CN111584031B - 基于便携式脑电采集设备的脑控智能肢体康复系统及应用 - Google Patents

Abstract

一种基于便携式脑电采集设备的脑控智能肢体康复系统及，康复系统包括便携式脑电采集设备、运动意图识别模块、运动康复系统，所述便携式脑电采集设备从被试者大脑采集脑电信号，运动意图识别模块对脑电信号进行分析，确定运动意图，运动康复系统基于所述运动意图协助被试者进行运动康复。应用为小腿的运动与被试者的想象过程保持一致，形成被试者对小腿伸展和小腿弯曲控制的闭环回路，促进肌体康复。本发明的基于便携式脑电采集设备的脑控智能肢体康复系统及应用，能够实现对运动想象EEG脑电信号的准确获取、有效辨识和正确分类，并转化为脑控指令，实现对电刺激器的控制；本发明能够实现两个自由度大脑意念控制，辅助小腿运动困难者进行训练。

Description

基于便携式脑电采集设备的脑控智能肢体康复系统及应用

技术领域

本发明涉及一种脑电采集设备及运动想象意念控制方法。特别是涉及一种基于便携式脑电采集设备的脑控智能肢体康复系统及应用。

背景技术

脑机接口(BCI)是指人脑与计算机或其他电子设备间建立的交流与控制通道，可以通过获取脑电信号，提取其中有效信息，进而对连接的其它设备进行控制。BCI系统常见的范式主要包括稳态视觉诱发电位(SSVEP)，P300和运动想象(MI)。其中，MI是典型的基于EEG的BCI系统之一，它可以通过分类相应的EEG信号来实现运动意图的识别，无需被试实际的运动。此过程中得到的脑电特征提取结果与被试者初始思维活动相关，从而可以转化成与之对应的控制指令，控制被试者穿戴的机械外骨骼带动被试者进行运动。这有助于改善运动障碍和功能受限的患者的皮质重组能力。

近年来，复杂网络获得快速发展。作为前沿的数据融合、分析理论，复杂网络为复杂系统的研究提供了新的视角。符号化网络是时间序列复杂网络分析中常用的网络方法。符号化网络以时间序列中存在的固有波动模式为节点，以节点之间的时间迁移为连边，能够有效反映时间序列中隐藏的复杂动力学规律。截至目前，符号化网络已经在包括经济、多相流、交通等诸多领域有了成功的应用。

宽度学习是一种新型的机器学习方法。区别于深度学习理论，宽度学习具有结构简单、训练效率高等优点。已有工作已经证实宽度学习能够有效实现特征提取和分类。

发明内容

本发明所要解决的技术问题是，提供一种能够实现两个自由度大脑意念控制，辅助小腿运动困难者进行训练的基于便携式脑电采集设备的脑控智能肢体康复系统及应用。

本发明所采用的技术方案是：一种基于便携式脑电采集设备的脑控智能肢体康复系统，包括便携式脑电采集设备、运动意图识别模块、运动康复系统，所述便携式脑电采集设备从被试者大脑采集脑电信号，运动意图识别模块对脑电信号进行分析，确定运动意图，运动康复系统基于所述运动意图协助被试者进行运动康复。

所述运动意图识别模块，是使用虚拟现实生成两种运动场景，被试者通过虚拟现实设备分别观察两种不同的运动场景的同时，想象对应的具体动作，诱发运动想象EEG脑电信号；通过便携式脑电采集设备采集EEG脑电信号，而后结合大脑多层复杂网络和宽度学习模型，实现对运动想象EEG脑电信号的有效辨识以及分类；以分类结果为基础，生成相应的控制指令，将控制指令转变为电刺激，刺激被试者相应肌肉实现两个自由度的运动，辅助被试者完成小腿伸展或小腿弯曲两种运动。

所述运动意图识别模块具体包括如下步骤：

1)设定两种运动场景，分别包括小腿伸展和小腿弯曲两种运动场景，并设定小腿伸展运动场景为编号1，小腿弯曲运动场景为编号2，通过虚拟现实设备呈现给被试者；

2)利用便携式脑电采集设备获取被试者运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理，所述的便携式脑电采集设备，获取被试者对应于脑电极帽的C3，C4，Cz三个电极的运动想象EEG脑电信号；

