CN112788993A - 使用脑机接口(bci)的中风康复方法和系统 - Google Patents

Abstract

描述了一种基于脑机接口(BCI)的康复系统和方法，其中向使用者提供听觉或视觉刺激，以指示他们在试验期间内想象用诸如手之类的身体部位执行身体动作。BCI对脑电图(EEG)信号进行处理以执行特征提取，然后执行特征转换(分类)以确定使用者是否打算执行该动作。如果检测到意图，则身体部位逐增地移动以向使用者提供本体感受反馈。以100ms或更短的反馈更新间隔(FUI)反复进行反馈过程。优选地，反应时间测试用于确定个体的最佳FUI，其中反应时间越短，使用的FUI越短。在一个实施例中，如果使用者的反应时间较慢，则FUI最初在100ms至1000ms之间，然后在一系列阶段中逐渐减小，直到FUI小于100ms。

Description

使用脑机接口(BCI)的中风康复方法和系统

技术领域

本公开涉及康复系统。在具体形式中，本公开涉及使用BCI的中风康复。

背景技术

根据世界卫生组织的数据，每年有1500万人罹患中风，其中近三分之一的人中风后无法彻底康复。中风的主要后遗症之一是上肢偏瘫和手臂运动功能受损。中风后手部运动功能的恢复是正常进行日常活动的关键因素。但是，传统的中风康复技术(如物理疗法)对至少30％的中风患者来说无法提供足够的改善。

已经提出一系列替代疗法填补这一空白。一种方法是使用寻求利用运动想象(MI)的脑机接口(BCI)。BCI是一种这样的系统，其测量中枢神经系统(CNS)活动并将其转换为对自然的CNS输出进行替代、恢复、增强、补充或改善的人工输出，从而改变CNS与其外部或内部环境之间正在进行的相互作用。CNS的活动可以通过安装在头皮、大脑表面或植入大脑中的传感器进行测量。BCI对源自CNS活动的信号进行测量，提取其相关特征，然后将其转换为计算机/机器可读的命令。

想象执行一个动作的运动想象(MI)以类似于真实运动的方式激活大脑。这些类似现象与8～30Hz频段内发生的感觉运动节律的频谱功率降低有关，可以使用脑电图(EEG)传感器进行测量。运动皮层上记录的这种EEG信号频谱功率的下降称为事件相关去同步(ERD)，称为事件相关同步(ERS)的频谱功率回弹效应跟随其后。这些现象主要发生在与所执行或所想象的手运动相对侧的半球内。

利用MI的BCI系统为无法从物理治疗中受益的那30％中风患者提供了一个独特的机会来激活受损半球的病灶周围脑区域。如果适当地结合实时的感觉反馈，这种大脑激活会使感觉运动回路闭合，从而可能在中风后促进类赫布(Hebbian-like)神经可塑性。因此，已经通过借助于神经可塑性的力量，通过以下方式利用脑机接口(BCI)来增强中风康复能力：i)通过筛选运动相关电位来监测MI的发生；ii)提供感觉反馈以闭合感觉运动回路。

一个难题是，大脑中不同的皮层区域和皮层下区域发生中风可能会扰乱运动准备和运动想象，并在不同程度上削弱ERD。这使得基于MI的BCI系统的应用更困难，因为信号更弱或者生成机制可能受损。用于中风康复的BCI系统大多基于操作性条件反射。在操作性(工具性)条件反射中，通过提供奖励来增强实现特定行为的能力。已采用多种技术来利用操作性学习促进中风后的中风恢复：

i)在最常见的方法中，使用监视器上的光标位置的更新作为视觉反馈，来奖励感觉运动节律的下调；

ii)在另一种主要利用镜像神经元系统(MNS)的激活的方法中，提供虚拟手臂的运动来奖励ERD调制；

iii)通过矫形器、机器人或功能性电刺激(FES)提供的本体感受反馈也已被用来奖励用于中风康复的大脑振荡模式的自我调节。

然而，即使对于健康的人群，感觉运动节律调节的操作性学习通常也是一个漫长且耗时的过程。因此，训练时间的这种长度可能是对中风患者进行神经反馈训练的重要障碍，如果患者不能及时获得自主意识，他们可能会失去动力。而且，即使中风患者通过操作性学习学到了ERD调节，也没有报道过行为获得。

另一种方法试图利用赫布学习(也称为神经可塑性)。1949年，唐纳德·赫布(Donald Hebb)提出假设，如果神经元A的输入有助于神经元B的激活，则神经元A与神经元B的突触连接会增强。基于神经元活动之间的相关性的这种形式的突触可塑性被称为活动相关的赫布可塑性。使用该学习规则，可以解释神经元之间突触连接的增强和减弱。更具体地说，如果两个神经元(或一组神经元)的活动相关，则会发生长期增强(LTP)，并通过增强共同激活的神经元之间的突触功效来表现自身。但是，如果两个神经元(或神经元集合)之间的活动不再相关，则会发生长期抑制(LTD)，其削弱不再相关的神经元之间的突触连接。

在BCI用于脑中风后运动康复的领域，许多实验室已经研究了活动依赖性可塑性。一个研究团队通过将从简单的背屈运动的想象所产生的MRCP与对腓总神经使用周电刺激的传入反馈精确结合，研究了这种学习规则的效果。他们报告说，只有使传入齐射在所想象的任务期间产生的MRCP的负峰值时到达，才产生显著的可塑性。在这种范式中，在初级运动皮层M1处于活动状态(通过想象)时，时间适当的传入输入将从感觉皮层到M1的皮质到皮质投射激活，从而导致感觉运动路径的增强。这可以解释为什么在神经反馈训练阶段之后，与对照值相比，他们记录了更强的反映了皮质脊髓兴奋性的运动诱发电位。另一组研究团队表明，在使用脑机器人接口进行神经反馈训练后，学习感觉运动失步会导致行为获得改善。他们报告说，获得持续β-ERD的技能与随后的运动能力改善显著相关。在同一研究团队的另一项研究中，他们报告说，对运动想象相关的感觉运动β-ERD的机器人反馈可引起皮质脊髓兴奋性的鲁棒的和肌肉特异性的变化。因此，另一种有前途的治疗方法是在治疗性BCI范式中利用活动依赖的赫布可塑性。

然而，尽管BCI在中风康复中的初步应用(即，原理验证(proof-of-principle))已提供了可喜的结果，但BCI在中风康复中的广泛应用和传播还需要对它进行优化，以便以及时且低成本的方式提供临床上显著的结果。因此，需要提供改进的基于BCI的康复方法和系统，以为患者提供现有方法和系统的有用的替代方案。

发明内容

根据第一方面，提供一种基于运动想象(MI)的脑机接口(BCI)康复方法，该方法包括：

执行多个试验，其中每个试验包括：

向使用者提供听觉或视觉刺激，以指示他们在试验期间内想象用身体部位执行身体动作，其中所述身体部位是患肢或患肢的一部分；以反馈更新间隔(FUI)周期性地处理来自一个或多个传感器的一个或多个信号，所述传感器用来记录所述试验期间内的大脑的电/磁活动或者大脑代谢，其中反馈更新间隔为100ms或更小，而且，处理所述一个或多个信号是在少于所述FUI的时间内执行的并包括：

确定在采样窗口内是否形成了运动想象(MI，执行所指示的动作的意图)；以及

如果确定形成了MI以向所述使用者提供本体感受反馈，则生成BCI输出信号以致动输出设备来移动所述使用者的身体部位。

因此，上述方法检测MI，并通过被致动的输出设备向使用者提供本体感受反馈，并向使用者提供视觉反馈，因为使用者可以观察与输出设备接合的身体部位的被动运动。该运动可以是逐增的，从而在一系列采样窗口中发生身体部位的总体运动，例如，一只手从弯曲位置移动到伸展位置。

在一种形式中，该方法进一步包括以下步骤：在执行一个或多个试验之前，测量所述使用者的相应的健肢或健肢的一部分的反应时间；以及基于所测得的反应时间为所述一个或多个试验确定所述FUI间隔，其中反应时间与FUI值正相关，从而使得反应时间越短生成的FUI越短。在另一种形式中，为所述一个或多个试验确定所述FUI间隔包括：将所述反应时间分类为多个反应时间范围之一，且每个反应时间范围具有关联的FUI值。在另一种形式中，将所述多个试验分成多个阶段，每个阶段包括多个试验轮次，每个试验轮次包括使用相同FUI的一组连续试验，而且所述方法还包括以下步骤：在一个阶段之后获得改善的量度；以及如果所述改善的量度超过改善阈值，则减小下一阶段的所述FUI值，直到所述FUI值达到下限，其中所述下限是从所测得的反应时间确定的。

在一种形式中，将所述多个试验分成多个阶段，每个阶段包括多个试验轮次，每个试验轮次包括使用相同FUI的一组连续试验，而且该方法还包括以下步骤：如果在所述患肢或患肢的一部分中存在残余运动功能且所测得的反应时间大于第一阈值，则测量所述使用者的所述患肢或患肢的一部分的反应时间，然后将所述FUI间隔设置为介于100ms和上限值之间的初始FUI值；如果在所述患肢或患肢的一部分中没有残余运动功能，则将所述FUI值设为所述上限值，而且该方法还包括：在一个或多个阶段之后获得改善的量度，如果所述改善的量度达到阈值，则减小所述FUI，直到所述FUI值小于100ms。在另一种形式中，在阶段之间测量反应时间，如果反应时间减少，则下一个阶段的FUI会减小。

在一种形式中，一个轮次中的连续试验(现在被标记为运动想象试验)中散布着放松试验，在所述放松试验中使用者不想象移动身体部位，且在一个试验轮次中基于所述运动想象试验和放松试验的频谱功率之间的差异计算事件相关的去同步时间(ERD)，所述改善的量度之一基于所述试验轮次中的ERD。

在一种形式中，每个放松试验包括：

向使用者提供听觉或视觉刺激，以指示他们通过执行放松任务(例如，专注于他们的呼吸)进行放松；

以反馈更新间隔(FUI)周期性地处理来自一个或多个传感器的一个或多个信号，所述传感器用来记录所述试验期间内的大脑的电/磁活动或大脑代谢，其中所述反馈更新间隔为100ms或更小，而且，处理所述一个或多个信号是在少于所述FUI的时间内执行的并包括：

确定在采样窗口内是否执行了被指示的放松；以及

如果确定执行了放松任务，则生成BCI输出信号以移动输出设备的未接合的视觉反馈组件和/或向使用者提供听觉反馈。

在一种形式中，改善的测量基于精度，所述精度基于使用者超过所述身体部位的运动阈值水平的试验的次数。

在一种形式中，获得所述改善的量度包括对所述使用者的活动运动诱发电位(MEP)进行多次测量。

在另一种形式中，所述身体部位是手，而且获得所述改善的量度包括：

获得活动MEP的多次测量，其中每次测量包括：

向使用者提供听觉刺激，以指示他们伸出一个或多个手指；

测量所述一个或多个手指的手指伸展力的大小；

向使用者提供反馈，指示所测得的手指伸展力的大小和所期望的范围；

当所测得的手指伸展力落入所期望的范围时，触发经颅磁刺激仪来刺激所述使用者的目标肌肉，并触发肌电图(EMG)放大器来记录活动MEP；

测量所述活动MEP的峰谷值；

使用多个所述峰谷值获得平均活动MEP的估计值。

在另一种形式中，所期望的范围是在10～10000克力之间。在另一种形式中，所期望的范围是10～1000克力。

在另一种形式中，测量反应时间包括使用简单反应时间测试来测量反应时间，在所述简单反应时间测试中向使用者提供一个刺激，其中所述刺激可以是视觉的、听觉的、触觉的、本体感觉的或其任何组合。

在另一种形式中，测量反应时间包括使用选择反应时间测试来测量反应时间，在所述选择反应时间测试中向使用者提供多个刺激，其中所述刺激可以是视觉的、听觉的、触觉的、本体感觉的或其任何组合。

在另一种形式中，所述反应时间被计算为：在以下的一项或多项内，一个刺激或多个刺激的暴露时间与在所述一个刺激或多个刺激的暴露时间之后的最多1000ms的时间窗口内观察到显著增加的起始时间之间的差：

所述目标肌肉的肌电图(EMG)信号的幅度；

所述目标肌肉的绝对EMG信号曲线下方的区域；或者

所述目标肌肉的平方EMG信号曲线下方的区域。

在一种形式中，确定在采样窗口内是否形成了所指示的动作的运动想象包括：使用所述来自一个或多个传感器的一个或多个BCI输入信号来检测运动感觉皮层中的事件相关去同步(ERD)。

