CN114191261B - 迭代学习脑控电刺激和智能支撑系统与下肢康复训练方法 - Google Patents

迭代学习脑控电刺激和智能支撑系统与下肢康复训练方法 Download PDF

Info

Publication number
CN114191261B
CN114191261B CN202111487176.0A CN202111487176A CN114191261B CN 114191261 B CN114191261 B CN 114191261B CN 202111487176 A CN202111487176 A CN 202111487176A CN 114191261 B CN114191261 B CN 114191261B
Authority
CN
China
Prior art keywords
knee joint
new
output state
electric stimulation
reference band
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
CN202111487176.0A
Other languages
English (en)
Other versions
CN114191261A (zh
Inventor
刘源
卫金泽
张宇剑
冀逢锐
黄帅飞
明东
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Publication of CN114191261A publication Critical patent/CN114191261A/zh
Application granted granted Critical
Publication of CN114191261B publication Critical patent/CN114191261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61H3/00—Appliances for aiding patients or disabled persons to walk about
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/36003—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation of motor muscles, e.g. for walking assistance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/36014—External stimulators, e.g. with patch electrodes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/36014—External stimulators, e.g. with patch electrodes
    • A61N1/36025—External stimulators, e.g. with patch electrodes for treating a mental or cerebral condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/36014—External stimulators, e.g. with patch electrodes
    • A61N1/3603—Control systems
    • A61N1/36031—Control systems using physiological parameters for adjustment
    • 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
    • A61H2201/10—Characteristics of apparatus not provided for in the preceding codes with further special therapeutic means, e.g. electrotherapy, magneto therapy or radiation therapy, chromo therapy, infrared or ultraviolet therapy
    • 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
    • A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
    • A61H2201/50—Control means thereof
    • A61H2201/5058—Sensors or detectors
    • A61H2201/5069—Angle sensors
    • 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
    • A61H2201/50—Control means thereof
    • A61H2201/5058—Sensors or detectors
    • A61H2201/5071—Pressure sensors
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Psychology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Social Psychology (AREA)
  • Pain & Pain Management (AREA)
  • Neurology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Epidemiology (AREA)
  • Psychiatry (AREA)
  • Rehabilitation Therapy (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)
  • Physiology (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明涉及一种迭代学习脑控电刺激和智能支撑系统，所述主控单元连接用于发出电刺激信号的电刺激单元、用于采集病患脑波信号的脑电单元、用于膝关节角度的膝关节单元和用于采集足部角度及步态周期的踝关节单元。本发明相比于传统康复训练，通过体外搭建的脑部到腿部的“人工神经环路”，实现了外骨骼对大脑神经系统的多模刺激强化，唤醒功能障碍的中枢与外周神经系统功能，促使患者积极参与康复训练，实现了患者神经与运动功能障碍的最优化康复。

