CN111728822B - 用于脑损伤后的脑机交互闭环康复机器人控制方法 - Google Patents

用于脑损伤后的脑机交互闭环康复机器人控制方法 Download PDF

Info

Publication number
CN111728822B
CN111728822B CN202010725801.XA CN202010725801A CN111728822B CN 111728822 B CN111728822 B CN 111728822B CN 202010725801 A CN202010725801 A CN 202010725801A CN 111728822 B CN111728822 B CN 111728822B
Authority
CN
China
Prior art keywords
phase lag
groups
lag index
action
motion
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.)
Active
Application number
CN202010725801.XA
Other languages
English (en)
Other versions
CN111728822A (zh
Inventor
季林红
李翀
贾天宇
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010725801.XA priority Critical patent/CN111728822B/zh
Publication of CN111728822A publication Critical patent/CN111728822A/zh
Application granted granted Critical
Publication of CN111728822B publication Critical patent/CN111728822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
    • A61H1/02—Stretching or bending or torsioning apparatus for exercising
    • A61H1/0237—Stretching or bending or torsioning apparatus for exercising for the lower limbs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
    • A61H1/02—Stretching or bending or torsioning apparatus for exercising
    • A61H1/0274—Stretching or bending or torsioning apparatus for exercising for the upper limbs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
    • A61H2201/16—Physical interface with patient
    • A61H2201/1657—Movement of interface, i.e. force application means
    • A61H2201/1659—Free spatial automatic movement of interface within a working area, e.g. Robot
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2230/00—Measuring physical parameters of the user
    • A61H2230/08—Other bio-electrical signals
    • A61H2230/10—Electroencephalographic signals
    • A61H2230/105—Electroencephalographic signals used as a control parameter for the apparatus
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pain & Pain Management (AREA)
  • Data Mining & Analysis (AREA)
  • Rehabilitation Therapy (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Acoustics & Sound (AREA)
  • Psychology (AREA)
  • Anesthesiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明公开了一种用于脑损伤后的脑机交互闭环康复训练方法，该方法包括：采集并处理运动想象、被动运动、主动运动三类状态的脑电数据；求解其平均去同步电位表征对应激活脑区，选取各状态下前P％个去同步电位值最小的导联，组成分别代表运动意图、感觉反馈和运动感觉激活脑区的三个导联组a、b、c；求解对应的三个平均相位滞后指数矩阵A、B、C分析脑区间功能连接强度；计算矩阵C中导联对a、b的平均相位滞后指数T1，和全部导联对的平均相位滞后指数T0，T1大于T0则验证运动控制闭环形成，利用导联组a解码脑电信号，控制康复机器人执行或停止动作。该方法精确解码大脑皮质的运动控制活动并构建个性化运动控制闭环，提高康复效率。