在一种形式中，来自一个或多个传感器的一个或多个信号是来自放置在所述使用者的头骨上的多个EEG传感器电极的脑电图(EEG)信号。

在一种形式中，确定在采样窗口内是否形成了运动想象(MI，执行所指示的动作的意图)包括：对所述一个或多个信号进行预处理以减少噪声和/或伪影；对所述预处理后的一个或多个信号执行特征提取；对所提取的特征进行后处理以改善特征分布和/或减轻冗余；以及使用特征转换器确定所提取的特征是否指示了在所述采样窗口内形成了运动想象(MI，执行所指示的动作的意图)。

在另一种形式中，使用8～30Hz带通滤波器和空间滤波器来执行预处理；使用具有至少10阶的自回归(AR)模型或连续小波变换或快速傅里叶变换来执行特征提取；所述特征转换器使用线性回归模型、线性判别分析、支持向量机或自适应神经模糊推理系统(ANFIS)分类器中的一个或多个，对所提取的特征进行分类，以区分在所述样本窗口内是否发生了16～30Hz(β)频段中的事件相关去同步(ERD)。

在一种形式中，采样窗口在100ms至2000ms之间(包括两端)，且恰好在开始处理所述一个或多个信号之前结束。在另一种形式中，采样窗口在750ms至1000ms(包括两端)之间。

在一种形式中，BCI输出信号是二进制信号，而且如果接收到第一信号，则输出设备逐增地移动身体部位，如果接收到第二信号，则输出设备不移动身体部位。在进一步的形式中，所述身体部位是手，而且所述输出设备是伺服马达控制的柔性矫形器，所述柔性矫形器用来支撑手并以一系列的逐增步骤将手指从完全弯曲的位置移动到完全伸展的位置。

根据第二方面，提供了一种基于运动想象(MI)的脑机接口(BCI)康复系统，包括：

一个或多个传感器，其用来记录试验期间内的大脑的电/磁活动或脑代谢，并生成一个或多个BCI输入信号；

计算设备，其包括输出指示器装置、处理器和存储器；以及

输出设备，其与所述计算设备通信，且包括身体部分支撑件和马达，所述马达用来响应于从所述计算设备接收的一个或多个BCI输出信号而在两个位置之间逐增地移动所述身体部分支撑件，

其中，将所述BCI输入信号作为输入提供给所述计算设备，且所述存储器包括用来使所述处理器以根据第一方面的方法执行多个BCI试验的指令。

在一种形式中，用来记录试验期间内的大脑的电/磁活动或大脑新陈代谢的一个或多个传感器包括：

可穿戴设备，其包括多个脑电图(EEG)传感器电极；以及

放大器，其用来接收并放大来自多个EEG传感器电极的信号以生成一个或多个BCI输入信号。放大器还可以对EEG传感器信号进行信号调理、采样和保持以及信号处理。

在一种形式中，所述身体部分是手，所述马达是伺服马达，所述身体部分支撑件是伺服马达控制的柔性矫形器，所述柔性矫形器用来支撑手并以一系列逐增步骤将手指从完全弯曲的位置移动到完全展开的位置。

在一种形式中，所述输出设备还包括视觉反馈部件，所述视觉反馈部件包括伺服马达控制的矫形器，所述矫形器用来以一系列逐增步骤将不与身体部位接合的挠性构件从完全弯曲位置移动到完全伸展位置。

在一种形式中，该系统还包括力传感器、经颅磁刺激仪和肌电图放大器。

根据第二方面，提供一种计算机可读介质，该计算机可读介质包括用于使处理器执行第一方面的方法的指令。

附图说明

参考附图讨论本发明的实施例，其中：

图1A是根据一个实施例的基于运动想象(MI)BCI的康复方法的流程图。

图1B是根据一个实施例的基于MI BCI的康复系统的示意图。

图2是根据一个实施例的基于MI BCI的康复方法的试验序列的示意图。

图3A是示出根据实施例的在一系列试验中反馈更新间隔(FUI)的变化的示意图。

图3B是示出根据实施例的反馈更新间隔(FUI)与反应时间之间的相关性的示意图。

图4A是根据一个实施例的反应时间和BCI精度的散点图，其中FUI为16ms。

图4B是根据一个实施例的反应时间和BCI精度的散点图，其中FUI为96ms。

图4C是根据一个实施例的在16ms和96ms的FUI处，针对一组差的成像者和一组好的成像者的BCI精度的双向ANOVA图。

图4D是根据一个实施例的在16ms和96ms的FUI处，一组差的成像者和一组好的成像者的BCI信息传输速率的双向ANOVA图。

图4E是根据一个实施例的对于16ms和96ms的FUI，在不同ECG频段上的差的成像者的事件相关去同步(ERD)百分比的图。

图4F是根据一个实施例的对于16ms和96ms的FUI，在不同ECG频段上的好的成像者的事件相关去同步(ERD)百分比的图。

图5A是根据一个实施例的BCI康复方法的试验的示意图。

图5B是根据一个实施例的在图5A所示的试验过程中，中风患者的手臂动作研究测试(ARAT)评分的图。

图5C是根据一个实施例的在图5A所示的试验过程中，中风患者的使用EMG信号的均方根计算的最大自愿收缩(MVC)的图。

图5D是根据一个实施例的在图5A所示的试验过程中，中风患者的静息运动诱发电位(MEP)评分的图。

图5E是根据一个实施例的在图5A所示的试验过程中，中风患者的活动运动诱发电位(MEP)评分的图。

在下面的描述中，相同的附图标记在整个附图中表示相同或相应的部分。

具体实施方式

现在参考图1A和1B，其中示出了根据实施例的基于运动想象(MI)的脑机接口(BCI)康复方法100的流程图和基于MI的BCI康复系统1。该方法和系统的实施例的重点在于，通过在整个治疗过程中使用100ms或更小的反馈更新间隔(FUI)来提供更优化(与现有技术的系统相比)的反馈。进一步的实施例利用反应时间测量为患者选择最佳FUI值，并在治疗过程中逐步减小FUI值。健肢的反应时间测量用于确定FUI值的下限，而患肢的反应时间测量用于确定初始FUI值。FUI的优化以前尚未进行过研究，而且以前的关于利用实时本体感受反馈使用BCI进行中风康复的研究通常在200～300ms范围内使用FUI。与其不同，本方法使用小于100ms的更短的FUI值，而且如下面将概述的，在治疗过程中已经产生临床上的显著改善。虽然不受理论的束缚，据信通过以100ms或更小的适当反馈速率提供重复反馈，本体感受信号以适当的反馈速率到达大脑中的神经元，从而导致神经元的赫布(神经可塑性的)增强，从而导致更好的运动控制和康复效果。即，在本系统的实施例中，以足够的速率提供反馈运动以增强运动神经连接，从而导致更好的患者疗效。

使用基于脑机接口(BCI)的康复系统，以一系列试验110的方式执行康复方法100。可以将多个试验分成多个阶段，其中每个阶段包括多个试验轮次，每个试验轮次包括一组使用相同FUI值的连续试验。试验110首先向使用者提供听觉(即，口头)或视觉刺激，以指示他们在试验期间100内想象(但不是真去尝试)用身体部位执行一个身体动作。在本说明书的上下文中，身体部位可以是肢体或肢体的一部分，例如手。例如，如图1B所示，包括存储器32和处理器34的计算机30将输出发送至显示屏36，如“弯曲左手”和指向左侧的箭头，以指示系统的使用者(患者)想象弯曲他们的左手。附加地或替代地，扬声器37可以广播音频提示，如短语“弯曲左手”。在该实施例中，身体部位是手，但是该系统也可以用于其它身体部位(即，肢体或肢体的一部分)，如手指、手腕、前臂、肘、上臂、脚趾、脚、脚踝、小腿、膝盖、大腿等。试验期可以是一个短的时间长度，如少于10秒(例如，3秒、4秒或5秒)。

该系统用来从一个或多个传感器12生成一个或多个BCI输入信号14，这些传感器用来记录在试验期间由计算设备30处理的大脑的电/磁活动或大脑新陈代谢。在步骤130中，处理器34对来自传感器12的BCI输入信号14进行处理20，以确定在采样窗口内(在试验期间)是否形成了运动想象(MI，即，执行所指示的动作的意图)。在一个实施例中，使用可穿戴设备，例如经由使用者佩戴的骷髅帽(skull cap)14或头戴式耳机，对使用者安装多个脑电图(EEG)传感器12。EEG传感器的输出信号10通常经由放大器级(未示出)被发送到计算设备30。该计算设备可以包括附加的电子模块或板，以执行信号调节或预处理、采样和保持以及信号处理。该计算设备可以包括可充电电池。

BCI处理代码20包括用于执行信号预处理22、特征提取24、后处理26和特征转换28中的一项或多项的指令。在步骤140中，如果形成了身体部位的运动想象(如在步骤130中确定的)以向使用者提供本体感受反馈(即，来自使用者肌肉和骨骼系统中的神经的信号，告知他们身体部位的运动)，则发送BCI输出信号38以致动输出设备40来移动使用者的身体部位。输出设备40可以包括微处理器(或类似的控制器)或类似的计算设备42以及一个或多个电子控制的马达(如伺服马达或步进马达44)，其移动(致动)柔性矫形器或身体部位支撑件46，它们要么被身体的一部分所倚靠(即，被其支撑)，要么与身体的一部分相连(例如，绑在适当的位置)。例如，在该实施例中，矫形器/身体部位支撑件46是柔性的板，其支撑着绑在该板上的手。伺服马达44驱动该板在弯曲位置47和延伸位置48之间以一系列的步进量移动。

在试验期间，以反馈更新间隔(FUI)150定期(即，反复)执行检测身体部位的运动想象(步骤130)并生成输出来移动身体部位(步骤140)的过程20。该方法和系统的实施例使用100ms或更小的FUI，而且在小于该FUI的时间内执行BCI输入信号的处理。因此，随着使用者继续考虑身体部位的运动，BCI(经由BCI输入信号)检测到该MI意图并逐增地移动身体部位。因此，在试验期间的整个过程中，使用者会收到(被移动身体部位的输出设备所驱动的)持续的本体感受反馈。

在一个实施例中，将多个试验200分成在时间上间隔开(即，间隔数天或数周)的多个阶段(220、230和240)，其中每个阶段包括多个试验(例如，N个试验)。阶段240内的各个试验(240n)可以被分组为多个试验轮次，这些试验轮次包括多个连续的试验。在多个试验轮次之间以及一个试验轮次的各个试验(在一些实施例中，可以是放松试验)之间，可以包括静息时间。在治疗过程中，FUI值可以变化，在某些实施例中，FUI值可以从大于100ms的值开始，然后在经过几个阶段后，FUI减小直到其低于100ms。FUI可以逐增减少。此外，FUI值可以在治疗过程中暂时增加(例如，如果疗效变差)，只要以后会减小到最终低于100ms即可。例如，FUI值的序列可以开始于700ms，300ms，100ms，96ms，48ms和16ms。在其它情况下，FUI值的序列可以是300ms，100ms，75ms，150ms，75ms，50ms和25ms。在另一种情况下，FUI序列可以是96ms，48ms，32ms和16ms。只要FUI值最终降至100ms以下，其它序列也是可能的。

为了进一步说明该方法，图2是根据一个实施例的基于BCI的康复方法100的试验序列200的示意图。单次试验240n包括在长度T(t0，tT)的试验期间内接收BCI输入信号12。在试验开始时(t0)，使用者的手处于伸出位置，使用者收到视觉或听觉指令，以考虑执行身体动作36n，如使使用者的手弯曲到弯曲位置。然后在时间t1，BCI系统开始处理(20n1)在时间t1紧前(或直到时间t1为止)采集的BCI输入信号的样本241，并在时间t11(假设检测到了运动想象)将输出信号38n1发送到输出设备以逐增地移动使用者的手。然后在从t1开始经过FUI间隔之后的时间t2(即，t2＝t1+FUI)，BCI系统开始处理(20n2)在时间t2紧前(或直到时间t2为止)收集的BCI输入信号的另一个样本242，并在时间t22(再次假设检测到了运动想象)将输出信号38n2发送到输出设备，以逐增地移动使用者的手。在该示例中，在试验结束之前将其再重复两次。即，在从t2开始经过FUI间隔之后的时间t3(即，t3＝t2+FUI＝t1+2*FUI)，BCI系统开始处理(20n3)在时间t3紧前(或直到时间t3为止)收集的BCI输入信号的另一个样本242，并在时间t33(再次假设检测到了运动想象)将输出信号38n3发送到输出设备，以逐增地移动使用者的手；在从t3开始经过FUI间隔之后的时间t4(即，t4＝t3+FUI＝t1+3*FUI)，BCI系统开始处理(20n4)在时间t4紧前(或直到时间t4为止)收集的BCI输入信号的另一个样本242，并在时间t22(再次假设检测到了运动想象)将输出信号38n4发送到输出设备，以逐增地移动使用者的手到弯曲位置。