Description

迭代学习脑控电刺激和智能支撑系统与下肢康复训练方法
技术领域
本发明属于脑卒中患者康复器材控制技术领域，涉及一种康复训练的检测训练方法，尤其是一种迭代学习脑控电刺激和智能支撑系统与下肢康复训练方法。
背景技术
脑卒中(cerebral stroke)是一种急性脑血管疾病，其会造成运动障碍，比如行走姿势或行走姿态与正常人不同，而上述不同不仅降低了病患的生活质量，还会使病患因为他人过多的注视或歧视产生抑郁或丧失生活信心等心理问题。目前，较常用的行走康复训练器材包括平行杠、手杖、助行车、助行架等，但上述设备属于辅助性器材，其主要起到辅助支撑的作用，避免病患因失衡而摔倒的问题。随着科技的发展，脑卒中病患可以使用助行机器人进行康复训练，助行机器人酷似人体下肢，腰部和腿部分别设有固定带，病患可以通过控制器控制机器人前进的速度，使机器人能模拟自然的行走步态和行走姿势，由此实现重塑病患行走能力的目的。
上述助行机器人的腿部运动通过固定带带动病患的腿部随之运动，仅能机械性的完成行走的模拟。而从人体运动的过程来说，应该是人脑产生运动的脑电信号，再由神经系统传递到腿部的肌肉群，由肌肉群中各位置的肌肉协同运动来完成伸腿、迈步、落地等动作，再由人脑对腿部状态进行判断来完成一些如平衡等辅助动作，也就是说，采用助行机器人行走时，仅是一个带动腿部运动的过程，腿部仅参与了运动，而减少了腿部与人脑之间的互动过程，这样不利于人脑内因脑卒中而损伤的神经系统的康复训练。
发明内容
本发明旨在克服现有技术不足，提供一种迭代学习脑控电刺激和智能支撑系统。首先，通过脑电信号采集来使人脑在腿部运动时关注运动过程，利用病患不断的运动想象来训练脑部机能以及解码人脑的运动意图，促使受损运动传导回路的修复或重建；另外，通过膝关节角度传感器和惯性测量传感器的输出值的误差对电刺激信号进行调节，以使肌肉控制符合正常行走时的状态。
本发明采取的技术方案是：
一种迭代学习脑控电刺激和智能支撑系统，包括下肢外骨骼和主控单元，所述下肢外骨骼穿戴在病患下肢，其特征在于：所述主控单元连接用于发出电刺激信号的电刺激单元、用于采集病患脑波信号的脑电单元、用于膝关节角度的膝关节单元和用于采集足部角度及步态周期的踝关节单元。
进一步的：所述电刺激单元为两个且分别向病患两侧下肢发出电刺激信号；
每个电刺激单元包括电刺激控制模块、电刺激模块和电极组，电刺激控制模块接收主控单元的输出信号并通过电刺激模块和贴覆在病患下肢的电极组向病患下肢发出电刺激信号。
进一步的：所述脑电单元包括穿戴在病患头部的脑电帽和脑电放大模块，脑电帽的输出信号经过脑电放大模块处理后输送至主控单元。
进一步的：所述膝关节单元为两个且分别检测病患两侧下肢的膝关节角度；
每个膝关节单元包括膝关节控制模块和膝关节角度传感器，膝关节角度传感器的输出信号经过膝关节控制模块处理后输送至主控单元，膝关节控制模块接收主控单元的输出信号并向下肢外骨骼的膝关节制动单元输出信号。
进一步的：所述踝关节单元为两个且分别检测病患两侧下肢的踝关节角度及步态周期；
每个踝关节单元包括踝关节控制模块、足底压力传感器和惯性测量传感器，足底压力传感器和惯性测量传感器的输出信号经过踝关节控制模块处理后输送至主控单元。
进一步的：足底压力传感器设置在下肢外骨骼中病患的足部能够踩踏的部位，惯性测量传感器设置在下肢外骨骼中随着病患的足部摆转的部位。
本发明的另一个目的是提供一种基于迭代学习的下肢康复训练方法，
所述训练方法包括并行的输出状态处理过程和新电刺激信号处理过程：
所述输出状态处理过程包括以下步骤：
⑴病患穿戴下肢外骨骼行走，行走过程中病患可以处于运动想象状态、空闲状态或其他状态；
⑵主控单元接收病患的脑波信号并计算出注意力输出状态和运动想象输出状态；
⑶重复步骤⑴-⑵；
所述新电刺激信号处理过程包括以下步骤：
⑴计算上一个步态周期的膝关节角度误差和足部角度误差；
⑵两个误差处理后作为下一步态周期的针对大腿的电刺激信号的调节值和小腿的电刺激信号的调节值；
⑶每个调节值与上一个步态周期内同一时刻的电刺激信号运算后作为下一步态周期的同一时刻的新电刺激信号；
⑷下一步态周期开始后，第一个需要施加新电刺激信号的时刻到达时，读取当前的注意力输出状态和运动想象输出状态并分别与二者的阈值进行比较；
⑸当注意力输出状态和运动想象输出状态均大于各自阈值时，则向对应的肌肉输出新电刺激信号，跳到步骤⑹；
否则，跳到步骤⑹；
⑹当下一个需要施加新电刺激信号的时刻到达时，读取当前的注意力输出状态和运动想象输出状态并分别与二者的阈值进行比较，跳到步骤⑸；
优选的方案是：
所述注意力输出状态的计算过程是：
⑴采集脑波信号，重采样至250Hz；
⑵使用H∞算法除去眼伪影；
⑶利用最大视觉阀值对每个通道数据进行标准化处理；
⑷噪声通道滤除；
⑸50Hz陷波滤波、带通滤波、公共平均参考处理；
⑹最大熵法计算30-45Hz和55-90Hz波段的功率谱密度；
⑺LDA分类，输出注意力输出状态值；
优选的方案是：
所述运动想象输出状态的计算过程是：
⑴采集脑波信号，重采样至250Hz；
⑵使用H∞算法除去眼伪影；
⑶利用最大视觉阀值对每个通道数据进行标准化处理；
⑷50Hz陷波滤波、带通滤波、公共平均参考处理；
⑸提取5-10Hz、10-15Hz、15-20Hz、20-25Hz的数据；
⑹采取公共空间模式算法提取特征；
⑺LDA分类，输出运动想象输出状态值。
进一步的：
所述膝关节角度误差的计算过程是：
⑴上一个步态周期结束时，上一个步态周期中所有膝关节角度变化的采集数据绘制出膝关节角度的实际输出曲线；
⑵将实际输出曲线与标准参考带进行动态时间扭曲运算，得到最优路径图；