3)通过运动场景的编号，为每一次采集到的运动想象EEG脑电信号设定标签，将两种运动场景得到的2t个样本，构成样本集，其中，所述样本集中的每一个样本是由采集到的被试者一次运动想象的运动想象EEG脑电信号以及相应的标签构成；

4)对每个样本的运动想象EEG脑电信号

c＝C3,C4,Cz，其中，L为每个信号的数据长度，X_c,g表示c电极对应的信号中第g个数据点，采用符号化网络理论构建有向加权符号化复杂网络A^c，得到大脑多层复杂网络；

5)分别对每一个符号化复杂网络A^c，提取网络指标数据，所述的网络指标数据包括：网络节点度、网络节点介数、网络节点聚集系数；

6)对于每个样本得到的大脑多层复杂网络，获得一组所述网络指标数据；搭建初始宽度学习模型，将所有样本对应的标签以及网络指标数据输入初始宽度学习模型，进行有监督的训练，得到能够用于运动想象EEG脑电信号有效分类、辨识的宽度学习模型。

步骤2)所述的获取运动想象EEG脑电信号，包括：

(1)被试者通过虚拟现实设备观察生成的不同运动场景的同时，想象相应场景的具体动作；

(2)在每一种运动场景下被试者进行t次运动想象，当被试者想象相应的具体动作时，通过便携式脑电采集设备完成t次运动想象EEG脑电信号的采集。

步骤2)所述的对运动想象EEG脑电信号进行预处理，是对运动想象EEG脑电信号进行带通滤波并去除伪迹，得到如下能够用于实现运动想象状态辨识的运动想象EEG脑电信号：

c＝C3,C4,Cz

其中，L为每个信号的数据长度，X_c,g表示c电极对应的信号中第g个数值。

步骤4)具体包括：

(1)将c电极的运动想象EEG脑电信号

的幅值范围[α_c,β_c]等间隔的划分为n个幅值段，第i个幅值段为D_i:

其中α_c表示运动想象EEG脑电信号

中的最小值，β_c表示运动想象EEG脑电信号

中的最大值；

(2)对c电极的运动想象EEG脑电信号

通过长度为l的滑动窗口进行数据分割，滑动窗口的滑动步长为b，得到一系列滑动窗口数据，第j个滑动窗口数据表示为

其中

表示c电极对应的第j个滑动窗口中的第g₁个数据点；

(3)对任意一个滑动窗口数据

根据其中l个数据点的幅值分布，映射到一个符号

其中

表示滑动窗口数据中的第g₁个数据点落在了第i个幅值段D_i；

(4)对所有的滑动窗口对应的符号，根据先后顺序建立有向连边，得到有向加权符号化复杂网络A^c；

(5)分别重复第(1)步到第(4)步，得到对应C3，C4，Cz三个电极的3个有向加权符号化复杂网络A^C3,A^C4,A^Cz，从而得到大脑多层复杂网络{A^C3,A^C4,A^Cz}。

步骤6)所述的初始宽度学习模型包括依次串接的：

一个数据输入层：输入数据即为样本对应的网络指标数据，所述的输入数据是具有标签信息的数据；

一个隐藏层：包括N1个特征节点，N2个增强节点；

一个输出层：输出分类结果。

对于已经训练完成的宽度学习模型，无需初始化，只要输入新获取的样本数据，直接进行训练就能够得到新的宽度学习模型。

一种基于便携式脑电采集设备的脑控智能肢体康复系统的应用，包括如下步骤：

1)设定两种运动场景，编号为场景1，场景2，分别对应小腿伸展和小腿弯曲，被试者在不同场景下，想象相应的具体的动作；获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理；