可以使用各种传感器生成反映大脑的电/磁活动或大脑新陈代谢并由此可以用作BCI输入信号的信号。这些电极包括记录大脑皮层内的局部场电位(LFP)的电极，主要代表距记录电极0.1～1毫米内的皮质活动。这些信号提供了高质量和信噪比，但是需要进行手术以将电极安装在大脑中。皮质电图(ECoG)信号是从大脑皮层组织表面记录的，已知该信号可反映记录电极周围2～5mm内的皮质活动。在此，ECoG电极通过颅骨上的小孔安装在大脑表面，所以侵入性比LFP小。ECoG也提供合理的质量和信噪比信号。脑电图(EEG)信号从头皮获得，其中每个电极代表以电极为中心的10～40cm2皮质薄片的神经活动。脑电图的最大缺点是信噪比低，使其容易受到环境伪影和生物伪影的影响。然而，EEG是唯一可测量大脑电活动的非侵入性信号，对于BCI系统(如本系统的实施例)来说，它是优选的传感器和输入信号。

脑磁图(MEG)记录大脑的很小的磁场。该技术于1980年代引入，对于方向平行于MEG传感器的皮层活动比EEG更敏感。与脑电图相比，MEG的另一个优势来自将大脑限制在磁场之外的头骨和其它组织的透明度。但是，在实际中，放置EEG电极的位置比MEG传感器更靠近神经源。但是，MEG设备比EEG硬件贵得多，因为它需要一个磁屏蔽室，而且它的传感器需要使用液氦冷却。

通过其电磁活动测量大脑活动具有许多固有的局限性，如仅仅反映离传感器非常近的区域的活动。但是，大脑的代谢过程通过其能量消耗提供了整个大脑的总体情况，而能量消耗与神经元放电速率相关。大脑中新陈代谢的增加体现为糖和氧气等必需资源的消耗量增加，这些需要增加大脑中的血流量。大脑中的血流是局部受控的，因此可以用作神经活动的生物标记。监测大脑代谢的四种主要技术总结如下。

·功能性经颅多普勒(fTCD)是通过监测流经大脑主要动脉的血流变化来测量大脑代谢的方法。其优点包括设备的价格可承受性和移动性。但是，它仅测量右半球和左半球活动之间的差异，这使其在BCI研究中不理想。

·正电子发射断层扫描(PET)通过跟踪注射来跟踪血流放射性化合物。与fTCD相似，PET并不是BCI研究的吸引人的选择，因为它相对较慢并且放射性化合物注射是一种侵入性技术。

·功能近红外光谱(fNIRS)通过筛选不同类型的血红蛋白细胞中的修饰来监测大脑中的血流。血红蛋白类型的这些变化称为血氧水平依赖性(BOLD)反应。它测量暴露在近红外辐射下的血红蛋白细胞的反应，从而相应地计算血流量。其空间分辨率约为几厘米，时间分辨率约为几秒钟。

·功能磁共振成像(fMR1)是另一种与fNIRS类似的技术，监视BOLD响应以测量大脑的新陈代谢。它可以筛选不同血红蛋白细胞对磁场的反应，以确定耗氧量和血流量。目前它是用于高分辨率监测大脑新陈代谢的最灵敏技术，但它也是最昂贵的技术。

本方法和系统的实施例优选地将EEG传感器/信号用作BCI系统的输入信号，因为它们成本相对较低、非侵入且易于应用于患者，而且能够非侵入地测量患者的脑电活动。但是，在其它实施例中，可以使用其它传感器(如上面描述的那些传感器)生成输入信号，以确定在采样窗口内是否形成了MI(执行所指示的动作的意图)。

BCI系统用来在BCI输入信号中检测运动功能的标签(因为预期的运动和实际的运动都会产生相似的标签)。可以通过对自愿运动之前和之后的感觉运动皮层上记录的EEG信号(以及其它BCI输入信号)求平均值，提取与运动相关的皮层电位(MRCP)。MRCP开始是缓慢增加的负电性，称为准备电位或Bereitschafts电位(BP)。接着，它们从运动或运动想象开始之前的约400ms开始，继续保持较大的负电性，称为负性斜率(NS)。运动电位的初始斜率刚好发生在肌电图(EMG)活动的起始时间之前，而且从形态上说集中在初级运动皮层(M1)上，可以反映M1的激活。所述局灶性阴性从EMG活动起始时间起持续30～50ms。接着，峰值负性移向对侧前部区域，在该区域达到最大负性，称为运动电位的额峰。有证据表明，运动想象会唤起与运动动作相似的MRCP。尽管与实际运动的MRCP相比，想象中诱发的电位显示出更低且延迟的峰值，但对于运动想象和运动动作，主运动区域和辅助运动区域中的与MRCP相关的响应相似，从而BCI系统能够检测输入的BCI信号(如EEG信号)中的预期运动功能的标签。

在运动动作和运动想象之前、之中和之后，随着感觉运动皮层变化，记录BCI输入信号(如EEG信号)的振动模式。这些感觉运动皮层的振荡活动中的改变分为两个主要子类别：事件相关去同步(ERD)和事件相关去同步(ERS)。

在运动动作和运动想象之前和之中处理运动和认知任务对这些皮质区域提出了很高的要求。而且，在运动执行期间接收感觉信息是感觉运动皮层的另一处理任务。结果，感觉运动皮层内的不同神经元集合承担不同的任务，因此，在它们之间发生失步，其表现为该区域的振荡活动的幅度较低。这种现象称为事件相关去同步(ERD)。因此，对于运动动作和运动想象，ERD被认为是皮质激活的标签。运动或运动想象偏移后，激活的神经元网络不再具有处理任务，从而返回到其基线(空闲)状态。随后，发生称为事件相关同步(ERS)的同步。对于记录在感觉运动皮层上的EEG信号，ERS用作基线活动(空闲状态)的标签。ERD/ERS现象被认为是由于丘脑-皮质反馈回路和皮质-皮质反馈回路引起的。它们是时间锁定的，但不是相位锁定的，即，它们对于不同的频率具有不同的表现形式。对于EEG信号的ERD/ERS分析，通常使用的感兴趣频段位于0～50Hz之内，其中有以下几个具体的频段：i)δ频段(0～4Hz)；ii)θ频段(4～8Hz)；iii)α频段(8～13Hz)；iv)β频段(16～30Hz)；v)低γ频段(30～50Hz)。在所述频段中，α频段和β频段是在MI-BCI研究中使用较多的，因此优选用作要处理的选定频段。但是，应当理解，其它频段也可以用于检测运动想象意图。由于在执行运动想象之前和之中都产生ERD，本基于MI的BCI方法和系统优选地使用一个或多个BCI输入信号(例如，EEG信号)来检测来自感觉运动皮层的ERD相关信号，以指示检测由使用者进行的身体部位的运动想象，并把重点放在向使用者施加适当的反馈以增强ERD信号。但是，在其它实施例中，也可以使用其它适当的BCI输入信号(即，来自其它传感器的信号)或频段，包括信号(例如MCRP、ERD和ERS事件检测)的组合。

总之，尽管不受理论的束缚，但提出以下假设：使用以适当的时间反复产生感觉反馈的特定BCI设计为以下两项的发生提供了基础：i)赫布可塑性，其不仅增加ERD而且简化BCI训练，还导致中风幸存者的行为改善；以及ii)通过感知对感觉刺激的后期反应进行的操作性学习。赫布可塑性和操作条件反射之间的协同作用不仅缩短了ERD调节的训练时间(维持患者的参与/动力)，而且还提高了恢复性BCI的疗效。

在一个实施例中，确定是否在采样窗口内形成了MI(执行所指示的动作的意图)包括：对所述一个或多个信号进行预处理以减少噪声和/或伪影；对预处理的一个或多个信号执行特征提取；对提取的特征进行后处理以改善特征分布和/或减轻冗余；以及使用特征转换器确定在采样窗口内是否形成了MI(执行被指示的动作的想法)。

信号预处理22涉及使用先验知识去除伪影并增强EEG信号的空间、时间和/或频谱特征。预处理可包括预过滤、下采样、空间滤波、伪影去除—环境噪声和伪影去除—生物噪声中的一种或多种。下面对它们进行简述。

预滤波：频率范围预滤波在保留所期望的频率的同时去除了不需要的频率。例如，在基于运动想象的BCI(MI-BCI)中，使用运动感觉节奏(8～30Hz)来提取频谱特征，因此，针对MI-BCI的频率范围预滤波涉及EEG信号的带通滤波，以去除8～30Hz频段之外的频谱特征。

下采样：为了提高计算效率，在初次过滤之后，将数据以适当的因子下采样。调整后的采样率必须保持至少大于信号中最大感兴趣频率的两倍。通过保持采样频率大于奈奎斯特频率，该方法可确保保留信号中的所有相关信息，从而防止信号失真。

空间过滤：EEG信号反映了大脑相当大区域的活动。而且，彼此接近的通道的记录信号在很大程度上相关。为了提高EEG电极的空间分辨率并使它们更能代表独立的皮层活动，已经提出了很多空间过滤技术。依赖数据的空间过滤包括：主成分分析(PCA)、独立成分分析(ICA)和公共空间模式(CSP)。在考虑所有可用通道之间的协方差的同时，它提高了空间分辨率。但是，诸如拉普拉斯滤波器和公共平均参考(CAR)的不依赖数据的空间滤波不能处理不同电极之间的关系。

伪影去除—环境噪声：环境伪影去除涉及从EEG信号中去除源自环境的电磁干扰。例如，电力线噪声(在欧洲、亚洲和澳大利亚为50Hz，在美国为60Hz)会干扰EEG信号。当工作在50/60Hz的设备的电磁场影响在其相应的频率下产生强烈的噪声的人体时，会产生电力线噪声。为了消除这种伪影，将带阻滤波器(陷波滤波器)应用于EEG信号。

伪影去除—生物噪声：影响EEG信号的生物噪声主要表现为肌肉收缩电位，即肌电图(EMG)，以及眼球运动电位，即眼电图(EOG)和眨眼。由于这些信号以类似的方式影响相邻电极，因此空间滤波技术(如拉普拉斯滤波)去除这些信号中的大部分。

在抑制噪声并增强信号的所期望方面的预处理之后，下一步是使用所记录信号的先验知识提取相关特征。值得注意的是，对于基于运动想象的BCI，所期望的特征是在8～30Hz频段内对EEG信号进行幅度调制。要提取这些特征，可以执行快速傅立叶变换、自回归建模或小波变换：

快速傅立叶变换：快速傅立叶变换(FFT)是一种高效的计算方法，用于计算单个频率或频段内的信号的频谱功率。FFT接收N个采样信号，并产生N个频率采样，它们均匀地分布在-f/2～+f/2的范围内，其中f表示采样频率。请注意，FFT值是具有幅度和相位的复数值。为了计算频谱功率，我们对FFT值的幅度求平方。为了减少因EEG信号的分割而突然改变边缘而引入的伪影，在进行FFT计算之前，将诸如Hamming和Hanning窗函数之类的锥形窗与有限长度信号相乘。这种方法减轻了频率响应中不希望有的纹波的发生。

自回归建模：在计算EEG信号的频谱属性时，自回归(AR)建模技术是傅立叶变换的一种替代方法。它将EEG建模成接收白噪声作为其输入的滤波器的输出。由于白噪声涵盖所有频率，因此滤波器会调整其参数以反映EEG频谱特征。AR建模中的一个关键因素是确定最佳阶数。请注意，EEG信号被认为包含多达五个频谱峰值，包括：δ(0～4Hz)，θ(4～8Hz)，α(8～13Hz)，β(16～30Hz)和低γ(30～50Hz)。因此，AR模型的阶数必须大于10，才能正确建模EEG信号。但是，使用大采样率时必须增加顺序。Burg算法是计算AR模型参数的首选方法，因为它可以保证模型的稳定性。使用公式1获得功率谱：

其中Ep为预测误差，αp(k)为第k个滤波器权重，p为AR模型的阶数，PAR(ω)为角频率ω处的频谱功率。

小波变换：为了克服FFT和AR建模的缺点，即在将信号转换到频域时会丢失时间信息，提出了小波变换。小波分析将EEG信号与特定形状的小波的拉伸和压缩版本进行卷积。每当发现较大的相关性时，都会创建较大的小波系数，反之亦然。因此，小波不仅揭示了EEG信号的频谱属性，而且还揭示了信号的频谱行为如何随时间变化。小波变换的另一个方面是，它会调整信号窗口的长度，以使其频率分辨率最大化。值得注意的是，通过将较长的小波应用于低频，将较短的小波应用于高频，可以提取具有最佳分辨率的频域特征。小波变换有两个版本：(i)计算效率更高的版本是离散小波变换(DWT)，它使冗余最小化；(ii)连续小波变换(CWT)，其在提取细微特征方面更强大。

在将提取的特征转移到分类器之前，需要对特征进行进一步处理(后处理)以优化特征分布并减轻特征之间的冗余。特征的后处理通常通过以下过程来执行，以提高分类器的性能、精度和速度。