Description

用于脑损伤后的脑机交互闭环康复机器人控制方法
技术领域
本发明涉及医疗器械技术领域，特别涉及一种用于脑损伤后的脑机交互闭环康复机器人控制方法。
背景技术
脑损伤是造成偏瘫等运动功能障碍的主要原因之一，偏瘫所导致的肢体运动功能障碍给社会及患者个人家庭都造成了沉重的负担，脑机交互技术通过将患者的运动意图转化为外部设备的辅助运动从而实现对于患者患肢的康复训练，其实质是将大脑皮质的运动控制活动进行解码，并根据解码结果控制外部设备提供辅助运动，从而产生本体感觉反馈作用于大脑皮质，构建了运动意图与实际患肢动作之间的外部运动控制闭环，促进患者神经重塑和运动功能重建进程。大脑皮质的运动控制活动主要表现在大脑局部功能的特异化以及大脑全局功能的整合化，大脑皮层的神经元集群放电会产生去同步性的放电特征，指示大脑的局部激活区域，可表征大脑局部功能的特异化；来自不同脑区的生理电信号之间的相位滞后指数特征可表征大脑的全局功能的整合信息，将去同步电位及相位滞后指数信息纳入闭环控制方法对精确解码大脑皮质的运动控制活动及验证运动控制闭环的形成具有重要意义。脑机交互闭环康复训练系统可构建脑损伤患者受损运动控制系统的外部闭环，从而形成对运动控制神经环路的有效刺激，提高康复效率。
现有技术中对大脑运动控制活动进行溯源解码的方法，如专利CN110664400A，将脑电信号的事件相关电位作为溯源信息，计算导联的度信息，溯源大脑的主激活区进行运动控制命令的解码。但在于此类方法仅考虑了大脑局部功能的特异化，而忽略了大脑全局功能的整合化这一信息，限制了脑机交互闭环控制算法中运动控制活动解码精确性的进一步提升，缺少验证运动控制闭环形成的指标，从而降低了脑机交互闭环康复系统的训练效果。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种用于脑损伤后的脑机交互闭环康复机器人控制方法，该方法形成对运动控制神经环路的有效刺激，提高康复效率。
为达到上述目的，本发明实施例提出了用于脑损伤后的脑机交互闭环康复机器人控制方法，包括以下步骤：
步骤S1，采集N个导联的脑电信号，分别采集患者运动想象动作MI、被动运动动作PM和运动尝试动作ME三类运动状态下的n组脑电数据，对所述N个导联采集到的3×n 组脑电数据进行预处理，得到N×3n组预处理脑电数据，并对所述N×3n组预处理脑电数据进行小波变换，得到N×3n组时频域信号，其中，n和N均为正整数；步骤S2，计算所述 N×3n组时频域信号的去同步电位值，并对去同步电位值进行叠加平均处理，得到3×N平均去同步电位特征矩阵M，以作为激活脑区选取依据；步骤S3，从所述3×N平均去同步电位特征矩阵M中分别获取三类运动状态下前P％个去同步电位值最小的导联，组成三个导联组a、b、c作为患者在对应动作任务下的选用导联；步骤S4，对所述N×3n组预处理脑电数据的任务态数据段进行相位滞后指数计算，得到3×n个N阶相位滞后指数矩阵，并对所述3×n个N阶相位滞后指数矩阵进行叠加平均处理，分别求得三种运动状态下的N阶平均相位滞后指数矩阵A、B和C；步骤S5，分别计算所述N阶平均相位滞后指数矩阵A、 B和C的阈值，将所述N阶平均相位滞后指数矩阵A、B和C中各自低于对应所述阈值的元素值置为0；步骤S6，计算所述N阶平均相位滞后指数矩阵C中导联组a、b组成的导联对的平均相位滞后指数值T1，计算所述N阶平均相位滞后指数矩阵C中全部导联对的平均相位滞后指数值T0；步骤S7，判断T1是否大于T0，若大于，则验证运动控制闭环形成，则取导联组a作为闭环控制解码数据源；步骤S8，利用所述闭环控制解码数据源实时解码所述脑电信号，得到解码结果，根据所述解码结果控制康复机器人执行动作或停止动作。
本发明实施例的用于脑损伤后的脑机交互闭环康复机器人控制方法，弥补已有的闭环康复机器人控制系统中仅考虑单一局部特征进行大脑运动控制活动解码的不足，结合大脑局部功能的特异化以及大脑全局功能的整合化信息，将去同步电位及相位滞后指数信息一同纳入闭环控制算法的构建，精确解码大脑皮质的运动控制活动及验证运动控制闭环的形成，构建脑损伤患者受损运动控制系统的外部闭环，从而形成对运动控制神经环路的有效刺激，提高康复效率。
另外，根据本发明上述实施例的用于脑损伤后的脑机交互闭环康复机器人控制方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述三个导联组为a＝{ai|i∈N，N∈MI}、 b＝{bi|i∈N，N∈PM}及c＝{ci|i∈N，N∈ME}，分别对应所述运动想象动作MI、所述被动运动动作PM以及所述运动尝试动作ME。
进一步地，在本发明的一个实施例中，所述步骤S1包括：使用脑电采集设备采集所述N个导联的脑电信号，并分别采集患者三类运动状态下的n组脑电数据
Figure GDA0003298387190000031
Figure GDA0003298387190000032