⑶按照最优路径图中横竖坐标的对应关系，实际输出曲线的每个点对应标准参考带上的一个点，该一个点的上限和下限的数值作为新的膝关节角度参考带与该一个点对应的点的上限和下限的数值；
⑷新的膝关节角度参考带包括新的膝关节角度参考带上限曲线、下限曲线和二者之间的区域；
⑸上一个步态周期内膝关节角度变化的多个采样点的每个采集数据与新的膝关节角度参考带对应时刻的上限和下限进行比较，得到上一个步态周期内膝关节角度每个采样点的误差。
进一步的：
所述足部角度误差的计算过程是：
⑴上一个步态周期结束时，上一个步态周期中所有足部角度变化的采集数据绘制出足部角度的实际输出曲线；
⑵将实际输出曲线与标准参考带进行动态时间扭曲运算，得到最优路径图；
⑶按照最优路径图中横竖坐标的对应关系，实际输出曲线的每个点对应标准参考带上的一个点，该一个点的上限和下限的数值作为新的足部角度参考带与该一个点对应的点的上限和下限的数值；
⑷新的足部角度参考带包括新的足部角度参考带上限曲线、下限曲线和二者之间的区域；
⑸上一个步态周期内足部角度变化的多个采样点的每个采集数据与新的足部角度参考带对应时刻的上限和下限进行比较，得到上一个步态周期内足部角度每个采样点的误差。
本发明的优点和积极效果是：
本发明中，通过脑电信号采集来使人脑在腿部运动时关注运动过程，利用病患不断的运动想象来训练脑部机能以及解码人脑的运动意图，促使受损运动传导回路的修复或重建；通过膝关节角度传感器和惯性测量传感器的输出值的误差对电刺激信号进行调节，以使肌肉控制符合正常行走时的状态；相比于传统康复训练，通过体外搭建的脑部到腿部的“人工神经环路”，实现了外骨骼对大脑神经系统的多模刺激强化，唤醒功能障碍的中枢与外周神经系统功能，促使患者积极参与康复训练，实现了患者神经与运动功能障碍的最优化康复。
附图说明
图1为本发明的控制原理图；
图2为脑电极的分布图；
图3为训练数据集采集过程；
图4为注意力状态和运动想象状态的计算流程图；
图5为足托压力传感器的示意图；
图6为一个步态周期中的四个阶段；
图7为正常人行走时产生的膝关节角度标准参考带和足部角度标准参考带；
图8为动态时间扭曲运算后的最优路径图；
图9为电刺激肌肉部位图；
图10为迭代学习过程。
具体实施方式
下面对本发明通过实施例作进一步说明,但不仅限于本实施例。实施例中未注明具体条件的实验方法,通常按照常规条件以及手册中所述的条件,或按照制造厂商所建议的条件所用的通用设备、材料、试剂等,如无特殊说明,均可从商业途径得到。
一种迭代学习脑控电刺激和智能支撑系统，包括下肢外骨骼和主控单元，所述下肢外骨骼穿戴在病患下肢，其特征在于：所述主控单元连接用于发出电刺激信号的电刺激单元、用于采集病患脑波信号的脑电单元、用于膝关节角度的膝关节单元和用于采集足部角度及步态周期的踝关节单元。
主控单元采用Raspberry Pi 4B系统，是一款基于ARM的微型电脑主板,体积虽小，但具有计算机的所有基本功能。芯片采用BCM2711,频率是1.5GHz；主板上有2个USB2.0接口、2个USB3.0接口、2个Micro HDMI视频输出接口，40个GPI0接口，1个MicroSD卡插槽,并配有WiFi模块和蓝牙模块可以和上位机直接通讯。中间单元、电刺激单元、膝关节模块和踝关节单元均以STM32F103C8T6单片机为核心。
所述电刺激单元为两个且分别向病患两侧下肢发出电刺激信号；每个电刺激单元包括电刺激控制模块、电刺激模块和电极组，电刺激控制模块接收主控单元通过中间单元输送的输出信号并通过电刺激模块和贴覆在病患下肢的电极组向病患下肢发出电刺激信号。电刺激模块具有多个电刺激输出通道，电刺激的参数为：频率：1～100Hz、脉宽：0～500us、幅值：0～80mA。
所述脑电单元包括穿戴在病患头部的脑电帽和脑电放大模块，脑电帽的输出信号经过脑电放大模块处理后输送至主控单元。脑电帽内设置有多通道采集电极，具体包括32通道脑电极(银/氯化银)，选择采集的27个通道为:F3、FZ、FC1、FCZ、C1、CZ、CP1、CPZ、FC5、FC3、C5、C3、CP5、CP3、P3、PZ、F4、FC2、FC4、FC6、C2、C4、CP2、CP4、C6、CP6、P4。在眼旁放置四个电极记录眼电图，接地和参考电极分别位于右和左耳垂，采样频率为1000Hz。电极的表面涂上适量的电极膏，电极放置位置参照国际标准的10-10导联分布。
脑电放大模块使用市售的产品，提供45个导联(32个单极导联，10个双极导联，3个额外导联)，其具有24位分辨率的直流耦合数字放大器系统，可以对脑皮层和深部电极的脑电生理信号进行放大和数字化处理。
所述膝关节单元为两个且分别检测病患两侧下肢的膝关节角度；每个膝关节单元包括膝关节控制模块和膝关节角度传感器，膝关节角度传感器的输出信号经过膝关节控制模块处理后由中间单元输送至主控单元，膝关节控制模块接收主控单元通过中间单元输送的输出信号并向下肢外骨骼的膝关节制动单元输出信号。
膝关节制动单元包括定子、转子，定子与大腿滑动板下端连接，转子与小腿板上端连接，定子和转子之间设置有锁紧部件和膝关节角度传感器。膝关节角度传感器选用磁编码器，进行非接触式绝对角度位置测量，传感器型号为AS5048A，14位分辨率，通过SPI通信发送角度信息。膝关节角度传感器用于检测大腿和小腿之间的夹角，锁紧部件将夹角限制在0-90度。转子可以采用磁吸、机械、电动等常见的驱动方式保持在夹角限制中的某个角度位置。
所述踝关节单元为两个且分别检测病患两侧下肢的踝关节角度及步态周期；每个踝关节单元包括踝关节控制模块、足底压力传感器和惯性测量传感器，足底压力传感器和惯性测量传感器的输出信号经过踝关节控制模块处理后由中间单元输送至主控单元。