归一化：所提取的特征集可能具有不同的均值和动态范围，与BCI任务条件无关。在这种情况下，使用归一化过程。它涉及从所有特征中减去平均值，然后将结果除以标准偏差。该技术呈现零均值和单位方差特征，可改进分类结果。

对数正态变换：FFT幅度的较低范围以零为边界，较高范围受采样频率限制。另外，EEG功率与频率成反比。因此，很有可能利用EEG信号产生频谱功率特征的非高斯分布。当接收正态分布的特征时，大多数分类器提供最佳结果。在大多数情况下，对数变换可将非正常EEG频谱特征归一化，并将它们为了分类而优化。

降维：为了在BCI框架中提供实时反馈，有必要保持尽可能低的计算成本。为了降低分类的计算成本，需要提取尽可能少的表示EEG信号的特征。另外，用多于最佳数量的特征表征EEG信号会引起维度灾难，并降低新的观察的分类精度。主成分分析(PCA)和独立成分分析(ICA)是从特征空间中删除相关和冗余特征，并定义最佳特征的最常用的方法。

在一些实施例中，BCI信号的所提取的特征直接反映受试者的意图。然而，在一些实施例中，使用特征转换器将特征转换成适合外部设备的信号。

特征转换器，也称为分类器，是包括许多参数的数学模型。可以通过受试者意图清晰的观察来调整该模型的参数。然后，将调整后的(经过训练的)模型用于根据新的观察数据预测受试者的意图(归纳)。为了确定特定BCI系统的高性能分类器，需要最佳地选择其模型类型、输入特征和参数。以下描述了BCI分类器的这些方面。

分类模型的主要功能是确定使用者的意图是否被反映在所提取的特征中。随后通过分类的精度和速度来确定所选模型的拟合优度。选择模型主要取决于两个关键因素：BCI应用和可用训练数据的数量。

产生连续输出的分类器具有回归模型(即，基于线性回归的模型)，而具有离散输出的分类器具有判别模型(即，线性判别分析)。虽然通常以特定方式使用模型来提供要么离散要么连续的输出，但是它们通常能够生成两种类型的输出。以下列出了多个用于BCI的最常用的分类器模型：

线性最小二乘判别式分类器：此模型是用于BCI分类的最简单同时功能最强大的模型。其一般形式为：

Y＝b₁X₁+b₂X₂+...+b_nX_n+a (2)

其中，Y是预测值(分类器输出)，bl，b2，b3，...，bn和α是需要确定的模型权重，Xl，X2，X3，...，Xn是特征。使用以下公式定义bi参数：

b＝(X′X)^-1X′Y. (3)

贝叶斯分类器：此分类器使用最大似然概念从先验知识中提取信息，以将新数据分类为后验概率。更具体地说，它在给定一组特征的情况下计算属于每个输出类别的可能性。可能性最高的类别最有可能是新的观察所属的类别。贝叶斯分类器的一般形式如下：

其中，Y是预测值(分类器输出)，Xl，X2，X3，...，Xn是特征，P(X_i|Y)是在给定Y的情况下X的概率。

贝叶斯分类器既简单又鲁棒，即使可用于分类器训练的观察数量少时也是如此。但是，对于大量训练数据，考虑了特征之间关系的线性最小二乘判别模型可能性能更好。

支持向量机(SVM)：上述分类器源自统计方法。但是，对于诸如支持向量机之类的另一类分类器，则采用机器学习方法来迭代地提高分类器性能。值得注意的是，支持向量机在以下类别之间的边界上找到支持向量，i)将支持向量(超平面)和被错误分类的数据之间的欧几里得距离最小化；ii)将支持向量之间的欧几里得距离最大化。该模型被认为对异常值具有鲁棒性，而且可以很好地推广，即使在调整参数的观察次数有限的情况下也是如此。

非线性方法：高级机器学习方法通过应用内核法将非线性问题转换为线性问题。常用的内核包括高斯核和径向基函数(RBF)核。对于那些根据其原始形式本应产生非常不规则形状的特征，高斯核可以从它们生成相当明显的超平面。

处理特征非线性的另一种方法是利用人工神经网络的鲁棒性，这些网络能够(在理论上)估计任何函数，只要使用了足够数量的人工神经元。例如，可以使用自适应神经模糊推理系统(ANFIS)分类器。但是，复杂的功能需要使用大量的人工神经元，需要进行大量观察才能微调人工神经网络的模型参数。

不管用于BCI分类的特征类型如何，无论是与事件相关的电位还是频谱功率，大脑通常都会生成相关的(冗余)特征。此外，在任何模型中使用的特征的数量与其训练数据的分类精度成正比。但是，当使用大量特征进行参数调整时，模型的通用性会降低，因为它会导致对训练数据的过度拟合。因此，必须在用训练数据使分类器的误差最小化和通过选择最佳特征数增加其通用性之间做出权衡。启发式方法反复选择满足上述权衡的最佳特征。逐步启发式方法，如前向和后向逐步启发式技术，不是检查特征的所有可能组合，而是从最佳特征开始，然后添加或减去其它特征，并在每个步骤中检查它们是否使分类器都更加准确。继续搜索最佳特征，直到满足停止标准(如达到最小r2值)为止，该标准定义了可以根据所选定的特征预测的正确输出的百分比。

可以使用直接方法(如LDA公式2)或使用迭代优化算法来估计模型的参数。后一种方法的优点是甚至可以估计非线性系统，而前一种方法则快速且计算效率高。参数估计中的常用技术是最小均方(LMS)算法，其中使用公式5调整参数并迭代地减少估计误差。此处，b(t+1)是时间t+1时的更新了的参数，l是学习率参数，e(t)是预测误差，X(t)是当前特征向量。

b(t+1)＝b(t)+l·e(t)·X(t) (5)

LMS算法属于称为自适应参数化方法的参数估计器的一种。当错误、特征和类别标记之间的关系很简单时，它们的性能很好。如果关系复杂，LMS可能无法提供最佳解决方案。在这种情况下，诸如遗传算法和粒子群优化之类的进化算法可能比LMS性能更好，因为它们对于落入局部极小值和次优最终点具有鲁棒性。

存在各种用于分类器评估的方法，例如精度、灵敏度、选择性和特异性。在典型的BCI应用中，根据受试者的意图和BCI输出命令，可能会出现四种场景。为了描述这些情况，我们使用一个典型的BCI系统，其将神经活动转换为张开受试者的手指的针对外骨骼的命令：

场景1：使用者想张开手指，BCI张开手指。这称为真阳性(TP)

场景2：使用者不想张开手指，而BCI没有张开手指。这被称为真阴性(TN)

场景3：使用者不想张开手指，而BCI张开手指。这称为假阳性(FP)

场景4：使用者想张开手指，但BCI并未张开手指。这称为假阴性(FN)。

就上述指标而言，最常用的BCI量度是精度：

其它BCI量度包括灵敏度、选择性(阳性预测值)和特异性(阴性预测值)，定义如下：

没有适用于所有BCI应用的特定量度，是BCI系统的属性使上述量度中的一个量度或特定集合比其它量度更合适。

对于具有连续输出的BCI，如监视器上的光标位置更新，上述量度可能不合适，需要其它特定量度。一种可能性是对平方误差求和的卡方(χ2)量度。该量度反映了由BCI误差(1-r2)引起的输出差异。然后，r2表示可以计算的模型的拟合优度。

信息传输率(ITR)是同时考虑BCI系统的速度和精度的一种量度。该量度计算每单位时间传输的信息单元的数量，并使用以下公式计算：

其中B是比特率，N表示类别的数量，P是分类器的精度。

在一个实施例中，使用8～30Hz带通滤波器和空间滤波器执行预处理，使用具有至少10阶的自回归(AR)模型执行特征提取，而且特征转换器使用支持向量机对AR模型的系数执行分类，以区分在样本窗口期间是否发生了16～30Hz(β)频段中的事件相关去同步(ERD)。

BCI系统的有效性能通常涉及样本窗口长度、分类精度和分类器更新率(FUI)之间的权衡。这种权衡确保以适当的速率以尽可能高的精度提供实时反馈，以促进赫布学习。通过使用奥地利格拉茨大学提供的数据集(网址为http://www.bbci.de/competition/iv/)，研究了这些参数的可行的权衡方案。在这项研究中，连续小波变换和学生t检验用于特征提取，而SVM用于分类。为了比较不同窗口长度的分类的精度，我们将训练和测试数据的窗口长度定义为250、500、750或1000ms，然后以32ms步长移动时间窗口。

250和500ms的时间窗口的精度大小始于非常接近随机的分类精度，但是，对于较宽的时间窗口(750、1000ms)，分类器的精度高于60％。而且，在所有时间窗口中，将近一秒钟后，分类达到最大值，该最大值与时间窗口的长度正相关。通过比较250ms、500ms、750ms和1000ms时间窗口的分类精度的平均值和标准偏差，可以看出时间窗口长度与平均精度值之间存在正相关性，而时间窗长度与精度值标准偏差之间存在负相关性。下表1示出了不同窗口长度的分类统计信息。该表比较了与受试者无关的分类器的250、500、750和1000ms长度的不同时间窗口的精度的平均值、标准偏差、上升时间(达到最大精度所需的时间)、最大值和最后值。

表1

不同窗口长度的分类统计信息。该表比较了与受试者无关的分类器的250、500、750和1000ms长度的不同时间窗口的精度的平均值、标准偏差、上升时间(达到最大精度所需的时间)、最大值和最后值。

750ms和1000ms的时间窗口提供最大的平均精度和最小的标准偏差。因此，在一些实施例中，采样窗口在500ms与2000ms之间，而且恰好在开始处理一个或多个信号之前结束。在一些实施例中，采样窗口在750ms至1000ms(包括两端)之间。

在一个实施例中，硬件包括连接到72通道Refa TMSi EXG放大器的64通道Waveguard EEG帽，其包含64个单极和8个双极通道。在一个实施例中，从根据国际10-20电极放置系统定位的8个通道(F3，F4，T7，C3，Cz，C4，T8，Pz)记录EEG数据。基于制造商的建议，AFz通道用作接地通道。电极和头皮之间的阻抗保持在50k以下，由于放大器的输入阻抗为特欧姆(Tera-Ohm)数量级，因此这是足够的。放大器不需要参考通道，因为它使用记录通道的内置公共平均参考。它也忽略了任何具有非常高阻抗(大于256k)的电极，并将它们从公共平均参考中排除。信号在1024Hz处被数字化，然后通过50Hz陷波滤波器(三阶Chebyshev)，然后通过带通滤波器(一阶Butterworth)，其转折频率设置为0.1和49Hz。EEG输入信号被提供给运行BCI2000软件的计算机，该软件经过修改以提供听觉命令并在反馈过程中同时更新矫形器的伺服马达位置。但是，如本文所述，可以使用定制软件来处理BCI输入信号。

在一些实施例中，BCI输出信号是二进制信号，而且如果接收到第一信号，则输出设备逐增地移动身体部位；如果接收到第二信号，则输出设备不移动身体部位。在一个实施例中，身体部位是手，而且输出设备40包括微控制器42，微控制器42控制伺服马达44以控制柔性矫形器46的位置，该矫形器46用来支撑手并以一系列逐增步骤将手指从完全弯曲的位置移动到完全伸展的位置。合适的微控制器包括一个Micro Maestro伺服控制器模块，该模块可控制多达6个伺服马达。合适的伺服马达包括Blue Bird BMS-630，它从控制器接收命令并逐增地调整矫形器的角度。在一个实施例中，矫形器包括由PVC制成的机械体，其在所有假定情况下(从完全弯曲的手指到完全伸展的手指)支撑参与者的手。使用模块化基座将矫形器连接到支架，该基座允许在各个方向上调整矫形器角度(倾斜和平移)。

为了用本体感受反馈来更新矫形器的弯曲角度，对于每次反馈更新，将BCI输出控制信号二进制值作为改变/不改变矫形器角度的通过/不通过信号。也就是说，BCI输出信号是一个归一化值，代表振荡皮层信号的当前状态，指示是否发生了ERD。可以基于试验期间的长度和反馈更新间隔来确定增量，以确保矫形器在试验期间结束之前未达到最大挠度，从而使使用者收到试验期间的反馈。

反馈优化被认为可以提高基于运动想象的脑机接口(MI-BCI)的疗效。许多研究调查了反馈方式对MI-BCI的影响。但是，改变反馈更新间隔(FUI)对MI-BCI疗效的影响尚待探索。我们假设：(i)信息处理速度与BCI能力相关；(ii)改变FUI根据受试者的信息处理速度而影响BCI疗效。为了进一步优化MI-BCI，研究了FUI变化对10名健康参与者的影响，根据他们的在线BCI精度将这些参与者二分成好的成像者和差的成像者。他们参加了两次BCI培训阶段，分别具有16ms和96ms FUI。发现作为信息处理速度指标记录的简单反应时间(SRT)量度可以替代70％精度的BCI能力。此外，还说明了对于好的成像者，16ms FUI可提供更高的BCI精度，而差的成像者在96ms FUI时表现出更好的疗效。总的来说，这项初步研究表明定制FUI可以提高MI-BCI的疗效。