得到所述3×n组脑电数据；将所述脑电信号按照顺序进行取平均参考，使用Butterworth4阶滤波器将信号滤波至0.5-40Hz波段，去除基线消除基线漂移干扰，上述预处理后得到所述N×3n组预处理脑电数据
Figure GDA0003298387190000033
对所述N×3n 组预处理脑电数据PS进行小波变换，小波变换在alpha波段8-13Hz进行，将信号从时域变换到时频域，得所述到N×3n组时频域信号
Figure GDA0003298387190000034
进一步地，在本发明的一个实施例中，所述步骤S2包括：将所述N×3n组时频域信号分为基线态和任务态，并将所述N×3n组时频域信号对应的基线态和任务态分别求和；将所述任务态求和后的值除以所述基线态求和后的值，得到所述N×3n组去同步电位值；对所述N×3n组去同步电位值进行叠加平均，分别求所述三类运动状态下的N个导联的平均去同步电位值，得到所述3×N平均去同步电位特征矩阵M。
进一步地，在本发明的一个实施例中，所述步骤S4包括：
获取所述N×3n组预处理脑电数据的任务态数据段；
使用Butterworth 4阶滤波器将信号滤波至alpha 8-13Hz波段，取时间序列x(t)，计算其瞬时相位序列：
Figure GDA0003298387190000035
其中
Figure GDA0003298387190000036
为x(t)的希尔伯特变换，取任意两序列长度Q相等的时域信号xj(t)和xk(t)的瞬时相位序列φj和φk计算其相位差，表示为：
|Δφn，m|＝|wφj-vφk|＜const
其中w和v为整数，得到相位差信息，根据所述相位差信息计算得到相位滞后指数PLI，表示为：
Figure GDA0003298387190000037
Δφ(tω)＝wφj(tω)-vφk(tω)
其中tω为时间序列的采样数据点，sign为符号函数，从而计算得到任意两时间序列的相位滞后指数，并排列得到所述3×n个N阶相位滞后指数矩阵；
对所述3×n个N阶相位滞后指数矩阵进行叠加平均处理，分别求得三种运动状态下的N阶平均相位滞后指数矩阵A、B和C，分别对应所述运动想象动作MI、所述被动运动动作PM和所述运动尝试动作ME。
进一步地，在本发明的一个实施例中，所述步骤S5中，计算所述N阶平均相位滞后指数矩阵的阈值时，首先以行为单位取每行的最大值，组成3个N维向量H1、H2和H3，且分别对应所述N阶平均相位滞后指数矩阵A、B和C，分别取H1、H2和H3中的最小值 h1、h2和h3，将所述N阶平均相位滞后指数矩阵A、B和C中的所有元素分别按照从大到小排序，取h1、h2、h3在对应排序中的序号，得到对应的3个序号，取其中最大的序号所各自对应的相位滞后指数值作为所述阈值，将所述N阶平均相位滞后指数矩阵A、B和 C中各自低于对应所述阈值的元素值置为0，并保证所述N阶平均相位滞后指数矩阵A、B 和C中每行每列至少有一个元素不为0。
进一步地，在本发明的一个实施例中，所述解码结果包括动作类和静止类，所述解码结果为动作类时，控制所述康复机器人执行三维空间内的运动任务，所述解码结果为静止类时，控制所述康复机器人停止三维空间内的运动任务。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的用于脑损伤后的脑机交互闭环康复机器人控制方法流程图；
图2为根据本发明一个实施例的平均相位滞后指数矩阵示意图；
图3为根据本发明一个实施例的平均相位滞后指数值T1及T0变化图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的用于脑损伤后的脑机交互闭环康复机器人控制方法。
图1是本发明一个实施例的用于脑损伤后的脑机交互闭环康复机器人控制方法流程图。
如图1所示，该用于脑损伤后的脑机交互闭环康复机器人控制方法包括以下步骤：
在步骤S1中，采集N个导联的脑电信号，分别采集患者三类运动状态下的n组脑电数据，对N个导联采集到的3×n组脑电数据进行预处理，得到N×3n组预处理脑电数据，并对N×3n组预处理脑电数据进行小波变换，得到N×3n组时频域信号，其中，三类运动状态为运动想象动作MI、被动运动动作PM和运动尝试动作ME，n和N均为正整数。
进一步地，在本发明的一个实施例中，三个导联组为a＝{ai|i∈N，N∈MI}、 b＝{bi|i∈N，N∈PM}及c＝{ci|i∈N，N∈ME}，分别对应运动想象动作MI、被动运动动作PM 以及运动尝试动作ME。
具体而言，使用脑电采集设备采集N个导联的脑电信号，分别采集患者三类运动状态下的n组脑电数据
Figure GDA0003298387190000051
三类运动状态分为：运动想象动作MI(t＝1)、被动运动动作PM(t＝2)以及运动尝试动作ME(t＝3)，得到3×n组脑电数据，将采集的N个导联的脑电信号按照顺序进行取平均参考，使用 Butterworth4阶滤波器将信号滤波至0.5-40Hz波段，去除基线消除基线漂移干扰，上述预处理后得到N×3n组脑电数据
Figure GDA0003298387190000052
对N×3n组预处理脑电数据PS进行小波变换，小波变换在alpha波段(8-13Hz)进行，将信号从时域变换到时频域，得到N×3n 组时频域信号
Figure GDA0003298387190000053
在步骤S2中，计算N×3n组时频域信号的去同步电位值，并对去同步电位值进行叠加平均处理，得到3×N平均去同步电位特征矩阵M。