足底压力传感器设置在下肢外骨骼中病患的足部能够踩踏的部位，惯性测量传感器设置在下肢外骨骼中随着病患的足部摆转的部位。足底压力传感器选用柔性薄膜压力传感器(FSR)作为足底压力传感器，型号为ZNX-01，基于电阻式传感器，输出电阻随着施加于传感器表面压力增大而减小，通过特定的压力-电阻关系，即可测量出压力的大小。将ZNX-01传感器置于下肢外骨骼的鞋底，即可检测出人体站立和行走时的足底压力，检测数据可用于足底压力分析。惯性测量传感器型号为JY901S，该传感器设置在病患的脚面处，可安装在足托的绑带位于病患脚面的位置。
主控单元还连接有电池单元，电池单元包括电池模块和电量检测模块，电池模块为其他单元或模块供电，电量检测模块实时采集电池模块的电压、电流信号，并将其输送至主控单元。中间单元连接人机交互单元，人机交互单元包括按键模块和手柄模块：按键模块包括电源开关和急停开关，电源开关为自锁式大电流防水按钮，急停开关为自锁式金属急停按钮；手柄模块为两个由弹簧线连接的握持在病患手里的手柄，手柄上设置有若干按键，可以预先定义这些按键按下或松开时对应的功能。
病患使用前，需要进行脑电波训练数据集的采集、步态周期划分、膝关节角度参考带以及足部角度参考带和肌肉选取。
一.脑电波训练数据集的采集是：
1.对受试者进行10组的训练，每组训练包括一系列的3个任务，如图3所示，分别是：
a.专注于行走动作的运动想象状态；
b.行走步态中的空闲状态(即行走中大脑放空)；
c.步态过程中递减计数(包含开始阶段15s的去噪数据采集)，即随机出一个处于300-400范围的数，受试者要求在心中进行-2的递减运算，如400-2，受试者就得计算一系列的减法398,396……；
该项训练的目的是让受试者专注于一项任务，以评估对步态的注意力水平。
每组任务包含6个试次，根据视觉提示完成运动过程中的放空、运动想象、倒数计数各14s/试次。
2.在步态康复训练过程中，被试的注意力不会在短时间内出现快速变化，选择0.5s为系统的一个信号时间单元，即每0.5s输出一个注意力水平的值。为了获得足够的信息，采用1s滑动窗的作为一个信号处理单元，即当前0.5s数据和上一个0.5s的数据按照上一个0.5s的数据在前、当前0.5s数据在后的顺序排列方式组合在一起。
对采集的脑电信号降采样至250Hz，为了减轻与眨眼相关的伪影，采用了H∞算法。
3.避免受试者在训练和测试实验之间的脑电电压变化影响分类的准确性。标准化过程中采用最大视觉阈值(MV)。在训练模型中，对于每个电极，根据其电压对每个信号处理单元进行更新。
其中，i代表通道数；L为样本长度，将一个时间单元(0.5s)分成多少个样本(降采样频率为250Hz，L为125个数据)；N表示N个信息处理单元；Vi t表示电极i处的电位和时间点t处的电位；m表示时间单元(10s的数据，m＝1、2、3、4……)。
某一时刻的标准电压：
其中Vi(t)是原始的脑电图信号电极i；MVj是通道j的MV阈值。
步骤3处理后的数据分别进入注意立范式分类模型建立的处理过程(步骤4)和运动想象范式分类模型建立的处理过程(步骤5)。
4.注意力范式分类模型的建立。
⑴噪声通道滤除：对注意力范式下27个脑电通道继续检测信号中是否存在残余噪声，如果一个信号处理单元中(每一秒的采样值)MV值＞150μV、瞬时电极峰度＞15μV或谱功率超过14μV2的通道认为是噪声通道，予以去除。
噪声通道滤除MV值＞150μV(运用最大阈值，这些值代表每个时期测量到的最大振幅)；电极峰度＞15μV(它被广泛用于检测与眨眼和类似低频电位有关的脑电图信号的意外变化，阈值的选取是基于SV值)；功率谱＞14μV2，γ波段功率与选择性注意机制的变化有关，但它也受到肌电图信号的调节(通常是由那些头皮附近区域产生的，如咬紧牙关或面部扭曲)。然而，与脑电图信号相比，肌电图的影响可以很容易地区分，因为它在γ波段产生了显著的功率变化。
⑵采用50Hz陷波滤波器、带通滤波、公共平均参考(CAR)的去噪处理。
⑶采用最大熵方法(PMEM)对标准化信号进行自回归谱分析，这种方法突出显示与最高熵相关的光谱成分，计算每个通道的30-45Hz和65-90Hz波段的功率谱密度，作为各个通道的特征。
⑷使用线性判别分析(LDA)算法对特征进行二分类，以建立对运动想象高低注意力的注意力二分类模型。
上述注意力二分类模型中，对应训练集中行走过程中运动想象高注意力时，输出状态1，对应训练集中行走过程中运动想象低注意力时，输出状态0。
5.运动想象范式分类模型的建立。
⑴采用50Hz陷波滤波器、带通滤波、公共平均参考的去噪处理。
⑵对运动相关的中央电极Fz、FC1、FCz、FC2、C1、Cz、C2、CP1、CPz和CP2通道提取5-10Hz、10-15Hz、15-20Hz、20-25Hz的数据。
⑶采取公共空间模式(CSP算法)的方法创建一个最优的公共空间滤波器，得到4个频段带的特征。
⑷使用线性判别分析(LDA)算法对特征进行二分类，以建立是否进行运动想象的运动想象二分类。
上述运动想象二分类模型中，对应于训练集中行走过程中进行运动想象时，输出状态1，在行走过程中空闲状态或递减计数时，输出状态0。
6.为减小分类错误对判断的影响，选择10个上述信息单元作为一个滑动窗口，即对10个信息单元的运动想象范式的输出和注意力水平范式的输出求平均并做出控制决策，当运动想象和注意力水平范式的输出均大于设定的触发阈值时。比如：设置的触发阈值为0.5，当注意力水平范式的输出ATT＞0.5且运动想象范式的输出MI＞0.5，则触发外骨骼机器人给予病患相应的电刺激。
二.步态周期划分