2)利用运动意图识别模块对采集到的运动想象EEG脑电信号进行处理，判断出该信号对应的是何种运动想象，以分类结果为基础生成脑控指令，并传输到主控制器；

3)利用肌电信号采集和多通道电刺激输出模块中的肌电信号采集点获取被试小腿的肌电信号并传输到主控制器；

4)主控制器根据脑控指令和小腿的肌电信号，决策出对于小腿的刺激电流、刺激脉宽、刺激频率和刺激时间，进一步控制肌电信号采集和多通道电刺激输出模块中的电刺激点对被试者小腿施加电刺激；

5)小腿的运动与被试者的想象过程保持一致，形成被试者对小腿伸展和小腿弯曲控制的闭环回路，促进肌体康复。

一种基于便携式脑电采集设备的脑控智能肢体康复系统的应用，包括如下步骤：

1)设定两种运动场景，编号为场景1，场景2，分别对应小腿伸展和小腿弯曲，在不同场景下，想象相应的具体的动作；获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理；

2)利用运动意图识别模块对采集到的运动想象EEG脑电信号进行处理，判断出该信号对应的是何种运动想象，以分类结果为基础生成脑控指令，发送给与人体小腿连接的机械外骨骼，控制机械外骨骼运动带动人体小腿运动。

本发明的基于便携式脑电采集设备的脑控智能肢体康复系统及应用，能够实现对运动想象EEG脑电信号的准确获取、有效辨识和正确分类，并转化为脑控指令，实现对电刺激器的控制；本发明能够实现两个自由度大脑意念控制，辅助小腿运动困难者进行训练。

附图说明

图1是本发明的基于便携式脑电采集设备的脑控智能肢体康复系统的框图；

图2是本发明中运动意图识别模块的流程图；

图3是本发明中宽度学习模型结构示意图；

图4是本发明中便携式脑电采集设备的框图；

图5是本发明基于便携式脑电采集设备的脑控智能肢体康复系统的应用示意图；

图6是本发明基于便携式脑电采集设备的脑控智能肢体康复系统的应用装置的示意图；

图7是肢体功能性电刺激设备的结构示意图。

图中

1：便携式脑电采集设备 2：运动意图识别模块

3：运动康复系统 3.1：主控制器

3.2：肌电信号采集和多通道电刺激输出模块

3.21：电刺激点 3.22：肌电信号采集点

4：座椅

具体实施方式

下面结合实施例和附图对本发明的基于便携式脑电采集设备的脑控智能肢体康复系统及应用做出详细说明。

如图1所示，本发明的基于便携式脑电采集设备的脑控智能肢体康复系统，包括便携式脑电采集设备1、运动意图识别模块2、运动康复系统3，所述便携式脑电采集设备1从被试者大脑采集脑电信号，运动意图识别模块2对脑电信号进行分析，确定运动意图，运动康复系统3基于所述运动意图协助被试者进行运动康复。

所述的便携式脑电采集设备1，是采用申请号为201810168228.X、发明名称为“便携式脑电采集设备及其在SSVEP和运动想象中的应用”的专利申请所公开的结构，如图4所示，包括，系统供电电路11、脑电极帽转接线12、PGA放大电路13、AD转换器14、STM32处理器15和WIFI模块16，其中，所述脑电极帽转接线12的输入端连接脑电极帽用于采集脑电信号，输出端依次连接PGA放大电路13、AD转换器4和STM32处理器15，所述STM32处理器15分别连接PGA放大电路13和AD转换器14用于对PGA放大电路13和AD转换器14的工作状态进行控制，所述WIFI模块16连接STM32处理器15用于通过无线局域网使STM32处理器15与上位机进行通信，所述系统供电电路11分别连接PGA放大电路13、AD转换器14、STM32处理器15和WIFI模块16用于提供电源。所述脑电极帽即为电极帽。

所述的运动康复系统3如图5所示，包括：与所述运动意图识别模块2相连的主控制器3.1，与所述主控制器3.1相连的肌电信号采集和多通道电刺激输出模块3.2，所述肌电信号采集和多通道电刺激输出模块3.2根据主控制器3.1的控制指令对被试者小腿施加电刺激，并将电刺激后的肌电信号反馈给主控制器3.1。