具体地，将N×3n组时频域信号SPE分为基线态和任务态，将对应的基线态和任务态分别求和，将任务态求和后的值除以基线态求和后的值，以此计算得到N×3n组去同步电位值，之后对N×3n组去同步电位值进行叠加平均，分别求三类运动状态下的N 个导联的平均去同步电位值，得3×N平均去同步电位特征矩阵M，以作为激活脑区选取依据。
在步骤S3中，从3×N平均去同步电位特征矩阵M中分别获取三类运动状态下前P％个去同步电位值最小的导联，组成三个导联组a、b、c作为患者在对应动作任务下的选用导联。
也就是说，从去同步电位特征矩阵M中分别取三类运动状态下前P％个去同步电位值最小的导联，组成三个导联组a＝{ai|i∈N，N∈MI}、b＝{bi|i∈N，N∈PM}及 c＝{ci|i∈N，N∈ME}，分别对应运动想象动作MI、被动运动动作PM以及运动尝试动作 ME，作为患者脑区的在对应动作任务下的选用导联组。
在步骤S4中，对N×3n组预处理脑电数据的任务态数据段进行相位滞后指数计算，得到3×n个N阶相位滞后指数矩阵，并对3×n个N阶相位滞后指数矩阵进行叠加平均处理，分别求得三种运动状态下的N阶平均相位滞后指数矩阵A、B和C。
其中，采用步骤S1得到的N×3n组预处理脑电数据
Figure GDA0003298387190000054
进行相位滞后指数计算，取PS中的任务态数据段使用Butterworth 4阶滤波器将信号滤波至alpha(8-13Hz)波段，取时间序列x(t)，计算其瞬时相位序列：
Figure GDA0003298387190000061
其中
Figure GDA0003298387190000062
为x(t)的希尔伯特变换，取任意两序列长度Q相等的时域信号xj(t)和xk(t) 的瞬时相位序列φj和φk计算其相位差，表示为：
|Δφn，m|＝|wφj-vφk|＜const
其中w和v为整数，得到相位差信息，并以此计算得到相位滞后指数PLI，表示为：
Figure GDA0003298387190000063
Δφ(tω)＝wφj(tω)-vφk(tω)
其中tω为时间序列的采样数据点，sign为符号函数，由此计算得到任意两时间序列的相位滞后指数，并排列得到3×n个N阶相位滞后指数矩阵。
在步骤S5中，分别计算N阶平均相位滞后指数矩阵A、B和C的阈值，将N阶平均相位滞后指数矩阵A、B和C中各自低于对应阈值的元素值置为0。
进一步地，步骤S5中，计算N阶平均相位滞后指数矩阵的阈值时，首先以行为单位取每行的最大值，组成3个N维向量H1、H2和H3，且分别对应N阶平均相位滞后指数矩阵A、B和C，分别取H1、H2和H3中的最小值h1、h2和h3，将N阶平均相位滞后指数矩阵A、B和C中的所有元素分别按照从大到小排序，取h1、h2、h3在对应排序中的序号，得到对应的3个序号，取其中最大的序号所各自对应的相位滞后指数值作为阈值表征全局功能连接性，将N阶平均相位滞后指数矩阵A、B和C中各自低于对应阈值的元素值置为 0，并保证N阶平均相位滞后指数矩阵A、B和C中每行每列至少有一个元素不为0。
在步骤S6中，计算N阶平均相位滞后指数矩阵C中导联组a、b组成的导联对的平均相位滞后指数值T1，计算N阶平均相位滞后指数矩阵C中全部导联对的平均相位滞后指数值T0。
也就是说，取步骤S3中计算得到的导联组a＝{ai|i∈N，N∈MI}及b＝{bi|i∈N，N∈PM}，计算步骤S5计算得到的矩阵C中a、b导联组组成的导联对的平均相位滞后指数值T1，计算步骤S5计算得到的矩阵C的全部导联对的平均相位滞后指数值T0。
在步骤S7中，判断T1是否大于T0，若大于，则验证运动控制闭环形成，则取导联组a作为闭环控制解码数据源。
具体地，若T1大于T0，则验证运动控制闭环形成，取步骤S6中的导联组 a＝{ai|i∈N，N∈MI}作为运动控制活动溯源脑区，并且作为闭环控制解码数据源，反之，则运动控制闭环尚未形成。
在步骤S8中，利用闭环控制解码数据源实时解码脑电信号，得到解码结果，根据解码结果控制康复机器人执行动作或停止动作。
进一步地，在本发明的一个实施例中，解码结果包括动作类和静止类，解码结果为动作类时，控制康复机器人执行三维空间内的运动任务，解码结果为静止类时，控制康复机器人停止三维空间内的运动任务。
也就是说，使用脑电采集设备采集步骤S7中导联组a中的全部导联的脑电信号，实时解码该脑电信号。将得到的解码结果分为两类：动作和静止，控制康复机器人执行动作或停止动作，从而控制康复机器人带动患者患肢进行三维空间内的运动。
下面结合附图和实例对本发明一种用于脑损伤后的脑机交互闭环康复机器人控制方法进行详细说明。
需要说明的是，本实施例选择采集一位双侧基底节、小脑半球受损的脑卒中患者的脑电信号。
步骤一，使用脑电采集设备采集N(N＝61)个导联的脑电信号分别采集患者运动想象动作MI、被动运动动作PM和运动尝试动作ME三类运动状态下的n(n＝20)组脑电数据
Figure GDA0003298387190000071
三类运动状态分为：运动想象动作MI(t＝1)、被动运动动作PM(t＝＝2)以及运动尝试动作ME(t＝3)，得到3×n组脑电数据，将采集的原始脑电信号按照顺序进行取平均参考，使用Butterworth4阶滤波器将信号滤波至0.5-40Hz波段，去除基线消除基线漂移干扰，上述预处理后得到N×3n组脑电数据
Figure GDA0003298387190000072
对N×3n组预处理脑电数据PS进行小波变换，小波变换在alpha波段(8-13Hz)进行，将信号从时域变换到时频域，得到N×3n组时频域信号
