CN107595295B - 一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法 - Google Patents

Abstract

本发明公开了一种基于大脑血红蛋白信息的下肢运动速度状态的识别方法，包括将受试者在不同阻力状态下自主执行骑行运动，实验过程中应用近红外光脑成像设备采集被试者的脑皮层血红蛋白信息；针对运动起始时刻所记录的脑皮层血红蛋白浓度信息，以氧合血红蛋白与脱氧血红蛋白的差值以及脱氧血红蛋白作为分析参数，在每个采样周期分别计算差值和脱氧血红蛋白的变化速率，并计算多个采样周期的差值和脱氧血红蛋白的变化速率平均值，筛选确定重点通道，分多个频段分别考虑重点通道的参数特征；以多个频段下重点通道的氧合血红蛋白与脱氧血红蛋白的差值以及脱氧血红蛋白的变化速率平均值作为特征向量，采用ELM极限学习机方法测试识别被试者的阻力状态等级。

Description

一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法

技术领域

本发明属于智能助行、康复训练技术领域，尤其是一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法。

背景技术

根据残联数据统计显示，我国残疾人数量约8500万，其中肢体残疾人数占到29.08％。肢体残疾人中因脑卒中及脑外伤等原因造成的下肢行走障碍越来愈多，仅脑卒中每年新发病的患者达到200万左右。70-80％左右的患者由于残疾不能独立生活，给家庭和社会带来了很大的负担，因此这些肢体障碍患者的预后康复治疗十分重要。我国对康复预后训练以及认识较晚，目前市面上大多是非智能的被动式训练器械，导致患者康复训练效果不佳，而提供一种带有患者主动意识的康复训练方式将会对患者的预后康复起到很大的积极作用，且为他们重新独立生活、融入社会提供了极大的可能性。

为了提高康复训练设备的智能性以及康复训练效果，很多研究机构致力于研发基于脑机接口技术的新型康复训练产品。目前的脑机接口技术存在以下主要问题：

1、植入式或者半植入式的脑机接口技术已经取得了突破性进展，但是需要将微型电极植入实验者的大脑灰质中或是硬脑膜下的大脑皮层上，可能引发免疫反应和愈伤组织，而且还存在植入后的心理与伦理问题，目前尚不适于广泛应用。

2、非侵入式的脑信息测试技术包括脑电图(EEG)、脑磁图(MEG)、功能性核磁共振图像(fMRI)、正电子发射层析成像(PET)和近红外光谱脑功能成像(NIRS)等技术，其中fMRI和PET技术的空间分辨率较高，但时间分辨率低，在测试过程中身体常局限在静止状态，有很大的约束性；MEG技术在应用时要求对外部磁场进行充分屏蔽，所以目前主要是EEG和NIRS技术应用于助老助残的产品研发中。在基于EEG信号的脑-机接口系统研究中，常用的基于视觉诱发电位(VEP)和事件相关电位(P300)这两类方法需要额外的刺激装置提供刺激来产生诱发电位，并且依赖于人的某种感觉(如视觉)，强迫实验者与外部刺激同步，长时间操作容易引起视觉疲劳或是降低P300电位的显著性，对应的脑-机接口操作时间不宜过长。而自发脑电图又依赖于用户自发的精神活动，只有特殊的思考过程才能产生可探测的脑活动，需要实验者进行大量的训练来产生特定模式的脑电，受主观因素影响较大。因此，实验多在特定条件下完成，需要实验者集中注意力，实现的动作简单有限，缺乏自然性与灵活性，实用性不强。

相对而言，NIRS技术的非侵入式、对测试环境以及受试者限制少、在认知活动的自然情景下支持长时间测量、不需要进行大量训练、具有理想的空间和时间分辨率的功能性等优点使其在脑-机接口应用领域具有很大的优势。