这项研究招募了年龄在18～26岁之间的10名健康参与者(男性6名)。使用了具有64个单极和8个双极通道的72通道Refa TMSi EXG放大器以及64通道Waveguard EEG帽。仅从以C3或C4通道为中心的通道的小型拉普拉斯组合来记录EEG数据。使用腕带将接地通道连接到参与者的目标手。电极和头皮之间的阻抗保持在20k以下。使用EXG放大器的双极通道记录目标手的手指屈肌的EMG数据。放大器使用记录通道的内置公共平均参考(CAR)，因此不需要参考通道。放大器从公共平均参考计算中排除任何阻抗大于256k的单极通道。在EEG信号的公共平均参考中，也没有考虑用于EMG记录的双极通道。所有EEG和EMG信号均以1000Hz进行数字化，然后通过转折频率设置为0.1Hz的50Hz陷波滤波器(三阶Chebyshev)，然后通过高通滤波器(一阶Butterworth)。

为了提供本体感受反馈，将两个矫形器安装在平台上，以服务于右手或左手。他们根据目标手的运动想象被动地弯曲所涉及手的手指。每个矫形器均由Blue Bird BMS-630伺服马达驱动。操作矫形器的命令源自定制软件，然后用Micro Maestro伺服控制器模块翻译给伺服马达。使用BCI2000 CursorTask的定制版本记录数据并运行在线实验。定制了源代码以提供听觉命令并更新伺服马达的位置。

参与者进行了MI-BCI并收到了本体感受反馈，这些反馈分别每16ms和每96ms更新。我们假设，当一种情况下的反馈更新速度比另一种情况快六倍时，FUI改变的任何潜在影响会变得明显。在本说明书的其余部分中，为简单起见，将96和16ms的FUI分别视为“长FUI”和“短FUI”。

每个在线阶段包括8个轮次的左右手手指弯曲的MI。每个轮次都包括20个试验，其中10个运动想象和10个放松试验以随机顺序呈现。每个轮次都花费将近四分钟，连续轮次之间的间隔是2分钟，而每次记录花费不到一个小时。使用BCI2000操作员脚本安排各个阶段，这些脚本确定轮次的操作以及连续轮次之间的间隔。

每个试验都以“开始”听觉命令开始，该命令让参与者为以下指示做准备。3s后，另一个听觉命令指示参与者放松或进行右手手指弯曲的运动想象。再过3s后，参与者可以根据他们的运动想象或放松情况，接收以下偶然反馈。对于“右”听觉命令，右矫形器将右手的手指快速初始化为完全伸展的位置。然后在接下来的2.5s内，如果运动想象分类结果小于阈值，则矫形器可以逐增地弯曲右手的手指。但是，如果命令是“松弛”，则左自由行走矫形器被立即初始化为完全伸展的位置。然后，如果分类结果大于阈值，则可以在接下来的2.5秒内逐增地弯曲。请注意，阈值是根据最近18秒内运动想象和放松试验的合并平均频谱功率定义的。接着，听觉“停止”命令提示每个试验的结束，而且在随后的4s的试验之间的间隔之后，开始下一次试验。请注意，每个参与者的左手都在扶手上，而不是放在左矫形器上。结果，参与者通过观察放松时的左矫形器弯曲，接收到右手想象的本体感受反馈和视觉反馈。然而，对于参与者P3，他的左手连着左矫形器，而右手搁在扶手上。因此，通过右矫形器向参与者P3提供了左手想象的本体感受反馈和放松的视觉反馈。

我们使用基于一个试验的指标和基于一个轮次的指标，比较参与者在不同FUI下的在线BCI疗效。指标如下：(i)采用基于试验的信息传输率(ITR)来考虑数据传输的精度和速度这二者。根据公式11进行ITR计算，其中ITR以每分钟位数(位/分钟)表示

其中P代表每个试验的精度，N代表类别的数量(两类：放松和运动想象)，8.5是每个试验的总长度(以秒为单位)。ITR已乘以60，以位/分钟表示。请注意，根据每个试验的反馈部分中分类输出符合任务并使矫形器弯曲的次数的百分比，计算基于试验的精度(P)。(ii)基于轮次的分类精度，其表示在每个轮次中，平均分类器输出分别大于或小于运动想象和松弛试验的阈值的试验的百分比。前一种量度(ITR)同时考虑了所有试验中信息传递的平均精度和速度，而后者则等效于BCI疗效的传统量度：带视觉反馈的每个轮次中的目标命中率。使用定制的Matlab脚本执行分析。已经表明，考虑正在控制BCI的BCI精度的阈值为70％。因此，在本研究中，将参与者二分为好的成像者(如果他们的短FUI的平均精度超过70％)和差的成像者(如果他们的短FUI的平均精度在50％至70％之间)。

使用Cambridge Cognition的CANTAB电池测试进行了简单反应时间(SRT)测试，用来测量参与者的反应时间。参与者坐在椅子上，被要求将注意力集中在摆在他们面前的桌子上的平板电脑上，并在屏幕上看到一个正方形时立即按下触摸板上的按钮。每个参与者执行任务30次以获得平均等待时间(反应时间)，并将其用作他们的SRT指标。请注意，我们报告的SRT值是使用Cambridge Cognition的CANTAB电池测试对18～26岁的受试者进行测量的，使用不同的硬件、软件或不同年龄范围的参与者可能提供不同的结果。

为了对EEG和EMG信号进行离线分析，使用了EEGLAB和定制的Matlab脚本。使用小的拉普拉斯滤波器对EEG信号进行空间转换，以生成空间分辨率提高的单通道EEG数据(P3为C4-SLP，其它参与者为C3-SLP)。接着，对数据进行带通滤波(3～47Hz)，并以“开始”听觉命令为中心，将其分为-2到8.5s的时期。然后，所有松弛试验均被拒绝，在去除平均基线后，按以下步骤进行数据纯化：(i)标记异常试验，检查EEG幅度、频谱功率、偏度、峰度和方差；(ii)如果使用其它地方提供的指南，任何上述指标超出无伪影的EEG信号的常规值，则将该试验标记为不规则。还对目标手的屈肌腕肌(FCR)的EMG信号进行了带通滤波(3～400Hz)，该信号监测手指在前臂肌肉活动中实际运动的反射。接着，去除运动想象试验的平均基线，然后使用与EEG信号相同的时间窗口提取它们。筛选了在执行运动想象期间记录的EMG信号，并标记了峰峰值大于50mV的试验。所有因不规则的EEG或明显的EMG信号而被标记的试验均被丢弃(9.2％)。

在以下三个频段中提取了运动想象试验(6～8s)及其前面的试验之间的间隔(-2～0s)的反馈部分的频谱功率：α(8～13Hz)、低β(16～22Hz)和高β(22～30Hz)。4秒长的试验之间的间隔只有最后2s被视为基线期。这种调整确保了想象后的ERS已经过去且不影响基线频谱功率估计。带反馈部分的运动想象只有前2s(6～8s)被考虑，以使想象的长度和基线时间窗口相等。使用频率分辨率为0.25Hz的Welch方法估算功率谱密度(PSD)，其以分贝(dB)为单位。还计算了想象试验前面的试验之间的间隔中的PSD，以确定基线频谱功率。对于每个频段，计算运动想象期间的频谱功率与试验之间的间隔期间的频谱功率的绝对差，作为绝对ERD的量度。然后根据公式12计算ERD百分比指标：

ERD(％)＝(A-R)/R×100 (12)

其中，A和R分别代表运动想象期间和基线期间的频谱功率。请注意，在每个成像者组(好的成像者和差的成像者)中，计算并比较了每个频段中的ERD百分比量度。

为了研究在线精度量度与SRT之间的关系，对每个FUI进行了SRT与精度之间的Pearson相关分析。对于每位参与者，使用具有要么短FUI要么长FUI的每个阶段的八个轮次的精度和ITR指标，计算在线BCI疗效的量度。由于每个组(好和差的成像者)有5个成员，因此每个条件(FUI)包含40个(5个参与者×8个轮次)量度用于比较。我们决定考虑针对每个参与者的每个阶段的所有8个轮次的精度和ITR的量度(而不是它们的平均值)，以提高统计能力。使用以BCI适应性(大小：“好”和“差”)和FUI(大小：“16ms”和“96ms”)为因子的双向ANOVA，分别探讨上述因子与精度和ITR之间的相互影响。

在离线分析中，比较了α、低β和高β的ERD。对于所有参与者，对具有要么短FUI要么长FUI的每个阶段的八个轮次中的每一个轮次都执行了计算。选择所有轮次进行分析，得出每组每个频段中每个FUI的40个(5个参与者×8个轮次)ERD量度。它总共提供了240个ERD量度(40个轮次×2个FUI×3个频段)，它们是分别针对好的成像者和差的成像者，使用以频段(大小：α、低β和高β)和FUI(大小：“16ms”和“96ms”)为因子的双向ANOVA进行分析的。

关于针对在线量度的应用ANOVA中的事后测试，由于使用了两个相关的量度(精度和ITR)，因此仅进行了FUI值(16和96ms)之间的有计划的比较。因此，事后分析采用了霍尔姆·西达克(Holm-Sidak)的双向t检验进行调整，以用于多重比较。但是，在ERD量度的双向ANOVA中，由于α和β波段的频谱分析是独立的，因此没有针对多重比较进行调整，因此，事后分析采用了未经校正的Fisher的LSD双向t检验。

表2总结了短FUI和长FUI下的所有参与者的在线精度和ITR值及它们的SRT结果。我们报告的SRT测试结果与philip 1999simple的另一项研究的结果相符，该研究发现30岁以下受试者的SRT值为236±32ms。在FUI为16ms时精度>70％的受试者(P2，P3，P6，P9，P10)被分组为好的成像者。其余参加者(P1，P4，P5，P7和P8)在同一FUI下达到了50％至70％的精度，则被归类为差的成像者。我们观察到精度与SRT之间存在线性关系(图0)。FUI为16ms时SRT与精度之间的Pearson相关系数为r＝-0.671(p＝0.033)，而FUI为96ms时SRT与精度之间的Pearson相关系数为r＝-0.725(p＝0.018)。对FUI为16ms的样本进行自举导致r'＝-0.671±0.140，SRT和精度之间的95％置信区间为(-0.371～-0.889)。对于96ms的FUI，自举导致r'＝-0.7165±0.1654，SRT和精度之间的95％置信区间为(-0.346～-0.957)。由于没有一个计算出的95％置信区间包含零，因此自举进一步证明了所观察到的相关性的重要性。这表明SRT可以替代长FUI和短FUI的BCI能力。图0中的绿色水平线代表70％的精度阈值，该阈值已用于将参与者分为好的成像者和差的成像者。如所示，分类的边界裕度在16msFUI时比在96ms FUI时大。因此，使用短FUI的精度将受试者分为好的成像者和差的成像者。

表2

总结SRT、ITR和精度结果

图4A是根据一个实施例的FUI为16ms的反应时间和BCI精度的散点图410，图4B是根据一个实施例的FUI为96ms的反应时间和BCI精度的散点图420。图4A和4B中分别示出16ms和96ms条件下的红色线性回归线412和蓝色线性回归线422。精度为70％的绿色水平线414、424用于将受试者划分为好的成像者和差的成像者。由于图4A中的边界裕度(绿线周围的绿色阴影区域)416比图4B中的边界裕度426宽，因此采用16ms FUI的在线精度将参与者标记为好的成像者和差的成像者。

为了分析在线BCI疗效，使用基于轮次的精度和基于试验的ITR分别比较了长FUI和短FUI对好的成像者和差的成像者的影响。图4C是根据一个实施例的在16ms和96ms的FUI处，针对一组差的成像者和一组好的成像者的BCI精度的双向ANOVA图420。图4D是根据一个实施例的在16ms和96ms的FUI处，针对一组差的成像者和一组好的成像者的BCI信息传输速率的双向ANOVA图440。根据图4C和4D，FUI变化后的精度和ITR变化的方向取决于BCI能力。精度的双向ANOVA显示，对BCI能力(F(1,78)＝172.2，p<0.0001)有显著的主要影响，对FUI则没有(F(1,78)＝0.6704，p＝0.4154)，但有显著的相互作用(F(1,78)＝8.212，p＝0.0053)。事后分析表明，对于差的成像者，与长FUI相比，短FUI显著提高了精度(t(78)＝2.605，p＝0.0219)。但是，FUI变化对于好的成像者而言，精度之间没有显著差异(t(78)＝1.447，p＝0.1518)。ITR的双向ANOVA显示，两个因子之间有显著相互作用(F(1,78)＝17.80，p<0.0001)，对BCI能力有显著的主要影响(F(1,78)＝38.16，p<0.0001)。但是，FUI因子没有显著的主要作用(F(1,78)＝0.4037，p＝0.5270)。事后分析表明，对于好的成像者，短FUI的表现明显优于长FUI(t(78)＝3.432，p＝0.0019)。相反，对于差的成像者，长FUI的ITR比短FUI的ITR大(t(78)＝2.534，p＝0.0264)。总体而言，差的成像者似乎在FUI长时会产生更大的精度和ITR，而好的成像者则在FUI短时显示更大的ITR。而且，不管是好的还是差的成像者，BCI能力在精度和ITR方面都具有非常重要的主要影响。