Figure GDA0003298387190000073
Figure GDA0003298387190000074
步骤二，对步骤一得到的N×3n组时频域信号SPE分为基线态和任务态，将对应的基线态和任务态分别求和，将任务态求和后的值除以基线态求和后的值，以此计算得到N×3n 组去同步电位值，之后对N×3n组去同步电位值进行叠加平均，分别求三类运动状态下的N 个导联的平均去同步电位值，得3×N平均去同步电位特征矩阵M，以作为激活脑区选取依据；
步骤三，在步骤二得到的去同步电位特征矩阵M中分别取三类运动状态下前P％个去同步电位值最小的导联，其中P可按照不同的步长进行取值，本实施例中取P＝20，即取前20％去同步电位值最小的导联，其中每类运动状态下取61×20％＝12个导联组成三个导联组a＝{ai|i∈N，N∈MI}、b＝{bi|i∈N，N∈PM}及c＝{ci|i∈N，N∈ME}，分别对应运动想象动作MI、被动运动动作PM以及运动尝试动作ME，作为脑机交互系统在本受试者的在对应动作任务下的选用导联组。
步骤四，采用步骤一得到的N×3n组预处理脑电数据
Figure GDA0003298387190000081
进行相位滞后指数计算，取PS中的任务态数据段使用Butterworth 4阶滤波器将信号滤波至alpha(8-13Hz)波段，取时间序列x(t)，计算其瞬时相位序列：
Figure GDA0003298387190000082
其中
Figure GDA0003298387190000083
为x(t)的希尔伯特变换，取任意两序列长度Q相等的时域信号xj(t)和xk(t)的瞬时相位序列φj和φk计算其相位差，表示为：
|Δφn，m|＝|wφj-vφk|＜const
其中w和v为整数，在本实施例中w＝v＝1，得到相位差信息，并以此计算得到相位滞后指数PLI，表示为：
Figure GDA0003298387190000084
Δφ(tω)＝wφj(tω)-vφk(tω)
其中tω为时间序列的采样数据点，sign为符号函数，由此计算得到任意两时间序列的相位滞后指数，并排列得到3×n个N阶相位滞后指数矩阵。
之后对3×n个N阶相位滞后指数矩阵进行叠加平均，分别求三类运动状态下的N阶平均相位滞后指数矩阵A、B和C，分别对应运动想象动作MI、被动运动动作PM以及运动尝试动作ME，其中如图2所示为平均相位滞后指数矩阵B。
步骤五，分别计算步骤四得到的N阶平均相位滞后指数矩阵A、B和C的阈值，计算 N阶平均相位滞后指数矩阵阈值时，首先以行为单位取每行的最大值，组成3个N维的向量H1、H2和H3，分别对应矩阵A、B和C，分别取H1、H2和H3中的最小值h1、h2和 h3，将矩阵A、B和C中的所有元素分别按照从大到小排序，取h1、h2、h3在对应排序中的序号，得到对应的3个序号，取其中最大的序号所各自对应的相位滞后指数值作为阈值表征全局功能连接性，将A、B及C矩阵中低于各自对应阈值的元素值置为0值，此时阈值即保证矩阵A、B和C中每行每列至少有一个元素不为0。
步骤六，取步骤三中计算得到的导联组a＝{ai|i∈ N，N∈MI}及b＝{bi|i∈N，N∈PM}，计算矩阵C中a、b导联组组成的导联对的平均相位滞后指数值T1，计算矩阵C的全部导联对的平均相位滞后指数值T0，如图3所示，本实施例中取P＝20，即前20％去同步电位值最小的导联，如图3所示，当P＝20时，T1小于T0，即a、b导联组组成的导联对的平均相位滞后指数值小于全部导联对的平均相位滞后指数值T0，判定脑机交互系统的运动控制闭环未形成，反之，即a、b导联组组成的导联对的平均相位滞后指数值大于全部导联对的平均相位滞后指数值T0，判定脑机交互系统的运动控制闭环尚形成，执行下述步骤，控制康复机器人带动患者运动。
步骤七，取导联组a＝{ai|i∈N，N∈MI}作为运动控制活动溯源脑区，作为闭环控制解码数据源。
步骤八，使用脑电采集设备采集步骤七中导联组a中的全部导联的脑电信号，实时解码该患者的脑电信号，根据解码结果控制康复机器人执行动作或停止动作，从而控制康复机器人带动患者患肢进行三维空间内的运动。
根据本发明实施例提出的用于脑损伤后的脑机交互闭环康复机器人控制方法，弥补已有的闭环康复机器人控制系统中仅考虑单一局部特征进行大脑运动控制活动解码的不足，结合大脑局部功能的特异化以及大脑全局功能的整合化信息，将去同步电位及相位滞后指数信息一同纳入闭环控制算法的构建，精确解码大脑皮质的运动控制活动及验证运动控制闭环的形成，构建脑损伤患者受损运动控制系统的外部闭环，从而形成对运动控制神经环路的有效刺激，提高康复效率。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种用于脑损伤后的脑机交互闭环康复机器人控制方法，其特征在于，包括以下步骤：
步骤S1，采集N个导联的脑电信号，分别采集患者三类运动状态下的n组脑电数据，对所述N个导联采集到的3×n组脑电数据进行预处理，得到N×3n组预处理脑电数据，并对所述N×3n组预处理脑电数据进行小波变换，得到N×3n组时频域信号，其中，n和N均为正整数；所述三类运动状态分别为运动想象动作MI、被动运动动作PM和运动尝试动作ME；
步骤S2，计算所述N×3n组时频域信号的去同步电位值，并对去同步电位值进行叠加平均处理，得到3×N平均去同步电位特征矩阵M；