如图5所示，足底压力传感器划分为脚掌部和脚跟部两个区域，分别设定压力鞋垫前后两个区域的阈值，超过阈值即认为该区域被触发，将步态周期划分为如图6所示的足跟触地(HS)、全脚掌着地(FF)、足跟离地(HO)和摆动相(SW)四个阶段。
如果步态周期用第一、第二、第三……第N(N为正整数)来表示，则下文中的上一个步态周期假设为第一步态周期时，那么下一个步态周期指的第二步态周期，既上一个步态周期和下一个步态周期为相邻的两个步态周期。
三.膝关节角度参考带以及足部角度参考带
获取步行过程中膝关节角度轨迹的误差以及足部角度的误差，首先要建立两处的角度参考带。采集健康受试者正常行走过程中的膝关节角度α和足对地面角度β的变化曲线，再根据该变化曲线的平均值为中心，标准差为上限和下限建立两处角度参考带。图7下方左侧为膝关节角度标准参考带，图7下方右侧为足部角度标准参考带。
四.肌肉选取
如图9所示，左侧为人体正面，右侧为人体背面。
大腿正面的股直肌上下各粘贴一个腿电极，大腿背面的腘绳肌上下各粘贴一个腿电极，该两处肌肉分别用于膝关节的伸肌和屈肌。
小腿正面的胫骨前肌上下各粘贴一个腿电极，小腿背面的腓肠肌上下各粘贴一个腿电极，该两处肌肉分别用于足背屈肌和足跖屈肌。
在使用外骨骼进行康复训练前，需测定每名使用者每块目标肌肉的电刺激强度调整范围，包括：
1.最小值/阈值：能够使肌肉产生收缩的最小电刺激强度。
2.最大值：患者能够耐受的最大电刺激强度。
上述基于迭代学习的下肢步行训练方法包括并行的输出状态处理过程和新电刺激信号处理过程：
所述输出状态处理过程包括以下步骤：
⑴病患穿戴下肢外骨骼行走，行走过程中病患可以处于运动想象状态、空闲状态或其他状态；
⑵主控单元接收病患的脑波信号并计算出注意力输出状态和运动想象输出状态；
⑶重复步骤⑴-⑵；
所述新电刺激信号处理过程包括以下步骤：
⑴计算上一个步态周期的膝关节角度误差和足部角度误差；
⑵两个误差处理后作为下一步态周期的针对大腿的电刺激信号的调节值和小腿的电刺激信号的调节值；
⑶每个调节值与上一个步态周期内同一时刻的电刺激信号运算后作为下一步态周期的同一时刻的新电刺激信号；
⑷下一步态周期开始后，第一个需要施加新电刺激信号的时刻到达时，读取当前的注意力输出状态和运动想象输出状态并分别与二者的阈值进行比较；
⑸当注意力输出状态和运动想象输出状态均大于各自阈值时，则向对应的肌肉输出新电刺激信号，跳到步骤⑹；
否则，跳到步骤⑹；
⑹当下一个需要施加新电刺激信号的时刻到达时，读取当前的注意力输出状态和运动想象输出状态并分别与二者的阈值进行比较，跳到步骤⑸。
步骤⑸提到的注意力输出状态和运动想象输出状态均大于各自阈值的含义是：
设置阈值为0.5，当注意力输出状态为1且运动想象输出状态为1，则二者均大于阈值，则给予病患的肌肉施加电刺激信号。
而任意一个输出状态为0时，则不满足电刺激信号触发的条件。
其中，上述两个过程中：
所述注意力输出状态如图4所示的计算过程是：
⑴采集脑波信号(EEG信号)，重采样至250Hz；
⑵使用H∞算法除去眼伪影；
⑶利用最大视觉阀值对每个通道数据进行标准化处理；
⑷噪声通道滤除；
⑸50Hz陷波滤波、带通滤波、公共平均参考处理；
⑹最大熵法计算30-45Hz和55-90Hz波段的功率谱密度；
⑺LDA分类，输出注意力输出状态值(1或0)。
所述运动想象输出状态如图4所示的计算过程是：
⑴采集脑波信号(EEG信号)，重采样至250Hz；
⑵使用H∞算法除去眼伪影；
⑶利用最大视觉阀值对每个通道数据进行标准化处理；
⑷50Hz陷波滤波、带通滤波、公共平均参考处理；
⑸提取5-10Hz、10-15Hz、15-20Hz、20-25Hz的数据；
⑹采取公共空间模式算法提取特征；
⑺LDA分类，输出运动想象输出状态值(1或0)。
膝关节角度误差和足部角度误差的计算，具体过程是：
膝关节处的过程是：
1.上一个步态周期结束时，上一个步态周期中所有膝关节角度变化的采集数据绘制出膝关节角度的实际输出曲线(图8中上方的横向的曲线)；
2.将实际输出曲线与标准参考带(图7下方左侧)进行动态时间扭曲(DTW)运算，得到图8从左上角延伸至右下角的最优路径图(方格条图)；
3.按照最优路径图中横竖坐标的对应关系，实际输出曲线的每个点对应标准参考带上的一个点，该一个点的上限和下限的数值作为新的膝关节角度参考带与该一个点对应的点的上限和下限的数值；
如图8所示，实际输出曲线位于横坐标，标准参考带位于竖坐标：
实际输出曲线的第1个点(最优路径图第一行横向第一个方格)对应标准参考带的第1点(最优路径图第一列竖向第一个方格)。则新参考带上、下限的第1点的数值为标准参考带第1点的上、下限的数值；
实际输出曲线的第2个点(最优路径图第一行横向第二个方格)对应标准参考带的第1点(最优路径图第一列竖向第一个方格)。则新参考带上、下限的第2点的数值为标准参考带第1点的上、下限的数值；
实际输出曲线的第3个点(最优路径图第一行横向第三个方格)对应标准参考带的第1点(最优路径图第一列竖向第一个方格)，则新参考带上、下限的第3点的数值为标准参考带第1点的上、下限的数值；
实际输出曲线的第4个点(最优路径图第一行横向第四个方格)对应标准参考带的第1点(最优路径图第一列竖向第一个方格)，则新参考带上、下限的第4点的数值为标准参考带第1点的上、下限的数值；
实际输出曲线的第5个点(最优路径图第一行横向第五个方格)对应标准参考带的第2点(最优路径图第一列竖向第二个方格)，则新参考带上、下限的第5点的数值为标准参考带第2点的上、下限的数值；
以此类推，所有点的对应关系处理完后，得到新的膝关节角度参考带上限曲线和下限曲线。