发明内容

本发明的目的在于提供一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法。

为实现上述目的，本发明采用以下内容：

一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法，包括以下步骤：

1)将受试者在不同阻力状态下自主执行骑行运动，实验过程中应用近红外光脑成像设备采集被试者的脑皮层血红蛋白信息；

2)针对运动起始时刻所记录的脑皮层血红蛋白浓度信息，以氧合血红蛋白与脱氧血红蛋白差值以及脱氧血红蛋白作为分析参数，在每个采样周期分别计算氧合血红蛋白与脱氧血红蛋白差值的变化速率和脱氧血红蛋白的变化速率，并计算多个采样周期的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值和脱氧血红蛋白的变化速率平均值，筛选确定重点通道，分多个频段分别考虑重点通道的参数特征；

3)以多个频段下重点通道的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值以及脱氧血红蛋白的变化速率平均值作为特征向量，采用ELM极限学习机方法测试识别被试者的下肢运动阻力状态等级。

进一步地，步骤1)中，不同阻力是0N低阻、30N中阻和50N高阻。

进一步地，步骤1)中，在任务开始前，被试者保持静息状态90-120秒左右，之后开始骑行任务，任务段和休息段交替进行；骑行的阻力任务按从低到高，依次完成后，再重复一次；设定采样周期为0.13秒。

进一步地，步骤2)中，首先，以时域角度，应用统计分析方法确定不同阻力状态下的重点通道；之后，以频域角度，根据不同阻力状态下的各重点通道的功率谱密度分布情况，观察多个频段内的频段特征图，研究不同阻力状态下各频段能量的大小关系以及统计差异特性。

进一步地，步骤2)中，是以运动起始点为转折，运动前取两个时间段T1和T2，运动后取一个时间段T3，每个时间段有多个采集点；分析统计方差，当某一个测试通道的T1和T2内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值均没有显著差异，且T3内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值分别与T1和T2内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值有显著差异时，确定该测试通道为重点通道。

进一步地，步骤2)中，多个频段为4个频段，第一频段为0.01-0.03Hz，第二频段为0.03-0.06Hz，第三频段为0.06-0.09Hz，第四频段为0.09-0.12Hz。

进一步地，步骤2)中，包括以下步骤：

①时域Step1：针对每个测试通道，分别计算氧合血红蛋白与脱氧血红蛋白差值，并以该差值和脱氧血红蛋白作为表征分析参数；

②时域Step2：针对每个测试通道，分别计算每个采样周期的氧合血红蛋白与脱氧血红蛋白差值变化速率和脱氧血红蛋白变化速率，并分别计算出多个采样周期的氧合血红蛋白与脱氧血红蛋白差值变化速率平均值和脱氧血红蛋白的变化速率平均值；

③时域Step3：以运动起始点为转折，运动前取两个时间段T1和T2，运动后取一个时间段T3，每个时间段有多个采集点；

④时域Step4：分析统计方差，当某一个测试通道的T1和T2内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值均没有显著差异，且T3内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值分别与T1和T2内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值有显著差异时，确定该测试通道为重点通道。

⑤频域Step1：针对每个重点通道的差值进行功率谱密度分析，在≥0.01Hz的频段范围确认主功率密度，分别记录每个重点通道的主功率密度对应的频率值，得到的主功率密度对应的频率值分布图；

⑥频域Step2：以得到的主功率密度对应的频率值分布图分布范围截取0.01-0.03Hz，0.03-0.06Hz，0.06-0.09Hz，0.09-0.12Hz四个频段信息；针对T3时间段内数据，分析该四个频段的统计方差，进一步得出不同阻力状态下的频段特征图，研究不同阻力状态下各频段能量的大小关系以及统计差异特性。

进一步地，步骤3)中，包括以下步骤：

①训练：选定PFC脱氧中的2、3、4、8通道、以及SMA和PMC含氧-脱氧中的11、12、13、17、21通道，共9个特定通道，结合4个频段作为特征向量，分别对被试者进行训练，得到测试数据；

②判别：使用ELM模式识别方法根据特征向量判别出被试者的运动阻力状态。

本发明具有以下优点：

本发明的基于大脑血红蛋白信息的下肢运动阻力状态的识别方法是应用非侵入式NIRS技术记录人体运动过程中的脑皮层血红蛋白信息，在无需外界刺激和前期训练的自然情境下实现对脑生物信息的跟踪测量并实时识别运动阻力状态，该识别方法可融合所识别的运动模式于运动控制中以提高助老助残的智能性，为智能控制助行/康复训练设备奠定理论基础。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1是实施例的实验过程运动时序图。

图2是大脑皮层运动关联区域及测试通道整体分布图。

图3是三种不同阻力状态下运动前后各测试通道内氧合血红蛋白与脱氧血红蛋白的相对变化示意图以及脱氧血红蛋白的变化示意图。

图4是三种不同阻力状态下各重点通道的主功率密度对应的频率分布图。

图5是三种不同阻力状态下的频段特征图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

实施例

1、实验设计：实验者在自然状态下先后分别在不同的阻力状态(本实施例中共有3种阻力状态，其中低阻:0N，中阻:30N，高阻:50N)自主执行骑行运动。实验前，应向被试者讲解实验的整个流程及注意事项。在整个实验过程中，应用近红外光脑成像设备FORIE-3000采集被试者的脑皮层血红蛋白信息，设定采样周期为0.13秒。

实验具体流程：在任务开始前，被试者保持静息状态90-120秒左右，之后开始骑行任务，其中任务段和休息段交替进行。骑行的阻力顺序先后是低阻力、中阻力和高阻力。依次完成3个阻力任务后，再重复两次。

任务的开始和结束完全由被试者自己控制，处于自发的状态，并且休息时间也是由被试者控制。在实验前，应告知被试者休息足够多的时间(25秒左右，但不能通过数数或其他计时方式来控制)。

实验操作者在实验过程中用MARK点标记被试者任务的开始和结束。

进行脑血红蛋白信息采集的过程中，将附有光纤的头套固定在被试者的头顶。实验过程中需要保持头部不能有太多晃动。

图1是实施例的实验过程运动时序图。任务1、任务2和任务3分别代表低阻力骑行段、中阻力骑行段以及高阻力骑行段。图2是大脑皮层运动关联区域及测试通道分布图。

2、针对运动起始时刻所记录的脑皮层血红蛋白浓度信息，以氧合血红蛋白与脱氧血红蛋白的差值以及脱氧血红蛋白作为分析参数，在每个采样周期分别计算氧合血红蛋白与脱氧血红蛋白差值的变化速率和脱氧血红蛋白的变化速率，并计算多个采样周期(本实施例为5个采样周期)的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值和脱氧血红蛋白的变化速率平均值，以运动前后时间段的变化速率平均值筛选重点通道，对重点通道进行功率谱密度分析获得频率值分布图，以频率值分布图选定合适频段(本实施例选定4个频段)获得频段特征图。

具体地，包括以下步骤：

①时域Step1：针对每个测试通道，分别计算氧合血红蛋白与脱氧血红蛋白的差值(oxy-deoxy，简写为CZ)，并以差值和脱氧血红蛋白(deoxy)作为表征分析参数；

②时域Step2：针对每个测试通道，分别计算5个采样周期各自的氧合血红蛋白与脱氧血红蛋白差值变化速率(oxy_k-deoxy_k，简写为CZ_K)和脱氧血红蛋白变化速率(deoxy_k)，并分别计算出5个采样周期的氧合血红蛋白与脱氧血红蛋白差值变化速率平均值和脱氧血红蛋白的变化速率平均值，即在0.65秒内对数据进行平滑处理；

③时域Step3：以运动起始点(图1中标记点位置)为转折，运动前取两个时间段T1和T2，运动后取一个时间段T3，每个时间段有9个采样点(即每个时间段为1.17秒)；