所述运动意图识别模块，是使用虚拟现实(Virtual Reality，VR)生成两种运动场景，被试者通过虚拟现实设备如HTC Vive或Oculus Rift或PlayStation VR，分别观察两种不同的运动场景的同时，想象对应的具体动作，诱发运动想象EEG脑电信号；通过便携式脑电采集设备采集EEG脑电信号，而后结合大脑多层复杂网络和宽度学习模型，实现对运动想象EEG脑电信号的有效辨识以及分类；以分类结果为基础，生成相应的控制指令，将控制指令转变为电刺激，刺激被试者相应肌肉实现两个自由度的运动，辅助被试者完成小腿伸展或小腿弯曲两种运动。

如图2所示，所述运动意图识别模块具体包括如下步骤：

1)设定两种运动场景，分别包括小腿伸展和小腿弯曲两种运动场景，并设定小腿伸展运动场景为编号1，小腿弯曲运动场景为编号2，通过虚拟现实设备呈现给被试者；

2)利用便携式脑电采集设备获取被试者运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理；所述的便携式脑电采集设备，获取被试者对应于脑电极帽的C3，C4，Cz三个电极的运动想象EEG脑电信号，脑电极帽的电极分布符合10/20国际标准导联。其中，所述的获取运动想象EEG脑电信号，包括：

(1)被试者通过虚拟现实设备观察生成的不同运动场景的同时，想象相应场景的具体动作；

(2)在每一种运动场景下被试者进行t次运动想象，当被试者想象相应的具体动作时，通过便携式脑电采集设备完成t次运动想象EEG脑电信号的采集。

所述的对运动想象EEG脑电信号进行预处理，是对运动想象EEG脑电信号进行带通滤波并去除伪迹，得到如下能够用于实现运动想象状态辨识的运动想象EEG脑电信号：

c＝C3,C4,Cz

其中，L为每个信号的数据长度，X_c,g表示c电极对应的信号中第g个数据点。

3)通过运动场景的编号，为每一次采集到的运动想象EEG脑电信号设定标签，将两种运动场景得到的2t个样本，构成样本集，其中，所述样本集中的每一个样本是由采集到的被试者一次运动想象的运动想象EEG脑电信号以及相应的标签构成；

4)对每个样本的运动想象EEG脑电信号

c＝C3,C4,Cz，其中，L为每个信号的数据长度，X_c,g表示c电极对应的信号中第g个数据点，采用符号化网络理论构建有向加权符号化复杂网络A^c，得到大脑多层复杂网络；具体包括：

(1)将c电极的运动想象EEG脑电信号

的幅值范围[α_c,β_c]等间隔的划分为n个幅值段，第i个幅值段为D_i:

其中α_c表示运动想象EEG脑电信号

中的最小值，β_c表示运动想象EEG脑电信号

中的最大值；

(2)对c电极的运动想象EEG脑电信号

通过长度为l的滑动窗口进行数据分割，滑动窗口的滑动步长为b，得到一系列滑动窗口数据，第j个滑动窗口数据表示为

其中

表示c电极对应的第j个滑动窗口中的第g₁个数据点；

(3)对任意一个滑动窗口数据

根据其中l个数据点的幅值分布，映射到一个符号

其中

表示滑动窗口数据中的第g₁个数据点落在了第i个幅值段D_i；

(4)对所有的滑动窗口对应的符号，根据先后顺序建立有向连边，得到有向加权符号化复杂网络A^c；

(5)分别重复第(1)步到第(4)步，得到对应C3，C4，Cz三个电极的3个有向加权符号化复杂网络A^C3,A^C4,A^Cz，从而得到大脑多层复杂网络{A^C3,A^C4,A^Cz}。