为所有参与者计算了运动想象试验和想象试验前面的基线期间的反馈部分的功率谱密度，并在3～45Hz频段的两组中求均值。对于每组中的每个FUI，计算了运动想象期间与基线期间的频谱功率之间的差。另外，对于α、低β和高β频段中的两组和两种条件，根据公式12计算了ERD百分比测量，并展示在图4E和4F中。图4E是根据一个实施例，针对16ms和96ms的FUI，在不同ECG频段的差的成像者的事件相关去同步(ERD)百分比的图430。图4F是根据一个实施例，针对16ms和96ms的FUI，在不同ECG频段的好的成像者的事件相关去同步(ERD)百分比的图440(*：p<0.05，**：p<0.01，***：p<0.001)。

对ERD百分比进行统计分析，作为进行运动想象期间皮层活动增加的神经标签。分别对好的成像者和差的成像者，使用以频段(大小：α、低β和高β)和FUI(大小：“16ms”和“96ms”)为因子的双向ANOVA，分析了ERD指标。好的成像者的双向ANOVA显示，对频段(F(2,234)＝6.178，p＝0.0024)和FUI(F(2,234)＝32.06，p<0.0001)都有显著的主要影响。使用Holm-Sidak的双边t检验进行事后分析表明，在α(t(234)＝4.155，p<0.0001)、低β(t(234)＝2.896，p＝0.0041)和高β(F(2,234)＝2.757，p＝0.0063)频段，16ms的FUI表现显著优于96ms的FUI。但是，对于差的成像者，对频段(F(2,234)＝2.563，p＝0.0792)和FUI(F(2,234)＝1.647，p＝0.2007)都没有显著的主要影响。但是，因子之间存在显著的相互作用(F(2,234)＝3.343，p＝0.0370)。对差的成像者的事后分析表明，与短FUI相比，具有长FUI的低β频段提供的ERD长得多(t(234)＝2.036，p＝0.0428)。总体而言，好的成像者在短FUI的所有频段上显示出明显更强的ERD，而差的成像者在长FUI的低β频段显示出明显更大的ERD。

这项研究的主要发现如下：(i)SRT量度和BCI能力量度成反比，即，短SRT是具有高BCI能力的代名词，反之亦然；(ii)当具有本体感受反馈的操作性MI-BCI取决于参与者的BCI能力水平时，FUI的定制会影响BCI精度、ITR和感觉运动节律的下调。值得注意的是，BCI能力差的参与者每隔96ms更新一次反馈时产生更高的精度和更大的ERD，而好的成像者每隔16ms更新一次反馈时提供更高的ITR，并引发更强的ERD。

我们假设，取决于受试者的反应时间，FUI对BCI疗效的影响不同。我们发现，无论是短FUI还是长FUI，SRT都与BCI精度呈负相关。而且，96ms FUI的SRT和精度之间的拟合回归线的斜率显示，对于好的成像者，其偏移略低，而对于差的成像者，其偏移更为明显。如果增大FUI对好的成像者和差的成像者具有对称效果，我们应该已经观察到96ms FUI的回归线斜率的对称偏移。因此，似乎将FUI从16ms增大到96ms改善了差的成像者的BCI疗效，但在较小的程度上降低了好的成像者的疗效。因此，这可能意味着拥有较高BCI能力水平的人会从短FUI中受益更多。但是，长FUI没有显著降低他们的BCI疗效。相反，BCI较低的差的成像者似乎对FUI延长有正面回应。

因此，上述研究表明，根据参与者的FUI为16ms的在线BCI精度，可以将他们分成差的成像者和好的成像者，这与他们的反应时间相关。提出这样的假设：差的成像者反应时间慢，无法以较小的FUI处理反馈，因此最佳结果较少。因此，测量健肢的反应时间可用来为使用者设置下限(最小)FUI值。因此，在一些实施例中，多个试验200被分成多个阶段290，每个阶段包括多个试验。然后，该方法还包括以下步骤：如图2所示，在执行一项或多项试验之前测量使用者健肢的反应时间，其中在试验(或阶段)220、240和260之前测量反应时间210、230和250。然后，一个或多个试验的FUI间隔基于所测得的反应时间，其基础是反应时间与FUI值呈正相关，从而使得反应时间越短生成的FUI越短。例如，图3A是示出根据实施例的在一系列试验中反馈更新间隔(FUI)的变化的示意图。在该图中，FUI值绘制在左y轴上，时间绘制在x轴上。实线302表示在作为治疗过程200的一部分的多个阶段290使用的随时间变化的FUI值。图3B示出FUI和反应时间之间的相关性。在该图中，虚线303表示患者健肢的反应时间以及与反应时间相关的最小FUI值，在该实施例中其是线性的且显示正相关(即，慢速或快速的反应时间与低的最低FUI值相关联)。因此，在每个阶段之前，可以测量反应时间，并使用(诸如基于校准试验或先前研究的)映射功能或分类器将其映射到FUI值。在一些实施例中，为一个或多个试验确定FUI包括：将反应时间分类为多个反应时间范围之一，其中每个反应时间范围具有关联的FUI值。

在一些实施例中，对于所有的试验都使用相同的FUI值(即，进行反应时间测量，并根据反应时间测量为所有试验选择FUI)。在其它实施例中，FUI值从初始FUI值减小到最小FUI值，其中基于健肢的反应时间测量来确定(或设定)最小值。可以基于使用了改善的量度的测量进度进行减小。在一些实施例中，如果使用者疗效在再次降低之前下降，则FUI值可以在治疗过程中增加(即，减小不是严格的逐步减小，而且可以在值之间反弹)。在治疗过程中可以进行多次反应时间测量，如果反应时间增加，则可以减少最小值。

患肢的反应时间测量也可用来确定治疗过程开始时的初始FUI值。这样的反应时间测量可以表明患者的损伤程度。随后的FUI减小可以基于改善的量度或患肢的反应时间的测量。在一些实施例中，该方法还包括以下步骤：测量个体患肢的反应时间，如果反应时间大于第一阈值370，则将FUI间隔初始设置为在100ms与上限值之间的初始值，如设置为1000ms，然后在一系列阶段中逐步减小或缩短FUI，直到FUI小于100ms。如果患肢没有残余运动功能而因此无法进行反应时间测量，则将FUI值设置为最大值。在治疗过程中，可以对患肢的反应时间进行反复测量，并逐步减小FUI值。改善的量度可以在一个或多个阶段后获得，如果它超过某个阈值，则会减小FUI，直到FUI值小于100ms。这时，可以使用未受损肢体反应时间的测量值来确定要使用的最小FUI值。在图3B中，长虚线304表示患者的患肢的反应时间和相关联的FUI值，在该实施例中，其是线性的且显示正相关(即，缓慢或较大的反应时间与较大的初始FUI值相关联)。

可以获得各种反应时间测量。在一些实施例中，反应时间测量可以是简单反应时间测量(SRT)，其中向使用者提供单个刺激并且记录响应于刺激所花费的时间。在其它实施例中，可以使用选择反应时间测量(CRT)，其中向使用者提供多个刺激。在每种情况下，一个或多个刺激的形式可以是视觉的、听觉的、触觉的、本体感觉的或其任何组合。

在一个实施例中，反应时间可以被计算为：在最长500ms的时间窗口内，刺激暴露时间与在目标肌肉的肌电图(EMG)信号的幅度中观察到显著增加或在绝对或平方EMG信号的曲线之下的区域中观察到显著变化的起始时间之间的差。在另一种方法中，对于那些具有残余运动功能的患者，当他们接受一个或多个刺激时，可以要求他们按下/松开一个按钮(对于SRT)或多个按钮中的一个(对于CRT)。在另一种方法中，患者可以在每个手指上戴上特定的指环，每个指环都可以被振动或被电刺激，而且要求患者在被振动或被电刺激的指环中移动手指。反应时间的测量可以对患肢和健肢进行，而且可以用来提供中风恢复(即，改善)的量度，并确定何时改变FUI以及改变多少。

如将在下面概述的，而且不受理论的束缚，据信对于某些患者，他们的初始损伤导致不能进行赫布学习，因此，初始试验试图通过操作性学习306(即，反复执行一个动作)来提高患者的能力。FUI逐步减小，而且一旦反应时间降至阈值307以下，FUI就会降至100ms以下，以使赫布学习308发生。如上所述，可以在一个阶段(或试验)期间或之后获得改善的量度，并用于确定是否在下一阶段(或试验)中减小FUI。在一个实施例中，如果改善的量度超过阈值(例如，指示了显著改善)，则减小FUI值。可以使用一系列改善的量度。如上所述，可以在治疗过程中(例如，每个阶段后，每5个阶段后或每周后等)测量患肢的反应时间，并将其与初始值进行比较以确定绝对改善，或通过最近的测量以确定相对改善。健肢的反应时间测量可用作对照测量。

在另一个实施例中，改善的量度可以基于执行任务的精度。例如，可以计算出在一个测试轮次中，使用者能够达到某种运动的阈值水平(如，使用运动想象将他们的肢体从弯曲位置延伸到伸展位置)的次数。如果它超过阈值(例如75％)，则减小FUI值。

在另一个实施例中，事件相关去同步(ERD)的大小可以用于获得改善的量度。在该实施例中，一个轮次中的连续试验中散布着放松试验，在放松试验期间，使用者不想象移动身体部位。在一个轮次中的MI试验和放松试验期间记录ERD时间，并根据该轮次中MI试验和放松试验的频谱功率之间的差异来计算改善的量度(ERD)。在一个实施例中，可以使用MI试验和放松试验作为两组来计算ITR(公式11)，而在另一实施例中，可以使用MI试验与放松试验的ERD百分比差(公式12)。

在一些实施例中，放松试验仅仅是使用者什么都不做，或者被要求什么都不做或冥想(如专注于呼吸)时的时间。在其它实施例中，执行类似于MI试验的放松试验，其中使用者基于检测到的放松来观看矫形器(或其它反馈输出设备)移动。附加地或替代地，可以提供听觉反馈。处理来自传感器的信号(例如EEG信号)，这些传感器用来记录某个FUI下的试验期间内的大脑的电/磁活动或大脑的新陈代谢。进行该处理以确定在采样窗口内是否形成了MI(执行所指示的动作的意图)。如果形成了放松，则生成BCI输出信号，通过输出设备提供视觉反馈。例如，在一个实施例中，相同的矫形器(不涉及任何身体部位)在使用者的视野内，如果检测到或确定执行了放松任务，则在放松试验期间反复伸展矫形器。然后，公式11或12可用于确定改善的量度，并与阈值(例如，通过校准或其它试验获得的阈值)进行比较。成功的松弛试验的次数也可以用作精度的量度。

在另一个实施例中，改善的量度包括对使用者的活动运动诱发电位(MEP)进行多次测量。这可以包括获得活动MEP的多次测量，其中每次测量包括向使用者提供听觉刺激以指示他们伸出手指，然后测量手指伸出力的大小。例如，可以使用基于应变仪的系统，其中通过集成到设备中的应变仪将力转换为电压，然后采样和保持电路对所测得的信号进行调节并将其传输到PC或任何其它处理器如嵌入式系统。向使用者提供反馈，指示所施加的力的大小以及所测得的手指伸展力是否在所期望的范围内。在一个实施例中，PC或处理设备上的软件程序使用所测得的信号，通过在屏幕上向患者显示实时视觉反馈，引导患者产生预期大小的力，在屏幕上光标垂直移动(被实时更新)，且所期望的区域位于两条水平线之间。在一个实施例中，所期望的范围在10～10000克力之间，更优选地在10～1000克力之间，而且可以基于患者的具体状况(损伤程度)选择患者的最佳范围。

一旦力的大小落入预期的(或所期望的)范围内，程序就会触发经颅磁刺激仪刺激目标肌肉。同时，它触发EMG放大器开始记录，并在屏幕上显示所记录的活动运动诱发电位(MEP)。接着，它计算活动MEP信号的峰谷值，并将其保存为该特定试验的MEP。然后可以获得使用多个峰谷值的平均活动MEP的估计值。可以使用鲁棒的估计量(中值、截尾均值、加权均值等)。在一个实施例中，每个阶段的平均活动MEP被定义为15次连续试验的平均值。在一些实施例中，活动MEP和MEP的变化可以用作反应时间测量的替代方案，以确定FUI或确定何时改变FUI。在一些实施例中，活动MEP可以与反应时间测量一起使用。