4.新的膝关节角度参考带包括新的膝关节角度参考带上限曲线、下限曲线和二者之间的区域。
5.上一个步态周期内膝关节角度变化的多个采样点的每个采集数据与新的膝关节角度参考带对应时刻的上限和下限进行比较，得到上一个步态周期内膝关节角度每个采样点的误差；
6.该误差运算后作为调整电刺激信号的调节值，对上一个步态周期内对应时刻的电刺激信号进行调节，然后调节后的结果作为下一个马上开始的步态周期内多个采样点(膝关节角度变化)对应时刻的电刺激信号。
膝关节角度误差调节的电刺激信号作用在大腿上的肌肉，用于调节膝关节的角度。
足部处的过程是：
1.上一个步态周期结束时，上一个步态周期中所有足部角度变化的采集数据绘制出足部角度的实际输出曲线(图8中上方的横向的曲线)；
2.将实际输出曲线与标准参考带(图7下方右侧)进行动态时间扭曲(DTW)运算，得到图8从左上角延伸至右下角的最优路径图(方格条图)；
3.按照最优路径图中横竖坐标的对应关系，实际输出曲线的每个点对应标准参考带上的一个点，该一个点的上限和下限的数值作为新的足部角度参考带与该一个点对应的点的上限和下限的数值；
如图8所示，实际输出曲线位于横坐标，标准参考带位于竖坐标：
实际输出曲线的第1个点(最优路径图第一行横向第一个方格)对应标准参考带的第1点(最优路径图第一列竖向第一个方格)。则新参考带上、下限的第1点的数值为标准参考带第1点的上、下限的数值；
实际输出曲线的第2个点(最优路径图第一行横向第二个方格)对应标准参考带的第1点(最优路径图第一列竖向第一个方格)。则新参考带上、下限的第2点的数值为标准参考带第1点的上、下限的数值；
实际输出曲线的第3个点(最优路径图第一行横向第三个方格)对应标准参考带的第1点(最优路径图第一列竖向第一个方格)，则新参考带上、下限的第3点的数值为标准参考带第1点的上、下限的数值；
实际输出曲线的第4个点(最优路径图第一行横向第四个方格)对应标准参考带的第1点(最优路径图第一列竖向第一个方格)，则新参考带上、下限的第4点的数值为标准参考带第1点的上、下限的数值；
实际输出曲线的第5个点(最优路径图第一行横向第五个方格)对应标准参考带的第2点(最优路径图第一列竖向第二个方格)，则新参考带上、下限的第5点的数值为标准参考带第2点的上、下限的数值；
以此类推，所有点的对应关系处理完后，得到新的膝关节角度参考带上限曲线和下限曲线。
4.新的足部角度参考带包括新的足部角度参考带上限曲线、下限曲线和二者之间的区域。
5.上一个步态周期内足部角度变化的多个采样点的每个采集数据与新的足部角度参考带对应时刻的上限和下限进行比较，得到上一个步态周期内每个采样点的误差；
6.该误差运算后作为调整电刺激信号的调节值，对上一个步态周期内对应时刻的电刺激信号进行调节，然后调节后的结果作为下一个马上开始的步态周期内多个采样点(足部角度变化)对应时刻的电刺激信号。
足部角度误差调节的电刺激信号作用在小腿上的肌肉，用于调节足部的角度。
上述膝关节处的过程和足部处的过程的步骤5中，误差的计算过程是：
1.当实际运动的膝关节角度或足部角度大于新的参考带(新的膝关节角度参考带或新的足部角度参考带)上限时，使用新的参考带(新的膝关节角度参考带或新的足部角度参考带)上限数据与实际数据做差获得误差；
2.当实际运动的膝关节角度或足部角度小于新的参考带(新的膝关节角度参考带或新的足部角度参考带)下限时，使用新的参考带(新的膝关节角度参考带或新的足部角度参考带)下限数据与实际数据做差获得误差；
3.当实际运动的膝关节角度或足部角度落在新的参考带(新的膝关节角度参考带或新的足部角度参考带)内时，认为误差为0；
计算公式为：
其中i＝1,2,3…100为步态周期中的100个采样点，ei为第i点的误差，rupper，i为新参考带上限第i点的值，rlower，i为新参考带下限第i点的值，yi为实际关节角度第i点的值。
ei对应一组膝关节角度误差或一组足部角度误差。
新电刺激信号处理过程中使用了迭代学习的方法来得到新的电刺激信号。
根据误差和上个步态周期的电刺激参数，通过迭代学习控制(ILC)的方法调整当前步态周期输出的电刺激参数，计算公式为：
uk+1(t)＝uk(t)+U(ek(t)，t)
其中，uk+1(t)为下一步态周期的电刺激控制信号；uk(t)为上一步态周期的电刺激控制信号；U(ek(t)，t)为调节值；t为步态周期中的时刻，t＝1，2，3…n。
U＝kp*error_0+ki*error_sum+kd*(error_0-error_1)
其中，U为调节值(既上一个公式的U(ek(t)，t))，kp、ki、kd为常数，分别为0.8、0.0和0.5；error_0为本次(指上一个步态周期结束时)得到的误差，error_1为上一次(指上一个步态周期之前的那个步态周期结束时)得到的误差，error_sum为误差的累计。
同样的，uk+1(t)对应一组大腿新电刺激信号和一组小腿新电刺激信号。
第一个步态周期中的电刺激信号对应在步态周期的每个阶段时可以先设为定值，然后在后面的步态周期中不断调整，直到获得与新的参考带最相近的关节角度轨迹或电刺激强度达到最大值。
本发明中，通过脑电信号采集来使人脑在腿部运动时关注运动过程，利用病患不断的运动想象来训练脑部机能以及解码人脑的运动意图，促使受损运动传导回路的修复或重建；通过膝关节角度传感器和惯性测量传感器的输出值的误差对电刺激信号进行调节，以使肌肉控制符合正常行走时的状态；相比于传统康复训练，通过体外搭建的脑部到腿部的“人工神经环路”，实现了外骨骼对大脑神经系统的多模刺激强化，唤醒功能障碍的中枢与外周神经系统功能，促使患者积极参与康复训练，实现了患者神经与运动功能障碍的最优化康复。

Claims (3)

1.一种迭代学习脑控电刺激和智能支撑系统，包括下肢外骨骼和主控单元，所述下肢外骨骼穿戴在病患下肢，其特征在于：所述主控单元连接用于发出电刺激信号的电刺激单元、用于采集病患脑波信号的脑电单元、用于膝关节角度的膝关节单元和用于采集足部角度及步态周期的踝关节单元；
所述电刺激单元为两个且分别向病患两侧下肢发出电刺激信号；每个电刺激单元包括电刺激控制模块、电刺激模块和电极组，电刺激控制模块接收主控单元的输出信号并通过电刺激模块和贴覆在病患下肢的电极组向病患下肢发出电刺激信号；
所述脑电单元包括穿戴在病患头部的脑电帽和脑电放大模块，脑电帽的输出信号经过脑电放大模块处理后输送至主控单元；
所述膝关节单元为两个且分别检测病患两侧下肢的膝关节角度；每个膝关节单元包括膝关节控制模块和膝关节角度传感器，膝关节角度传感器的输出信号经过膝关节控制模块处理后输送至主控单元，膝关节控制模块接收主控单元的输出信号并向下肢外骨骼的膝关节制动单元输出信号；
所述踝关节单元为两个且分别检测病患两侧下肢的踝关节角度及步态周期；每个踝关节单元包括踝关节控制模块、足底压力传感器和惯性测量传感器，足底压力传感器和惯性测量传感器的输出信号经过踝关节控制模块处理后输送至主控单元；
足底压力传感器设置在下肢外骨骼中病患的足部能够踩踏的部位，惯性测量传感器设置在下肢外骨骼中随着病患的足部摆转的部位；
所述支撑系统包括并行的输出状态处理过程和新电刺激信号处理过程：所述输出状态处理过程包括以下步骤：⑴病患穿戴下肢外骨骼行走，行走过程中病患可以处于运动想象状态、空闲状态或其他状态；⑵主控单元接收病患的脑波信号并计算出注意力输出状态和运动想象输出状态；⑶重复步骤⑴-⑵；
所述新电刺激信号处理过程包括以下步骤：⑴计算上一个步态周期的膝关节角度误差和足部角度误差；⑵两个误差处理后作为下一步态周期的针对大腿的电刺激信号的调节值和小腿的电刺激信号的调节值；⑶每个调节值与上一个步态周期内同一时刻的电刺激信号运算后作为下一步态周期的同一时刻的新电刺激信号；⑷下一步态周期开始后，第一个需要施加新电刺激信号的时刻到达时，读取当前的注意力输出状态和运动想象输出状态并分别与二者的阈值进行比较；⑸当注意力输出状态和运动想象输出状态均大于各自阈值时，则向对应的肌肉输出新电刺激信号，跳到步骤⑹；否则，跳到步骤⑹；⑹当下一个需要施加新电刺激信号的时刻到达时，读取当前的注意力输出状态和运动想象输出状态并分别与二者的阈值进行比较，跳到步骤⑸；所述注意力输出状态的计算过程是：⑴采集脑波信号，重采样至250Hz；⑵使用H∞算法除去眼伪影；⑶利用最大视觉阀值对每个通道数据进行标准化处理；⑷噪声通道滤除；⑸50Hz陷波滤波、带通滤波、公共平均参考处理；⑹最大熵法计算30-45Hz和55-90Hz波段的功率谱密度；⑺LDA分类，输出注意力输出状态值；所述运动想象输出状态的计算过程是：⑴采集脑波信号，重采样至250Hz；⑵使用H∞算法除去眼伪影；⑶利用最大视觉阀值对每个通道数据进行标准化处理；⑷50Hz陷波滤波、带通滤波、公共平均参考处理；⑸提取5-10Hz、10-15Hz、15-20Hz、20-25Hz的数据；⑹采取公共空间模式算法提取特征；⑺LDA分类，输出运动想象输出状态值。
2.根据权利要求1所述的一种迭代学习脑控电刺激和智能支撑系统，其特征在于：所述膝关节角度误差的计算过程是：⑴上一个步态周期结束时，上一个步态周期中所有膝关节角度变化的采集数据绘制出膝关节角度的实际输出曲线；⑵将实际输出曲线与标准参考带进行动态时间扭曲运算，得到最优路径图；⑶按照最优路径图中横竖坐标的对应关系，实际输出曲线的每个点对应标准参考带上的一个点，该一个点的上限和下限的数值作为新的膝关节角度参考带与该一个点对应的点的上限和下限的数值；⑷新的膝关节角度参考带包括新的膝关节角度参考带上限曲线、下限曲线和二者之间的区域；⑸上一个步态周期内膝关节角度变化的多个采样点的每个采集数据与新的膝关节角度参考带对应时刻的上限和下限进行比较，得到上一个步态周期内膝关节角度每个采样点的误差。
3.根据权利要求1或2所述的一种迭代学习脑控电刺激和智能支撑系统，其特征在于：所述足部角度误差的计算过程是：⑴上一个步态周期结束时，上一个步态周期中所有足部角度变化的采集数据绘制出足部角度的实际输出曲线；⑵将实际输出曲线与标准参考带进行动态时间扭曲运算，得到最优路径图；⑶按照最优路径图中横竖坐标的对应关系，实际输出曲线的每个点对应标准参考带上的一个点，该一个点的上限和下限的数值作为新的足部角度参考带与该一个点对应的点的上限和下限的数值；⑷新的足部角度参考带包括新的足部角度参考带上限曲线、下限曲线和二者之间的区域；⑸上一个步态周期内足部角度变化的多个采样点的每个采集数据与新的足部角度参考带对应时刻的上限和下限进行比较，得到上一个步态周期内足部角度每个采样点的误差。
CN202111487176.0A 2021-11-25 2021-12-07 迭代学习脑控电刺激和智能支撑系统与下肢康复训练方法 Active CN114191261B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021114137809 2021-11-25
CN202111413780 2021-11-25

Publications (2)

Publication Number Publication Date
CN114191261A CN114191261A (zh) 2022-03-18
CN114191261B true CN114191261B (zh) 2023-12-15

Family

ID=80651183

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111487147.4A Active CN114191260B (zh) 2021-11-25 2021-12-07 高度集成化脑控神经电刺激外骨骼机器人系统及控制方法
CN202111487176.0A Active CN114191261B (zh) 2021-11-25 2021-12-07 迭代学习脑控电刺激和智能支撑系统与下肢康复训练方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202111487147.4A Active CN114191260B (zh) 2021-11-25 2021-12-07 高度集成化脑控神经电刺激外骨骼机器人系统及控制方法

Country Status (1)

Country Link
CN (2) CN114191260B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115089445B (zh) * 2022-05-27 2023-08-04 同济大学 一种具有电极的下肢外骨骼装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1977997A (zh) * 2006-12-05 2007-06-13 天津大学 瘫痪病人辅助神经信道恢复系统
CN102727361A (zh) * 2012-06-29 2012-10-17 中国科学院自动化研究所 坐卧式下肢康复机器人
JP2014104549A (ja) * 2012-11-28 2014-06-09 Advanced Telecommunication Research Institute International 外骨格型ロボットおよびリハビリテーション装置
CN105708587A (zh) * 2016-01-25 2016-06-29 电子科技大学 一种运动想象模式脑机接口触发的下肢外骨骼训练方法及系统
CN105853140A (zh) * 2016-03-24 2016-08-17 西安交通大学 基于视觉运动诱发的脑控下肢主被动协同康复训练系统
CN107157705A (zh) * 2017-05-09 2017-09-15 京东方科技集团股份有限公司 康复系统和方法
CN107468486A (zh) * 2017-09-21 2017-12-15 臧大维 下肢类脑智能机械电子外骨骼及其综合控制系统
CN109589247A (zh) * 2018-10-24 2019-04-09 天津大学 一种基于脑-机-肌信息环路的助行机器人系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007138598A2 (en) * 2006-06-01 2007-12-06 Tylerton International Inc. Brain stimulation and rehabilitation
WO2012061970A1 (en) * 2010-11-08 2012-05-18 Abb Technology Ab Batteries testing and sorting system and the method thereof
ES2575255B1 (es) * 2014-11-27 2017-04-06 Consejo Superior De Investigaciones Científicas (Csic) Exoesqueleto para asistencia al movimiento humano
CN109940584A (zh) * 2019-03-25 2019-06-28 杭州程天科技发展有限公司 一种外骨骼机器人及其检测人体运动意图的检测方法
CN111821143B (zh) * 2020-07-27 2022-07-12 合肥工业大学 基于半直驱驱动器的下肢康复机器人及其控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1977997A (zh) * 2006-12-05 2007-06-13 天津大学 瘫痪病人辅助神经信道恢复系统
CN102727361A (zh) * 2012-06-29 2012-10-17 中国科学院自动化研究所 坐卧式下肢康复机器人
JP2014104549A (ja) * 2012-11-28 2014-06-09 Advanced Telecommunication Research Institute International 外骨格型ロボットおよびリハビリテーション装置
CN105708587A (zh) * 2016-01-25 2016-06-29 电子科技大学 一种运动想象模式脑机接口触发的下肢外骨骼训练方法及系统
CN105853140A (zh) * 2016-03-24 2016-08-17 西安交通大学 基于视觉运动诱发的脑控下肢主被动协同康复训练系统
CN107157705A (zh) * 2017-05-09 2017-09-15 京东方科技集团股份有限公司 康复系统和方法
CN107468486A (zh) * 2017-09-21 2017-12-15 臧大维 下肢类脑智能机械电子外骨骼及其综合控制系统
CN109589247A (zh) * 2018-10-24 2019-04-09 天津大学 一种基于脑-机-肌信息环路的助行机器人系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
脑控主被动协同刺激下肢康复训练系统研究与开发;李龙飞，曹飞帆，张鑫，梁仍昊，徐光华;西安交通大学学报;全文 *

Also Published As

Publication number Publication date
CN114191260B (zh) 2023-12-15
CN114191260A (zh) 2022-03-18
CN114191261A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
US9700439B1 (en) Identification and implementation of locomotion modes using surface electromyography
Huang et al. A strategy for identifying locomotion modes using surface electromyography
Chen et al. Locomotion mode classification using a wearable capacitive sensing system
Zheng et al. A noncontact capacitive sensing system for recognizing locomotion modes of transtibial amputees
EP2588039B1 (en) Systems and method for volitional control of jointed mechanical devices based on surface electromyography
Yin et al. Processing surface EMG signals for exoskeleton motion control
Gandolla et al. Automatic setting procedure for exoskeleton-assisted overground gait: proof of concept on stroke population
CN113576463B (zh) 肌电信号驱动的膝关节肌骨模型接触力估计方法及系统
Liu et al. A muscle synergy-inspired method of detecting human movement intentions based on wearable sensor fusion
KR101492480B1 (ko) 보행 단계에 기반한 표면 근전도 분석 시스템
KR101492478B1 (ko) 퓨전 센서를 이용한 보행 패턴 인식 시스템
CN114795831B (zh) 基于多源信息融合的运动训练设备及评价系统、方法
CN114191261B (zh) 迭代学习脑控电刺激和智能支撑系统与下肢康复训练方法
Liu et al. Joint kinematics, kinetics and muscle synergy patterns during transitions between locomotion modes
Barroso et al. Influence of the robotic exoskeleton Lokomat on the control of human gait: An electromyographic and kinematic analysis
Zhang et al. Decoding movement intent of patient with multiple sclerosis for the powered lower extremity exoskeleton
Gupta et al. Single muscle surface EMGs locomotion identification module for prosthesis control
KR101705082B1 (ko) 상하향 계단보행을 위한 근전도 신호 기반 보행단계 인식 방법
KR101603148B1 (ko) 적응적으로 특징과 채널을 선택하는 표면근전도 신호기반 보행단계 인식 방법
Ubeda et al. Single joint movement decoding from EEG in healthy and incomplete spinal cord injured subjects
CN100536958C (zh) 瘫痪病人辅助神经信道恢复系统
Negard Controlled FES-assisted gait training for hemiplegic stroke patients based on inertial sensors
Loreiro et al. Neuroprosthetic device for functional training, compensation or rehabilitation of lower limbs during gait
Prasertsakul et al. Prediction gait during ascending stair by using artificial neural networks
Boschmann et al. Accurate gait phase detection using surface electromyographic signals and support vector machines

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liu Yuan

Inventor after: Wei Jinze

Inventor after: Zhang Yujian

Inventor after: Ji Fengrui

Inventor after: Huang Shuaifei

Inventor after: Ming Dong

Inventor before: Liu Yuan

Inventor before: Zhang Yujian

Inventor before: Ji Fengrui

Inventor before: Wei Jinze

Inventor before: Huang Shuaifei

Inventor before: Ming Dong

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220318

Assignee: DATIAN MEDICAL SCIENCE ENGINEERING (TIANJIN) Co.,Ltd.

Assignor: Tianjin University

Contract record no.: X2023980039143

Denomination of invention: Iterative learning brain controlled electrical stimulation and intelligent support system and lower limb rehabilitation training methods

License type: Common License

Record date: 20230807

GR01 Patent grant
GR01 Patent grant