步骤S3，从所述3×N平均去同步电位特征矩阵M中分别获取三类运动状态下前P％个去同步电位值最小的导联，组成三个导联组a、b、c作为患者分别对应所述运动想象动作MI、被动运动动作PM和运动尝试动作ME的选用导联；
步骤S4，对所述N×3n组预处理脑电数据的任务态数据段进行相位滞后指数计算，得到3×n个N阶相位滞后指数矩阵，并对所述3×n个N阶相位滞后指数矩阵进行叠加平均处理，分别求得三种运动状态下的N阶平均相位滞后指数矩阵A、B和C，分别对应所述运动想象动作MI、所述被动运动动作PM和所述运动尝试动作ME；
步骤S5，分别计算所述N阶平均相位滞后指数矩阵A、B和C的阈值，将所述N阶平均相位滞后指数矩阵A、B和C中各自低于对应所述阈值的元素值置为0；
步骤S6，计算所述N阶平均相位滞后指数矩阵C中导联组a、b组成的导联对的平均相位滞后指数值T1，计算所述N阶平均相位滞后指数矩阵C中全部导联对的平均相位滞后指数值T0；
步骤S7，判断T1是否大于T0，若大于，则验证运动控制闭环形成，则取导联组a作为闭环控制解码数据源；
步骤S8，利用所述闭环控制解码数据源实时解码所述脑电信号，得到解码结果，根据所述解码结果控制康复机器人执行动作或停止动作。
2.根据权利要求1所述的用于脑损伤后的脑机交互闭环康复机器人控制方法，其特征在于，所述步骤S1包括：
使用脑电采集设备采集所述N个导联的脑电信号，并分别采集患者三类运动状态下的n组脑电数据
Figure FDA0003298387180000011
得到所述3×n组脑电数据；
将所述脑电信号按照顺序进行取平均参考，使用Butterworth4阶滤波器将信号滤波至0.5-40Hz波段，去除基线消除基线漂移干扰，上述预处理后得到所述N×3n组预处理脑电数据
Figure FDA0003298387180000021
对所述N×3n组预处理脑电数据PS进行小波变换，小波变换在alpha波段8-13Hz进行，将信号从时域变换到时频域，得到所述N×3n组时频域信号
Figure FDA0003298387180000022
3.根据权利要求1所述的用于脑损伤后的脑机交互闭环康复机器人控制方法，其特征在于，所述步骤S2包括：
将所述N×3n组时频域信号分为基线态和任务态，并将所述N×3n组时频域信号对应的基线态和任务态分别求和；
将所述任务态求和后的值除以所述基线态求和后的值，得到N×3n组去同步电位值；
对所述N×3n组去同步电位值进行叠加平均，分别求所述三类运动状态下的N个导联的平均去同步电位值，得到所述3×N平均去同步电位特征矩阵M。
4.根据权利要求1所述的用于脑损伤后的脑机交互闭环康复机器人控制方法，其特征在于，所述步骤S4包括：
获取所述N×3n组预处理脑电数据的任务态数据段；
使用Butterworth 4阶滤波器将信号滤波至alpha 8-13Hz波段，取时间序列x(t)，计算其瞬时相位序列：
Figure FDA0003298387180000023
其中
Figure FDA0003298387180000024
为x(t)的希尔伯特变换，取任意两序列长度Q相等的时域信号xj(t)和xk(t)的瞬时相位序列φj和φk计算其相位差，表示为：
|Δφn,m|＝|wφj-vφk|<const
其中w和v为整数，得到相位差信息，根据所述相位差信息计算得到相位滞后指数PLI，表示为：
Figure FDA0003298387180000025
Δφ(tω)＝wφj(tω)-vφk(tω)
其中tω为时间序列的采样数据点，sign为符号函数，从而计算得到任意两时间序列的相位滞后指数，并排列得到所述3×n个N阶相位滞后指数矩阵；
对所述3×n个N阶相位滞后指数矩阵进行叠加平均处理，分别求得三种运动状态下的N阶平均相位滞后指数矩阵A、B和C，分别对应所述运动想象动作MI、所述被动运动动作PM和所述运动尝试动作ME。
5.根据权利要求1所述的用于脑损伤后的脑机交互闭环康复机器人控制方法，其特征在于，所述步骤S5中，计算所述N阶平均相位滞后指数矩阵的阈值时，首先以行为单位取每行的最大值，组成3个N维向量H1、H2和H3，且分别对应所述N阶平均相位滞后指数矩阵A、B和C，分别取H1、H2和H3中的最小值h1、h2和h3，将所述N阶平均相位滞后指数矩阵A、B和C中的所有元素分别按照从大到小排序，取h1、h2、h3在对应排序中的序号，得到对应的3个序号，取其中最大的序号所各自对应的相位滞后指数值作为所述阈值，将所述N阶平均相位滞后指数矩阵A、B和C中各自低于对应所述阈值的元素值置为0，并保证所述N阶平均相位滞后指数矩阵A、B和C中每行每列至少有一个元素不为0。
6.根据权利要求1所述的用于脑损伤后的脑机交互闭环康复机器人控制方法，其特征在于，所述解码结果包括动作类和静止类，所述解码结果为动作类时，控制所述康复机器人执行三维空间内的运动任务，所述解码结果为静止类时，控制所述康复机器人停止维空间内的运动任务。
CN202010725801.XA 2020-07-24 2020-07-24 用于脑损伤后的脑机交互闭环康复机器人控制方法 Active CN111728822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010725801.XA CN111728822B (zh) 2020-07-24 2020-07-24 用于脑损伤后的脑机交互闭环康复机器人控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010725801.XA CN111728822B (zh) 2020-07-24 2020-07-24 用于脑损伤后的脑机交互闭环康复机器人控制方法