5)分别对每一个符号化复杂网络A^c，提取网络指标数据，所述的网络指标数据包括：网络节点度、网络节点介数、网络节点聚集系数；其中：

(1)网络节点度K：表示与节点有连边的其他节点的数目；

(2)网络节点介数

表示节点i′的网络节点介数，其中σ_m′n′为连接节点m′和节点n′的最短路径数目，σ_m′n′(i′)为经过节点i′的连接节点m′和节点n′的最短路径数目；

(3)网络节点聚集系数

表示节点i′的节点聚集系数，其中τ_i′,Δ表示复杂网络中包含节点i′的封闭三角形的数目，τ_i′表示复杂网络中从节点i′出发至少有两个连边的三角形的数目。

6)对于每个样本得到的大脑多层复杂网络，获得一组所述网络指标数据；搭建初始宽度学习模型，将所有样本对应的标签以及网络指标数据输入初始宽度学习模型，进行有监督的训练，得到能够用于运动想象EEG脑电信号有效分类、辨识的宽度学习模型。所述的初始宽度学习模型包括依次串接的：

一个数据输入层：输入数据即为样本对应的网络指标数据，所述的输入数据是具有标签信息的数据；

一个隐藏层：包括N1个特征节点，N2个增强节点；

一个输出层：输出分类结果。

本发明的基于便携式脑电采集设备的脑控智能肢体康复系统中，对于已经训练完成的宽度学习模型，无需初始化，只要输入新获取的样本数据，直接进行训练就能够得到新的宽度学习模型。

作为本发明的一个优选实施例，所述的宽度学习模型，如图3所示，包括：

(1)确定宽度学习模型的映射特征节点个数N1、增强节点个数N2、迭代次数epochs；

(2)设定宽度学习系统模型的特征节点输出Z_i1

i1＝1,...,N1；Z＝[Z₁,...,Z_N1]；

其中，X代表输入样本；

代表映射函数，或者激活函数；W_e,i1,β_e,i1分别代表第i1个特征节点的权重和偏置；

(3)设定宽度学习系统模型的增强节点输出H_j1；

H_j1＝ξ(ZⁿW_h,j1+β_h,j1),j1＝1,...,N2；H＝[H₁,...,H_N2]；

其中，ξ代表映射函数，或者激活函数；W_h,j1,β_h,j1分别代表第j1个特征节点的权重和偏置。

(4)设定宽度学习系统模型的输出Y；

Y＝[Z|H]W^m；

其中，宽度学习系统模型的权重W^m＝[Z|H]⁺Y。

本发明的基于便携式脑电采集设备的脑控智能肢体康复系统的应用，包括如下步骤：

1)设定两种运动场景，编号为场景1，场景2，分别对应小腿伸展和小腿弯曲，被试者在不同场景下，想象相应的具体的动作；获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理；

上述具体动作有助于运动想象脑电信号的产生，但本发明不仅限于这些动作，其他无本质创新的动作也属于本发明的保护内容。

2)利用运动意图识别模块对采集到的运动想象EEG脑电信号进行处理，判断出该信号对应的是何种运动想象，以分类结果为基础生成脑控指令，并传输到主控制器；

3)利用肌电信号采集和多通道电刺激输出模块中的肌电信号采集点获取被试小腿的肌电信号并传输到主控制器；

4)主控制器根据脑控指令和小腿的肌电信号，决策出对于小腿的刺激电流、刺激脉宽、刺激频率和刺激时间，进一步控制肌电信号采集和多通道电刺激输出模块中的电刺激点对被试者小腿施加电刺激；所述的控制肌电信号采集和多通道电刺激输出模块中的电刺激点对小腿施加电刺激，是指对小腿位置的多块肌肉同时施加电刺激，进而完成对小腿运动的控制；

5)小腿的运动与被试者的想象过程保持一致，形成被试者对小腿伸展和小腿弯曲控制的闭环回路，促进肌体康复。

该应用示意图如图6所示，包括安装有便携式脑电采集设备1、对下肢进行电刺激和进行肌电信号采集的肌电信号采集和多通道电刺激输出模块3.2，座椅4的靠背上部设有滑动杆，可调节便携式脑电采集设备1的高度；肌电信号采集和多通道电刺激输出模块3.2的结构示意图如图7所示，包括若干电刺激点3.21和肌电信号采集点3.22。

具体使用时，患者坐于座椅4之上，通过调节滑动杆将所述便携式脑电采集设备调整到适合患者的高度，将脑电极帽佩戴于患者头部，将患者的肢体置于所述肢体功能性电刺激设备中，通过患者进行运动想象完成肢体的自主康复训练。

以上操作，使得运动意图和感觉知觉之间形成一个闭环通路，增强肌肉强度和神经传导速度，加速神经受损恢复，最终实现被试者通过自主意识重新训练恢复受损的运动功能。

本发明的基于便携式脑电采集设备的脑控智能肢体康复系统的应用，还可以是包括如下步骤：

1)设定两种运动场景，编号为场景1，场景2，分别对应小腿伸展和小腿弯曲，在不同场景下，想象相应的具体的动作；获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理；

上述具体动作有助于运动想象脑电信号的产生，但本发明不仅限于这些动作，其他无本质创新的动作也属于本发明的保护内容。

2)利用运动意图识别模块对采集到的运动想象EEG脑电信号进行处理，判断出该信号对应的是何种运动想象，以分类结果为基础生成脑控指令，发送给与人体小腿连接的机械外骨骼，控制机械外骨骼运动带动人体小腿运动。

所述机械外骨骼安装于轮椅，构成轮椅的一部分；机械外骨骼的运动与被试的想象过程保持一致，形成被试者对小腿伸展、小腿弯曲控制的闭环回路，促进肌体康复。

以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。

Claims (8)

1.一种基于便携式脑电采集设备的脑控智能肢体康复系统，包括便携式脑电采集设备(1)、运动意图识别模块(2)、运动康复系统(3)，其特征在于，所述便携式脑电采集设备(1)从被试者大脑采集脑电信号，运动意图识别模块(2)对脑电信号进行分析，确定运动意图，运动康复系统(3)基于所述运动意图协助被试者进行运动康复；

所述运动意图识别模块具体包括如下步骤：

1)设定两种运动场景，分别包括小腿伸展和小腿弯曲两种运动场景，并设定小腿伸展运动场景为编号1，小腿弯曲运动场景为编号2，通过虚拟现实设备呈现给被试者；

2)利用便携式脑电采集设备获取被试者运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理，所述的便携式脑电采集设备，获取被试者对应于脑电极帽的C3，C4，Cz三个电极的运动想象EEG脑电信号；

3)通过运动场景的编号，为每一次采集到的运动想象EEG脑电信号设定标签，将两种运动场景得到的2t个样本，构成样本集，其中，所述样本集中的每一个样本是由采集到的被试者一次运动想象的运动想象EEG脑电信号以及相应的标签构成；

4)对每个样本的运动想象EEG脑电信号

其中，L为每个信号的数据长度，X_c,g表示c电极对应的信号中第g个数据点，采用符号化网络理论构建有向加权符号化复杂网络A^c，得到大脑多层复杂网络；具体包括：

(1)将c电极的运动想象EEG脑电信号

的幅值范围[α_c,β_c]等间隔的划分为n个幅值段，第i个幅值段为D_i:

其中α_c表示运动想象EEG脑电信号

中的最小值，β_c表示运动想象EEG脑电信号

中的最大值；

(2)对c电极的运动想象EEG脑电信号

通过长度为l的滑动窗口进行数据分割，滑动窗口的滑动步长为b，得到一系列滑动窗口数据，第j个滑动窗口数据表示为

其中

表示c电极对应的第j个滑动窗口中的第g₁个数据点；

(3)对任意一个滑动窗口数据

根据其中l个数据点的幅值分布，映射到一个符号

其中

表示滑动窗口数据中的第g₁个数据点落在了第i个幅值段D_i；

(4)对所有的滑动窗口对应的符号，根据先后顺序建立有向连边，得到有向加权符号化复杂网络A^c；

(5)分别重复第(1)步到第(4)步，得到对应C3，C4，Cz三个电极的3个有向加权符号化复杂网络A^C3,A^C4,A^Cz，从而得到大脑多层复杂网络{A^C3,A^C4,A^Cz}；

5)分别对每一个符号化复杂网络A^c，提取网络指标数据，所述的网络指标数据包括：网络节点度、网络节点介数、网络节点聚集系数；

6)对于每个样本得到的大脑多层复杂网络，获得一组所述网络指标数据；搭建初始宽度学习模型，将所有样本对应的标签以及网络指标数据输入初始宽度学习模型，进行有监督的训练，得到能够用于运动想象EEG脑电信号有效分类、辨识的宽度学习模型。