④时域Step4：分析统计方差(ANOVA1)，当某一个测试通道的T1和T2内测得的氧合血红蛋白与脱氧血红蛋白差值变化速率平均值和脱氧血红蛋白的变化速率平均值(CZ_K和deoxy_k)均没有显著差异，且T3内测得的氧合血红蛋白与脱氧血红蛋白差值变化速率平均值和脱氧血红蛋白的变化速率平均值分别与T1和T2内测得的氧合血红蛋白与脱氧血红蛋白差值变化速率平均值和脱氧血红蛋白的变化速率平均值均有显著差异时，确定该测试通道为重点通道。图3是三种不同的骑行阻力状态下运动前后各测试通道内氧合血红蛋白与脱氧血红蛋白的相对变化示意图(a1/b1/c1)以及脱氧血红蛋白的变化示意图(a2/b2/c2)。图3中，T1、T2分别表示运动前的两个时间段，T3为运动后的时间段，a为低阻力状态重点通道，b为中阻力状态重点通道,c为高阻力状态重点通道。如下表所示，是低中高三种骑行阻力状态选定的重点通道列表。

表低中高三种骑行阻力状态的时域特征(重点通道)

⑤频域Step1：针对每个重点通道的差值进行功率谱密度分析。在≥0.01Hz的频段范围确认主功率密度，排除直流成分影响，分别记录每个重点通道的主功率密度对应的频率值。图4是三种不同的骑行阻力状态下各重点通道的主功率密度对应的频率值分布图。

⑥频域Step2：以图4得到的主功率密度对应的频率值分布图分布范围截取四个频段信息(滤波：0.01-0.03Hz，0.03-0.06Hz，0.06-0.09Hz，0.09-0.12Hz。由于个别被试者的某些通道的主功率谱密度对应频率值在0.09-0.12Hz范围内，所以保留该频段)；针对T3时间段内数据，分析该四个频段的统计方差，进一步得出三种不同阻力状态下的频段特征图，如图5所示，图中，I，II，III，IV分别代表四个频段为0.01-0.03Hz，0.03-0.06Hz，0.06-0.09Hz和0.09-0.12Hz。可以看出，不同阻力状态下，各频段能量的大小关系以及统计差异特性明显不同。其中，低阻力状态下，频段0.09-0.12Hz内的数据平均值明显大于其他三个频段，且频段0.01-0.03Hz内数值明显大于频段0.03-0.06Hz内数值；中阻力状态下，无明显特征；高阻力状态下，频段0.01-0.03Hz内的数据平均值明显小于其他三个频段。

步骤2的主要目的是得到重点通道数据，并将已存储的数据作为训练集，以便直接识别得到的重点通道特征，从而获得识别阻力的结果。

3、识别三种不同阻力状态：

①训练：选定PFC脱氧中的2、3、4、8通道、以及SMA和PMC(含氧-脱氧)中的11、12、13、17、21通道，共9个特定通道，结合前述的4个频段作为特征向量(9个特定通道*4个频段，共36个)，以10个被试者为例，分别对被试者进行训练，得到120组(3种状态*10个人*2次*2种变化速率平均值)测试数据。

②判别：任意选定2个被试者的12组测试数据，使用极限学习机ELM模式识别方法根据特征向量进行判别，并将判别结果与实际结果进行比对，计算识别率。

③计算平均识别率：重复步骤②10次以上，获得多个识别率，分别得到低、中、高阻力三种运动状态的平均识别率分别为72.2％、80.6％、81.9％，总平均识别率达78.2％。

本发明的识别方法是应用非侵入式的NIRS脑信息获取技术，解决了侵入后的心理和伦理问题，在运动过程中开展测试，保证了将运动模式识别结果用于助行设备控制中的一个应用前提；运动自主控制，使得在认知活动的自然情景下获取脑皮质生物信息，增加了运动阻力训练状态的实用价值。同时，该识别方法是使用氧合血红蛋白与脱氧血红蛋白的相对变化(差值)以及脱氧血红蛋白作为主要的指标，可提高识别速率，减小脑血氧信息滞后于认知活动的负面影响，有利于快速识别模式，为及时给助行设备提供控制信息奠定了重要的前期基础。此外，该识别方法是结合时域和频域信息，有利于更全面地提取典型特征并提高识别率。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法，其特征在于，包括以下步骤：

1)将受试者在不同阻力状态下自主执行骑行运动，实验过程中应用近红外光脑成像设备采集被试者的脑皮层血红蛋白信息；

2)针对运动起始时刻所记录的脑皮层血红蛋白浓度信息，以氧合血红蛋白与脱氧血红蛋白差值以及脱氧血红蛋白作为分析参数，在每个采样周期分别计算氧合血红蛋白与脱氧血红蛋白差值的变化速率和脱氧血红蛋白的变化速率，并计算多个采样周期的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值和脱氧血红蛋白的变化速率平均值，筛选确定重点通道，分多个频段分别考虑重点通道的参数特征；

3)以多个频段下重点通道的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值以及脱氧血红蛋白的变化速率平均值作为特征向量，采用ELM极限学习机方法测试识别被试者的下肢运动阻力状态等级。

2.根据权利要求1所述的一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法，其特征在于，步骤1)中，不同阻力是0N低阻、30N中阻和50N高阻。

3.根据权利要求1或2所述的一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法，步骤1)中，在任务开始前，被试者保持静息状态90-120秒左右，之后开始骑行任务，任务段和休息段交替进行；骑行的阻力任务按从低到高，依次完成后，再重复一次；设定采样周期为0.13秒。

4.根据权利要求1所述的一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法，步骤2)中，首先，以时域角度，应用统计分析方法确定不同阻力状态下的重点通道；之后，以频域角度，根据不同阻力状态下的各重点通道的功率谱密度分布情况，观察多个频段内的频段特征图，研究不同阻力状态下各频段能量的大小关系以及统计差异特性。

5.根据权利要求1或2所述的一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法，步骤2)中，是以运动起始点为转折，运动前取两个时间段T1和T2，运动后取一个时间段T3，每个时间段有多个采集点；分析统计方差，当某一个测试通道的T1和T2内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值均没有显著差异，且T3内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值分别与T1和T2内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值有显著差异时，确定该测试通道为重点通道。

6.根据权利要求1或4所述的一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法，步骤2)中，多个频段为4个频段，第一频段为0.01-0.03Hz，第二频段为0.03-0.06Hz，第三频段为0.06-0.09Hz，第四频段为0.09-0.12Hz。

7.根据权利要求1所述的一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法，步骤2)中，包括以下步骤：

①时域Step1：针对每个测试通道，分别计算氧合血红蛋白与脱氧血红蛋白差值，并以该差值和脱氧血红蛋白作为表征分析参数；

②时域Step2：针对每个测试通道，分别计算每个采样周期的氧合血红蛋白与脱氧血红蛋白差值变化速率和脱氧血红蛋白变化速率，并分别计算出多个采样周期的氧合血红蛋白与脱氧血红蛋白差值变化速率平均值和脱氧血红蛋白的变化速率平均值；

③时域Step3：以运动起始点为转折，运动前取两个时间段T1和T2，运动后取一个时间段T3，每个时间段有多个采集点；

④时域Step4：分析统计方差，当某一个测试通道的T1和T2内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值均没有显著差异，且T3内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值分别与T1和T2内测得的氧合血红蛋白与脱氧血红蛋白差值的变化速率平均值、脱氧血红蛋白的变化速率平均值有显著差异时，确定该测试通道为重点通道。

⑤频域Step1：针对每个重点通道的差值进行功率谱密度分析，在≥0.01Hz的频段范围确认主功率密度，分别记录每个重点通道的主功率密度对应的频率值，得到的主功率密度对应的频率值分布图；

⑥频域Step2：以得到的主功率密度对应的频率值分布图分布范围截取0.01-0.03Hz，0.03-0.06Hz，0.06-0.09Hz，0.09-0.12Hz四个频段信息；针对T3时间段内数据，分析该四个频段的统计方差，进一步得出不同阻力状态下的频段特征图，研究不同阻力状态下各频段能量的大小关系以及统计差异特性。

8.根据权利要求1所述的一种基于大脑血红蛋白信息的下肢运动阻力状态识别方法，步骤3)中，包括以下步骤：

①训练：选定PFC脱氧中的2、3、4、8通道、以及SMA和PMC含氧-脱氧中的11、12、13、17、21通道，共9个特定通道，结合4个频段作为特征向量，分别对被试者进行训练，得到测试数据；

②判别：使用ELM模式识别方法根据特征向量判别出被试者的运动阻力状态。