，T为输入的影响因子矩阵，M₀为初始的映射矩阵，M₀＝{m₀₁,m₀₂,m₀₃,m₀₄......,m_0n}，M₁为可自动调整的映射矩阵,且M₁＝{m₁₁,m₁₂,m₁₃,m₁₄......,m_1n}，令根据映射关系G＝M₀×M₁×T计算G矩阵中每个元素的大小，如果则将G矩阵中每个元素进行归一化处理，并根据最大隶属原则，g_i中的最大值则为模式识别子模块对患者肢体运动的识别结果。

4.根据权利要求3所述的系统，其特征在于，所述命令控制子模块具体用于，

设定输入的影响因子集：K＝{k₁,k₂,k₃,k₄,k₅,k₆,k₇,k₈,k₉,k₁₀,k₁₁,k₁₂,k₁₃,k₁₄,k₁₅,k₁₆,k₁₇,k₁₈,k₁₉,k₂₀}，其中k₁为模式识别子模块判定的结果，k₂为男性瘫痪患者，k₃为女性瘫痪患者，k₄为幼儿瘫痪患者，k₅为青年瘫痪患者，k₆为中年瘫痪患者，k₇为老年瘫痪患者，k₈为左上臂瘫痪，k₉为左前臂瘫痪，k₁₀为右上臂瘫痪，k₁₁为右前臂瘫痪，k₁₂为左小腿瘫痪，k₁₃为左大腿瘫痪，k₁₄为右小腿瘫痪，k₁₅为右大腿瘫痪，k₁₆为瘫痪时长小于1年，k₁₇为瘫痪时长1年，k₁₈为瘫痪时长2年，k₁₉为瘫痪时长3年，k₂₀为瘫痪时长大于3年；

采用BP神经网络算法来确定输入影响因子的权重，所述的影响因子包括：性别、年龄、瘫痪部位、瘫痪时长、患者运动意愿；

采用遗传算法对输入影响因子的权重进行优化；

设定输出命令集Y；

其中，

Y＝Y₁×Y₂×Y₃×Y₄

其中 $Y_1=\left\{\begin{array}{c}{y}_{11}\\ y_{12}\\ y_{13}\\ y_{14}\\ y_{15}\end{array}\right\},$ Y₂＝{y₂₁,y₂₂,y₂₃,y₂₄,y₂₅}， $Y_3=\left\{\begin{array}{c}{y}_{31}\\ y_{32}\\ y_{33}\\ y_{34}\\ y_{35}\end{array}\right\},$ Y₄＝{y₄₁,y₄₂,y₄₃,y₄₄,y₄₅}

Y₁为信号的波形，y11为单相波形，y12为双相电荷平衡波形，y13为双相电荷不平衡波形，y14为双相电荷延迟平衡波形，y15为双相电荷延迟不平衡波形；Y₂为Y₁波形对应的电流的幅值，Y₃为Y₁波形信号的脉宽；Y₄为Y₁波形信号的频率；

确定输入影响因子集与输出命令集的关系中绝对影响系数；

$S_{ij}=\left|(1-e^{-y_{ij}})/\right)1+e^{-y_{ij}}\left)\right|/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left|(1-e^{-y_{ij}})/\right)1+e^{-y_{ij}}\left)\right|;$

其中 $y_{ij}=\underset{k=1}{\overset{p}{\Σ}}{W}_{ki}(1-e^{-w_{jk}})/(1+e^{-w_{jk}}),$ w_jk为输入影响因子集中相应元素的权重值；

刺激命令Y＝K*S_ij。

5.根据权利要求4所述的系统，其特征在于，

所述刺激器，用于根据刺激命令产生相应的刺激电流。

6.根据权利要求1所述的系统，其特征在于，所述信息控制模块，具体用于根据肢体动作的偏差与患者对刺激效果的满意程度之间的关系自动调整可调映射矩阵M₁。