进行了一项研究，以测试对中风患者进行BCI培训后，比通常短的反馈更新间隔对行为和神经生理量度的影响。在训练过程中，用作主要的行为量度的ARAT评分显示出前所未有的增长(超过30％)，而在BCI培训的早期和后期，包括MEP和MVC在内的神经生理学量度显示出明显的变化。

纳入标准：(1)处于中风的慢性稳定阶段，即，中风后至少六个月；(2)手臂的运动能力受损，即，使用手臂动作研究测试(ARAT)评分进行筛查，其评分低于54，满分为57；3)具有完整的认知功能，即，通过使用小精神状态检查(MMSE)评分进行筛选，其评分超过26，满分为30；(4)可以独立移动，即，有或没有助行器；(5)没有任何经颅磁刺激(TMS)禁忌症，即，使用TMS成人安全筛查(TASS)问卷进行筛选；(6)他们的手臂和手部肌肉没有过分的张力，即，通过使用改良的Ashworth测试评分对它们进行筛选，其少于四分之三；(7)具有执行生动的运动想象的能力，即，通过将其在基于运动想象的BCI系统中运行的精度进行筛选，达到70％以上；(8)具有完整的本体感觉，即，通过筛选他们对七个聚苯乙烯球的尺寸进行比较的盲目判断，其精度超过90％。现在将显示一名65岁的男性患者的结果，该患者在3.5年前的右半球中风。

在这项研究中，我们制定了计划，调查：(i)以从16～96ms范围中选择的FUI(16、24、48或96ms)进行神经反馈训练是否以及如何影响运动疗效，以及(ii)如果观察到这些比通常短的FUI值对行为和/或神经生理学上的任何潜在影响，调查影响持续多长时间。因此，我们做了一个特定的设置，不仅在神经反馈训练阶段记录了疗效的测量，而且还在BCI培训干预后长达5周的时间内测量了该指标。

为了实现上述目标，该研究被设计为具有ABABCC设置的原理验证研究。选定的参与者在无干预周(A)、干预周(B)和随访周(C)参加了许多指标测量(IM)。在无干预周(A)，仅在星期一、星期三和星期五进行指标测量。但是，在干预周(B)，除了与周(A)相似的指标测量外，还在每个工作日执行BCI培训阶段。然后，在随访周(C)，每周测量一次疗效指标，以调查潜在的变化持续多长时间，在最后一次神经反馈训练阶段之后的一周和五周。

这项研究为期9周，并设为ABABCC。在A周(第1周和第3周)中，仅记录疗效的量度，每周3次。在B周(第2周和第4周)中，除了每周3次记录疗效的量度外，还执行了5次神经反馈阶段，其中每个阶段的FUI值都显示在大括号中。在C周(第5周和第9周)中，仅执行了一项疗效量度的记录。在第6～8周内，执行了无记录的阶段。在第2周和第4周，BCI训练后记录所有量度(IM：指标测量，BCI：神经反馈训练课程)。

使用72通道的Refa TMSi EXG放大器(包含64个单极通道和8个双极通道)和64通道Waveguard EEG帽进行数据采集。筛选阶段表明，对于左手运动想象—对比放松试验，具有以CP4通道为中心的EEG通道的大的拉普拉斯配置的15Hz的最佳频率产生了最高确定系数(r2)。

为了使用非常短的FUI(如16ms)来应对BCI系统的实时约束，在训练阶段，仅使用了64个EEG通道中的5个(FC4、CPz、CP4、P04和TP8)来记录EEG信号。AFz通道用作接地通道。而且，一个双极通道用于记录指总伸肌(EDC)肌肉的EMG活性，以监测MI期间潜在的自愿手指伸展。头皮和记录电极之间的阻抗保持在10kQ以下。该放大器使用内置的公共平均参考算法，该算法将任何具有高阻抗的电极排除在公共平均参考计算之外。采样频率设置为1000Hz。为了消除直流失调和无关的高频元件，还应用了转折频率设置为0.1和48Hz的带通滤波器。BCI2000用作软件平台，我们对其进行了定制，以提供听觉命令，并在每个试验的整个反馈阶段同时更新伺服马达的位置。

为了提供本体感受反馈，需要两个矫形器(每只手一个)来被动地伸出四个手指。左矫形器与参与者的患病的(左)手相关联，可在MI期间提供本体感受反馈。右矫形器与患者的手无关，在放松试验中通过观察该矫形器的延伸来提供视觉反馈。每个矫形器位置均通过伺服马达(Blue Bird BMS-630)控制。Micro Maestro伺服控制器模块翻译BCI2000命令并相应地操作伺服马达。

每个阶段包括8个轮次，共20个试验(10个左手手指伸展运动想象和10个放松试验)。在中风之后，手指经常处于弯曲位置，为了获得有用的手功能，需要加强对手指伸肌的控制。因此，与我们研究健康人群的最后阶段不同，我们在此通过伸出中风患者的手指来奖励他的运动想象。图5A是根据一个实施例的BCI康复方法的一个试验的示意图，其示出了神经反馈训练阶段的时间过程。

每个试验都从t＝0s时的听觉提示开始，然后在t＝3s时是另一个听觉命令，该命令指示患者进行放松或左手手指伸展的MI。在执行3秒钟的MI/放松之后，对每个阶段根据随机和预定的FUI值，开始提供反馈，并每16/24/48/96ms更新一次(见下文)。在t＝8.5s时，试验结束，在4s的试验之间的间隔后，开始下一个试验。

根据EEG信号的最近的500ms时间窗口的频谱功率，建立了16阶自回归模型。然后将自回归模型的系数用于区分是否发生了15Hz(受试者的最佳频率)的事件相关(去)同步(ERD/ERS)。在每个FUI处，如果检测到ERD，则左矫形器会将左手的四个手指伸展到一定程度，并用本体感受反馈对MI进行奖励。但是，对于放松试验，是这样的ERS：其将右矫形器伸展很小程度，并通过观察右矫形器的伸展用视觉反馈对放松试验进行奖励。

使用手臂动作研究测试(ARAT)监控功能性变化。我们还将静息MEP、活动MEP以及MVC用作我们的次级神经生理学测试。图5B是根据一个实施例的在图5A所示的试验510的过程中，中风患者的手臂动作研究测试(ARAT)评分的图。图5C是根据一个实施例的在图5A所示的试验520的过程中，中风患者的使用EMG信号的均方根计算的最大自愿收缩(MVC)的图。图5D是根据一个实施例的在图5A所示的试验530的过程中，中风患者的静息运动诱发电位(MEP)评分的图。图5E是根据一个实施例的在图5A所示的试验540的过程中，中风患者的活动运动诱发电位(MEP)评分的图。

在BCI训练的第一周(第2周)，平均ARAT评分为40.75，与第1周的基线值(36)相比，增加了13％。第3周(未进行BCI训练)的ARAT评分达到42.5，与ARAT评分参考值36相比，增加了18％。第4周进行了另一轮BCI培训，平均ARAT评分为48，与基线值相比增加了34％。在第5周，ARAT分数显示不到2％的微小增长，达到了49分。ARAT评分的上升趋势在第5周之后发生了变化，在第9周其值稳定在49。总体而言，ARAT评分显示在1～5周内增加了36％，然后在第9周达到稳定，最大增量发生在BCI培训的第二周(第2周和第4周)。图5B展示了ARAT评分的每周平均值和标准差。

通过计算EMG信号的均方根测得的最大自发收缩(MVC)在第1周为80mV(视为参考值)。但是，在第2周，MVC下降了16％，为68mV。在第3周，MVC的下降趋势发生了变化，达到108mV，与参考值相比上升了34％。在第4周，尽管它降至91mV，而且其值变得比第3周要小，但仍比基线高14％。在第5周和第9周，它再次低于基线，分别达到72mV和67mV。总之，MVC评分仅在第3周到第4周高于基线值。图5C总结了第1周到第9周的MVC值。

在第1周测量静息MEP，结果显示为43μV。在第2周，它几乎翻了一番(增加96％)，达到84μV。然后，在第3周，它显示出最高的增长，增加了271％，变为203μV。在第4周，尽管它仍比第1周的参考值大164％，但跌至113μV。下降趋势在第5周继续，静息MEP的测量值为47μV，仅比其基线值大9％。然而，在第9周，其值上升至137μV，并显示出比其参考值大219％。总体而言，静息MEP在第2周到第3周呈上升趋势，随后在第4周到第5周呈递减趋势，最后在第9周有所上升。图5D描绘了在研究中测量的静息MEP值。

在第1周，参与者正在施加150克力，活动MEP的基线峰峰值为340μV。在第2周，活动MEP显示增加67％，达到570μV。在第3周，活动MEP值第二次上升，达到809μV，与基线值相比增加了138％。在第4周，活动MEP降至580μV，但仍比参考值大70％。在第5周和第9周继续下降，活动MEP的测量值分别为484μV和408μV，尽管它们仍分别比基线水平高42％和20％。综上所述，活动MEP在第2周到第3周周内呈上升趋势，随后在第4周到第9周内呈下降趋势。图5E显示了整个学习过程中活动MEP的趋势。

该案例研究的主要发现是，以在16～96ms范围内选择的FUI进行神经反馈训练，可能会对中风后的运动行为产生建设性的影响。所报道的ARAT评分的36％的增长为上述可能性提供了支持，该增长是在10个阶段的神经反馈训练后实现的。注意，ARAT分数的任何超过10％的增长都被认为具有临床意义。将恢复性BCI应用于具有实时本体感受反馈的中风康复的其它研究采用了更大的FUI值(例如200ms或300ms)。但是，本研究中的FUI值(16、24、48或96ms)至少比以前的研究快两倍，且得到了更好的结果。我们提出这样的假设：所采用的更短的FUI可能具有更好的神经可塑性，这在所观察到的ARAT分数的增长中得到体现。

如本文所述，BCI康复方法的实施例的重点在于，对于基于运动想象的治疗使用比通常短的反馈更新间隔(FUI)。FUI的优化尚未得到广泛研究，以前的关于使用BCI进行实时本体感受反馈的中风康复研究通常使用200～300ms范围内的FUI。与其不同，本系统的实施例使用小于100ms的更短的FUI值，它已表明在治疗过程中产生了临床上的显著改善。尽管不受理论的束缚，但据信使用更短的FUI值有利于赫布学习(即，神经可塑性)，因为以足够的速率向大脑提供了本体感受性信号(即，诱导的运动反馈信号)，以触发长期增强作用，并增强了共激活的运动神经元之间的突触功效(即，神经可塑性)，从而改善了患者的预后。

进一步的实施例还测量了患者的反应时间，并基于测得的健肢的反应时间选择最小的FUI值，即，反应时间(更快)意味着使用更短的FUI值。同样，尽管不受理论的束缚，但认为反应时间意味着患者对反馈的潜在能力，而对于反应时间相对较慢的患者，他们最初无法响应快速的反馈。因此，通过测量患者的反应时间，可以将FUI调整为针对患者的最佳值。而且，这可以反复进行，可以在治疗过程中调整FUI(即，在阶段与阶段之间进行测量，并用于针对一个阶段调整FUI)。另一个实施例测量患者的患肢的反应时间，并用于设置初始反应时间。对于许多严重受损的患者，治疗过程从100ms至1000ms范围内的常规的长FUI开始，最大的FUI基于所测得的反应时间来确定。对于没有残余运动功能的患者，将FUI设置为最大初始值。在治疗过程中，FUI逐增地缩短，直到FUI降至100ms以下。对于严重受损的患者，他们最初无法响应快速(低于100ms)的FUI间隔，因此这种方法允许在治疗的早期阶段进行操作性学习。在此初始阶段，他们会听到或看到指令，身体部位进行移动。这样可以恢复基本的运动控制，然后随着患者的改善(反应时间缩短)，患者可以过渡到100ms以下的FUI值，从而可以进行长期的赫布学习。更改FUI可以基于各种改善的量度，例如基于精度、ERD、反应时间或某种组合。该方法可以用于肢体或肢体的一部分，包括单个手指。在这些实施例中，要求患者执行特定手指或多个手指(目标手指)的运动想象，而且通过仅伸出那个手指(单个手指训练)或伸出所有目标手指来获得奖励。该方法和系统的实施例可用于任何中风后阶段，包括急性期、亚急性期和慢性期。该方法还可以用于具有类似于中风的症状或疾病的患者。

在整个说明书和所附权利要求中，除非上下文另有要求，术语“包括”、“包含”及其变化形式将被理解为暗示包括所明示的特征或一组特征，但并不排除任何其它特征或一组特征。

本领域技术人员将理解，可以使用各种技术中的任何一种来表示信息和信号。例如，在整个以上描述中可能提及的数据、指令、命令、信息、信号、位、符号和芯片，可以用电压、电流、电磁波、磁场或粒子、光场或粒子或其任何组合来表示。