2.根据权利要求1所述的基于便携式脑电采集设备的脑控智能肢体康复系统，其特征在于，所述运动意图识别模块，是使用虚拟现实生成两种运动场景，被试者通过虚拟现实设备分别观察两种不同的运动场景的同时，想象对应的具体动作，诱发运动想象EEG脑电信号；通过便携式脑电采集设备采集EEG脑电信号，而后结合大脑多层复杂网络和宽度学习模型，实现对运动想象EEG脑电信号的有效辨识以及分类；以分类结果为基础，生成相应的控制指令，将控制指令转变为电刺激，刺激被试者相应肌肉实现两个自由度的运动，辅助被试者完成小腿伸展或小腿弯曲两种运动。

3.根据权利要求1所述的基于便携式脑电采集设备的脑控智能肢体康复系统，其特征在于，步骤2)所述的获取运动想象EEG脑电信号，包括：

(1)被试者通过虚拟现实设备观察生成的不同运动场景的同时，想象相应场景的具体动作；

(2)在每一种运动场景下被试者进行t次运动想象，当被试者想象相应的具体动作时，通过便携式脑电采集设备完成t次运动想象EEG脑电信号的采集。

4.根据权利要求1所述的基于便携式脑电采集设备的脑控智能肢体康复系统，其特征在于，步骤2)所述的对运动想象EEG脑电信号进行预处理，是对运动想象EEG脑电信号进行带通滤波并去除伪迹，得到如下能够用于实现运动想象状态辨识的运动想象EEG脑电信号：

其中，L为每个信号的数据长度，X_c,g表示c电极对应的信号中第g个数值。

5.根据权利要求1所述的基于便携式脑电采集设备的脑控智能肢体康复系统，其特征在于，步骤6)所述的初始宽度学习模型包括依次串接的：

一个数据输入层：输入数据即为样本对应的网络指标数据，所述的输入数据是具有标签信息的数据；

一个隐藏层：包括N1个特征节点，N2个增强节点；

一个输出层：输出分类结果。

6.根据权利要求1所述的基于便携式脑电采集设备的脑控智能肢体康复系统，其特征在于，对于已经训练完成的宽度学习模型，无需初始化，只要输入新获取的样本数据，直接进行训练就能够得到新的宽度学习模型。

7.一种权利要求1所述的基于便携式脑电采集设备的脑控智能肢体康复系统的应用方法，其特征在于，包括如下步骤：

1)设定两种运动场景，编号为场景1，场景2，分别对应小腿伸展和小腿弯曲，被试者在不同场景下，想象相应的具体的动作；获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理；

2)利用运动意图识别模块对采集到的运动想象EEG脑电信号进行处理，判断出该信号对应的是何种运动想象，以分类结果为基础生成脑控指令，并传输到主控制器；

3)利用肌电信号采集和多通道电刺激输出模块中的肌电信号采集点获取被试小腿的肌电信号并传输到主控制器；

4)主控制器根据脑控指令和小腿的肌电信号，决策出对于小腿的刺激电流、刺激脉宽、刺激频率和刺激时间，进一步控制肌电信号采集和多通道电刺激输出模块中的电刺激点对被试者小腿施加电刺激；

5)小腿的运动与被试者的想象过程保持一致，形成被试者对小腿伸展和小腿弯曲控制的闭环回路，促进肌体康复。

8.一种权利要求1所述的基于便携式脑电采集设备的脑控智能肢体康复系统的应用方法，其特征在于，包括如下步骤：

1)设定两种运动场景，编号为场景1，场景2，分别对应小腿伸展和小腿弯曲，在不同场景下，想象相应的具体的动作；获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理；

2)利用运动意图识别模块对采集到的运动想象EEG脑电信号进行处理，判断出该信号对应的是何种运动想象，以分类结果为基础生成脑控指令，发送给与人体小腿连接的机械外骨骼，控制机械外骨骼运动带动人体小腿运动。

Images