Publications (2)

Publication Number Publication Date
CN111728822A CN111728822A (zh) 2020-10-02
CN111728822B true CN111728822B (zh) 2021-11-26

Family

ID=72657713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010725801.XA Active CN111728822B (zh) 2020-07-24 2020-07-24 用于脑损伤后的脑机交互闭环康复机器人控制方法

Country Status (1)

Country Link
CN (1) CN111728822B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113317803B (zh) * 2021-06-04 2022-05-03 重庆邮电大学 一种基于图论和机器学习的神经症特征提取方法
CN117398609B (zh) * 2023-12-15 2024-03-12 杭州般意科技有限公司 一种脑刺激调控装置、方法、终端及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104706495A (zh) * 2013-12-11 2015-06-17 中国科学院宁波材料技术与工程研究所 基于脑机接口的肢体训练机器人及训练方法
CN106897656A (zh) * 2015-12-17 2017-06-27 中国科学院深圳先进技术研究院 基于运动想象的脑机接口训练方法及装置
CN107361993A (zh) * 2017-07-26 2017-11-21 山东海天智能工程有限公司 一种手指康复训练用系统及控制方法
WO2017213202A1 (ja) * 2016-06-08 2017-12-14 株式会社国際電気通信基礎技術研究所 運動教示システム及び運動教示方法
CN109656365A (zh) * 2018-12-19 2019-04-19 东南大学 一种基于实时闭环振动刺激增强的脑机接口方法及系统
CN110916652A (zh) * 2019-10-21 2020-03-27 昆明理工大学 用于基于运动想象的脑电控制机器人移动的数据采集装置、方法及其应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104706495A (zh) * 2013-12-11 2015-06-17 中国科学院宁波材料技术与工程研究所 基于脑机接口的肢体训练机器人及训练方法
CN106897656A (zh) * 2015-12-17 2017-06-27 中国科学院深圳先进技术研究院 基于运动想象的脑机接口训练方法及装置
WO2017213202A1 (ja) * 2016-06-08 2017-12-14 株式会社国際電気通信基礎技術研究所 運動教示システム及び運動教示方法
CN107361993A (zh) * 2017-07-26 2017-11-21 山东海天智能工程有限公司 一种手指康复训练用系统及控制方法
CN109656365A (zh) * 2018-12-19 2019-04-19 东南大学 一种基于实时闭环振动刺激增强的脑机接口方法及系统
CN110916652A (zh) * 2019-10-21 2020-03-27 昆明理工大学 用于基于运动想象的脑电控制机器人移动的数据采集装置、方法及其应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Chong Li.Brain-Computer Interface Channel-Selection Strategy Based on Analysis of Event-Related Desynchronization Topography in Stroke Patients.《JOURNAL OF HEALTHCARE ENGINEERING》.2019, *
Stam, Cornelis J..Phase lag index: Assessment of functional connectivity from multi channel EEG and MEG with diminished bias from common sources.《HUMAN BRAIN MAPPING》.2007, *

Also Published As

Publication number Publication date
CN111728822A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
Zhao et al. A multi-branch 3D convolutional neural network for EEG-based motor imagery classification
Chen et al. Removal of muscle artifacts from the EEG: A review and recommendations