信号的处理可以直接在硬件中执行，可以在由处理器执行的软件模块中执行，也可以在两者的组合中执行。对于硬件实施，可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计为执行本文所述功能的其它电子单元、或其组合内实现处理。软件模块，也称为计算机程序、计算机代码或指令，可以包含许多源代码或目标代码段或指令，而且可以位于任何计算机可读介质中，例如RAM存储器、闪存、ROM存储器、EPROM存储器、寄存器或任何合适形式的计算机可读介质。

在一个实施例中，所述处理由计算机设备30执行，该计算机设备包括一个或多个中央处理单元(CPU)、存储器和输入/输出(或通信)接口，而且可以包括图形处理单元(GPU)以及输入和输出设备。CPU可以包括输入/输出接口、算术和逻辑单元(ALU)以及控制单元和程序计数器元件。输入/输出接口可以包括用于从测压模块、开关模块、指示器模块和通信模块接收信号或数据的线路或输入。通信接口用来使用预定义的通信协议与另一设备中的通信模块进行通信，该预定义的通信协议可以是无线或有线的(例如，蓝牙、Zigbee，IEEE802.15、IEEE 802.11、TCP/IP、UDP等)。

计算设备30可以包括单个CPU(核心)或多个CPU(多个核心)或多个处理器。该计算设备可以是服务器、台式计算机或便携式计算机，而且可以使用并行处理器、矢量处理器，或者可以是分布式(云)计算设备的一部分。存储器34可操作地连接到处理器32，而且可以包括RAM和ROM组件以及二级存储组件，如固态磁盘和硬盘、闪存(SD卡)，它们可以设置在设备内部或外部。存储器可以包括使处理器执行本文描述的方法的指令。存储器可用于存储操作系统和其它软件模块或指令。处理器可以用来加载并执行保存在存储器中的软件代码、模块或指令。该计算设备可以包括更多的电子模块或板，以执行信号调节或预处理以及信号处理。该计算设备可以包括可充电电池。

如本文所使用的，术语“(项目列表)中的至少一个”是指那些项目的任何组合，包括只有一个成员。例如，“a、b或c中的至少一个”旨在涵盖：a、b、c、a-b、a-c、b-c、以及a-b-c。

在本说明书中对任何现有技术的引用并非也不应被视为是，承认或以任何方式暗示这种现有技术构成了公知常识的一部分。

本领域技术人员会理解，本发明的用途不限于所描述的一个或多个特定应用。关于本文描述或描绘的特定元件和/或特征，本发明也不局限于其优选实施方式。应当理解的是，本发明不限于所公开的一个或多个实施方式，而是能够在不背离由所附权利要求阐述和限定的范围的情况下进行各种重新排列、修改和替换。

请注意，以下权利要求仅是临时权利要求，而且被提供作为可能的权利要求的示例，而且无意于限制基于本申请的任何未来专利申请中所要求保护的范围。可以在以后的示例权利要求中添加或删除整项，以便进一步定义或重新定义范围。

Claims (28)

1.一种基于运动想象(MI)的脑机接口(BCI)康复方法，该方法包括：

执行多个试验，其中每个试验包括：

向使用者提供听觉或视觉刺激，以指示他们在试验期间内想象用身体部位执行身体动作，其中所述身体部位是患肢或患肢的一部分；

以反馈更新间隔(FUI)周期性地处理来自一个或多个传感器的一个或多个信号，所述传感器用来记录所述试验期间内的大脑的电/磁活动或者大脑代谢，其中反馈更新间隔为100ms或更小，而且，处理所述一个或多个信号是在少于所述FUI的时间内执行的并包括：

确定在采样窗口内是否形成了运动想象(MI，执行所指示的动作的意图)；以及

如果确定形成了MI以向所述使用者提供本体感受反馈，则生成BCI输出信号以致动输出设备来移动所述使用者的身体部位。

2.根据权利要求1所述的方法，还包括以下步骤：

在执行一个或多个试验之前，测量所述使用者的相应的健肢或健肢的一部分的反应时间；以及

基于所测得的反应时间为所述一个或多个试验确定所述FUI间隔，其中反应时间与FUI值正相关，从而使得反应时间越短生成的FUI越短。

3.根据权利要求2所述的方法，其中，为所述一个或多个试验确定所述FUI包括：将所述反应时间分类为多个反应时间范围之一，且每个反应时间范围具有关联的FUI值。

4.根据权利要求2或3所述的方法，其中，将所述多个试验分成多个阶段，每个阶段包括多个试验轮次，每个试验轮次包括使用相同FUI的一组连续试验，而且所述方法还包括以下步骤：

在一个阶段之后获得改善的量度；以及

如果所述改善的量度超过改善阈值，则减小下一阶段的所述FUI值，直到所述FUI值达到下限，其中所述下限是从所测得的反应时间确定的。

5.根据权利要求1至4中任一项所述的方法，其中，将所述多个试验分成多个阶段，每个阶段包括多个试验轮次，每个试验轮次包括使用相同FUI的一组连续试验，而且该方法还包括以下步骤：

如果在所述患肢或患肢的一部分中存在残余运动功能且所测得的反应时间大于第一阈值，则测量所述使用者的所述患肢或患肢的一部分的反应时间，然后将所述FUI间隔设置为介于100ms和上限值之间的初始FUI值；

如果在所述患肢或患肢的一部分中没有残余运动功能，则将所述FUI值设为所述上限值，而且该方法还包括：在一个或多个阶段之后获得改善的量度，如果所述改善的量度达到阈值，则减小所述FUI，直到所述FUI值小于100ms。

6.根据权利要求4所述的方法，其中，现在被标记为运动想象试验的一个轮次中的连续试验中散布着放松试验，在所述放松试验中所述使用者不想象移动所述身体部位，且在一个试验轮次中基于所述运动想象试验和放松试验的频谱功率之间的差异计算事件相关的去同步时间(ERD)，所述改善的量度之一基于所述试验轮次中的ERD。

7.根据权利要求5所述的方法，其中，每个放松试验包括：

向使用者提供听觉或视觉刺激，以指示他们通过执行放松任务进行放松；

以反馈更新间隔(FUI)周期性地处理来自一个或多个传感器的一个或多个信号，所述传感器用来记录所述试验期间内的大脑的电/磁活动或大脑代谢，其中所述反馈更新间隔为100ms或更小，而且，处理所述一个或多个信号是在少于所述FUI的时间内执行的并包括：

确定在采样窗口内是否执行了所指示的放松；以及

如果确定执行了所述放松任务，则生成BCI输出信号以移动所述输出设备的未接合的视觉反馈组件和/或向所述使用者提供听觉反馈。

8.根据权利要求5所述的方法，其中，所述改善的量度基于精度，所述精度基于所述使用者超过所述身体部位的运动的阈值水平的试验的次数。

9.根据权利要求4至8中的任一项所述的方法，其中，获得所述改善的量度包括：对所述使用者的活动运动诱发电位(MEP)进行多次测量。

10.根据权利要求9所述的方法，其中，所述身体部位是手，且获得所述改善的量度包括：

获得活动MEP的多次测量，其中每次测量包括：

获得活动MEP的多次测量，其中每次测量包括：

向使用者提供听觉刺激，以指示他们伸出一个或多个手指；

测量所述一个或多个手指的手指伸展力的大小；

向所述使用者提供反馈，指示所测得的手指伸展力的大小和所期望的范围；

当所测得的手指伸展力落入所述所期望的范围时，触发经颅磁刺激仪来刺激所述使用者的目标肌肉，并触发肌电图(EMG)放大器来记录活动MEP；

测量所述活动MEP的峰谷值；

使用多个所述峰谷值获得平均活动MEP的估计值。

11.根据权利要求10所述的方法，其中，所述所期望的范围在10～10000克力之间。

12.根据权利要求2至11中任一项所述的方法，其中，测量反应时间包括：使用简单反应时间测试来测量反应时间，在所述简单反应时间测试中向使用者提供一个刺激，其中所述刺激可以是视觉的、听觉的、触觉的、本体感觉的或其任何组合。

13.根据权利要求2至11中任一项所述的方法，其中，测量反应时间包括：使用选择反应时间测试来测量反应时间，在所述选择反应时间测试中向使用者提供多个刺激，其中所述刺激可以是视觉的、听觉的、触觉的、本体感觉的或其任何组合。

14.根据权利要求12或13所述的方法，其中，所述反应时间被计算为：在以下的一项或多项内，一个刺激或多个刺激的暴露时间与在所述一个刺激或多个刺激的暴露时间之后的最多1000ms的时间窗口内观察到显著增加的起始时间之间的差：

所述目标肌肉的肌电图(EMG)信号的幅度；

所述目标肌肉的绝对EMG信号曲线下方的区域；或者

所述目标肌肉的平方EMG信号曲线下方的区域。

15.根据前述任一项权利要求所述的方法，其中，确定在采样窗口内是否形成了所指示的动作的运动想象包括：

使用所述来自一个或多个传感器的一个或多个BCI输入信号来检测运动感觉皮层中的事件相关去同步(ERD)。

16.根据权利要求15所述的方法，其中，所述来自一个或多个传感器的一个或多个信号是来自放置在所述使用者的头骨上的多个EEG传感器电极的脑电图(EEG)信号。

17.根据权利要求16所述的方法，其中，确定在采样窗口内是否形成了运动想象(MI，执行所指示的动作的意图)包括：

对所述一个或多个信号进行预处理以减少噪声和/或伪影；

对所述预处理后的一个或多个信号执行特征提取；

对所提取的特征进行后处理以改善特征分布和/或减轻冗余；以及

使用特征转换器确定所提取的特征是否指示了在所述采样窗口内形成了运动想象(MI，执行所指示的动作的意图)。

18.根据权利要求17所述的方法，其中，

使用8～30Hz带通滤波器和空间滤波器来执行预处理；

使用具有至少10阶的自回归(AR)模型或连续小波变换或快速傅里叶变换来执行特征提取；

所述特征转换器使用线性回归模型、线性判别分析、支持向量机或自适应神经模糊推理系统(ANFIS)分类器中的一个或多个，对所提取的特征进行分类，以区分在所述样本窗口内是否发生了16～30Hz(β)频段中的事件相关去同步(ERD)。

19.根据权利要求15至18中的任一项所述的方法，其中，所述采样窗口在100ms至2000ms之间(包括两端)，且恰好在开始处理所述一个或多个信号之前结束。

20.根据权利要求19所述的方法，其中，所述采样窗口在750ms至1000ms之间(包括两端)。

21.根据前述任一项权利要求所述的方法，其中，所述BCI输出信号是二进制信号，而且如果接收到第一信号，则所述输出设备逐增地移动所述身体部位，如果接收到第二信号，则所述输出设备不移动所述身体部位。

22.根据权利要求21所述的方法，其中，所述身体部位是手，所述输出设备是伺服马达控制的柔性矫形器，所述柔性矫形器用来支撑手并以一系列的逐增步骤将手指从完全弯曲的位置移动到完全伸展的位置。

23.一种基于运动想象(MI)的脑机接口(BCI)康复系统，包括：

一个或多个传感器，其用来记录试验期间内的大脑的电/磁活动或脑代谢，并生成一个或多个BCI输入信号；

计算设备，其包括输出指示器装置、处理器和存储器；以及

输出设备，其与所述计算设备通信，且包括身体部分支撑件和马达，所述马达用来响应于从所述计算设备接收的一个或多个BCI输出信号而在两个位置之间逐增地移动所述身体部分支撑件，

其中，将所述BCI输入信号作为输入提供给所述计算设备，且所述存储器包括用来使所述处理器以根据权利要求1至22中任一项的方法执行多个BCI试验的指令。

24.根据权利要求23所述的系统，其中，所述用来记录试验期间内的大脑的电/磁活动或脑代谢的一个或多个传感器包括：

可穿戴设备，其包括多个脑电图(EEG)传感器电极；以及

放大器，其用来接收并放大来自多个EEG传感器电极的信号以生成一个或多个BCI输入信号。

25.根据权利要求23或24所述的系统，其中，所述身体部分是手，所述马达是伺服马达，所述身体部分支撑件是伺服马达控制的柔性矫形器，所述柔性矫形器用来支撑手并以一系列逐增步骤将手指从完全弯曲的位置移动到完全展开的位置。

26.根据权利要求23或24所述的系统，其中，所述输出设备还包括视觉反馈部件，所述视觉反馈部件包括伺服马达控制的矫形器，所述矫形器用来以一系列逐增步骤将不与身体部位接合的挠性构件从完全弯曲位置移动到完全伸展位置。

27.根据权利要求24至26中的任一项所述的系统，还包括：力传感器、经颅磁刺激仪和肌电图放大器。

28.一种计算机可读介质，包括：用于使处理器执行根据权利要求1至22中任一项所述的方法的指令。

Images