decharms Reading and controlling human brain activation using real-time functional magnetic resonance imaging
Roy et al. Gaussian elimination-based novel canonical correlation analysis method for EEG motion artifact removal
Kottaimalai et al. EEG signal classification using principal component analysis with neural network in brain computer interface applications
CN111728822B (zh) 用于脑损伤后的脑机交互闭环康复机器人控制方法
Ahirwal et al. Power spectrum analysis of EEG signals for estimating visual attention
Ieracitano et al. A hybrid-domain deep learning-based BCI for discriminating hand motion planning from EEG sources
CN111067514B (zh) 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法
Cui et al. A multimodal framework based on integration of cortical and muscular activities for decoding human intentions about lower limb motions
Zhang et al. EEG-based expert system using complexity measures and probability density function control in alpha sub-band
CN109498370B (zh) 基于肌电小波关联维的下肢关节角度预测方法
Erkilinc et al. Camera control with EMG signals using principal component analysis and support vector machines
Liu et al. Straps: A fully data-driven spatio-temporally regularized algorithm for M/EEG patch source imaging
Lin et al. A high performance MEG based BCI using single trial detection of human movement intention
Avian et al. Estimating finger joint angles on surface EMG using manifold learning and long short-term memory with attention mechanism
Chen et al. Continuous bimanual trajectory decoding of coordinated movement from EEG signals
Li et al. Lower-limb muscle synergies in children with cerebral palsy
Robinson et al. Hand movement trajectory reconstruction from EEG for brain-computer interface systems
Seeland et al. Empirical comparison of distributed source localization methods for single-trial detection of movement preparation
CN1744073A (zh) 利用小波神经网络提取想象动作电位的方法
CN117113015A (zh) 一种基于时空深度学习的脑电信号识别方法及装置
Bang et al. Interpretable convolutional neural networks for subject-independent motor imagery classification
Esfahani et al. Application of NSGA-II in channel selection of motor imagery EEG signals with common spatio-spectral patterns in BCI systems
Bu et al. Pattern recognition of continuous elbow joint movements using bispectrum-based sEMG

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant