CN115500845A - 一种面向肢体瘫痪患者的云上脑波分析方法及系统 - Google Patents
一种面向肢体瘫痪患者的云上脑波分析方法及系统 Download PDFInfo
- Publication number
- CN115500845A CN115500845A CN202211161519.9A CN202211161519A CN115500845A CN 115500845 A CN115500845 A CN 115500845A CN 202211161519 A CN202211161519 A CN 202211161519A CN 115500845 A CN115500845 A CN 115500845A
- Authority
- CN
- China
- Prior art keywords
- training
- patient
- electroencephalogram
- pnn
- signals
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/375—Electroencephalography [EEG] using biofeedback
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/386—Accessories or supplementary instruments therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Psychology (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开了一种面向肢体瘫痪患者的云上康复训练方法,包括如下步骤:S1、获取患者脑电信号;S2、服务端接收脑电信号并预处理;S3、虚拟仿真,在系统中实时传送对应动作的画面;S4、根据仿真结果对患者身体水平以及以往训练结果进行数据分析,并最终反馈出一份动态更新的训练计划,同时,将训练结果实时传输至医生端,医生也会根据结果提出合理的康复训练意见。该方法用以解决现有技术中瘫痪患者因自身条件及财力人力等原因得不到持续性康复训练而难以达到最佳康复效果的问题,给予患者在家便可训练的便利性并针对不同患者对于视觉想象康复训练的需求,给予患者基于强化学习的模式识别和数据分析的训练计划和远程视觉引导想象训练服务。
Description
技术领域
本发明涉及运动想象技术领域,具体指一种面向肢体瘫痪患者的云上脑波分析方法及系统。
背景技术
人脑中共有大约1000亿个神经细胞,其中大脑皮质有150亿个细胞,每个神经细胞平均有10000个神经联结,它们形成了极其复杂庞大的神经细胞网络。神经细胞之间的信息传递以化学传递为主,而参与化学传递的神经递质多达50种,它们是高度复杂的脑机能活动的主要生物学基础。所以大脑包含的信息量是极为庞大的,这也导致了大脑电生理信号表现出千差万别的形态和特征,使得对其中特征信息的提取和识别问题变得非常复杂。
当人进行肢体想象活动时,大脑皮层的对应区域处于活动状态,这些区域产生的μ节律和β波的低频部分将出现幅度衰减,即事件相关去同步(event-relateddesynchronization,ERD)。在某一时刻,大脑皮层的局部区域没有受到意识模式的激励,该区域内的EEG局部成分将出现幅度的增强,即事件相关同步(event-relatedsynchronization,ERS)。基于ERD/ERS的脑-机接口系统主要是辨别运动想象思维作业的EEG信号。
脑-机接口(Brain-Computer Interface,BCI)是一种变革性的人机交互方式,旨在绕过大脑外周神经和肌肉实现大脑与外部世界的直接通信与控制,可望为严重运动残疾患者或健康人群在特定情况下提供可选的、新的通信或控制方法。基于想象(based onimagery)的BCI是一类重要的BCI,可以训练运动障碍患者,在一定程度上康复其运动功能。BCI中传统的想象任务是运动想象(Motor Imagery,MI),要求被试者以第一人称视角想象移动自己身体的某一部位或几个部位协调运动。这种动觉想象(Kinesthetic MotorImagery,KMI)任务有一定难度,需要一定量的训练,甚至存在运动想象盲,因为被试者在日常生活中习惯了自然的实际运动(即公开的或显式的运动),不习惯在心里体验实际运动过程但又要阻止运动发生的隐蔽的想象运动,导致康复训练达不到预期效果。
由此,视觉想象(Visual Imagery,VI)这种较容易完成的心理想象任务得以提出,它要求被试者以第三人称视角在大脑中清晰地看到一幅画面。由于被试者在日常生活中经常遇到该种心理想象活动,例如想象或回忆自己父母的形象、想象某个情景、想象某个运动画面等,所以患者通常不需要训练,或仅需要少量训练便可以掌握VI的训练方法。
康复训练本身就是一种周期较长的活动,患者需长时间依托医疗设备进行训练。但由于肢体瘫痪患者自身身体条件的不便,不仅长时间在医院进行专业训练要花费过多的钱力人力,而且在当前疫情影响下各种线下康复机构的暂停营业无法获得持续性的训练,因此无法根据治疗进展提供最佳的康复方案。研究发明,随着瘫痪患者治疗进程,患者在视觉想象、视觉引导等康复训练方法在训练过程中所产生的脑电信号也会随之发生改变。目前,尚未存在通过对瘫痪患者的脑电信号进行分析,进而后期可根据分析结果提供最佳的康复方案。
因此,本发明亟需一种面向肢体瘫痪患者的云上脑波分析方法,通过对患者的闹点信号进行分析,进而分析出患者当前的康复进程,从而为后期提供最佳康复方案奠定基础。
发明内容
本发明提出一种面向肢体瘫痪患者的云上脑波分析方法及系统,通过对瘫痪患者的脑波进行分析,进而为后期康复训练提供一个很好的基础,另外通过物联网技术实现信号的远程传输,从而可实施获取并分析患者的脑电信号,进而便于为患者提供该阶段最佳的康复方法。
为了解决上述技术问题,本发明的技术方案为:
一种面向肢体瘫痪患者的云上脑波分析方法,包括如下步骤:
S1、获取患者脑电信号
S1-1、通过脑电采集帽采集患者的脑电信号;
S1-2、将采集的脑电信号通过用户端经物联网发送至服务端;
S2、服务端接收脑电信号并预处理
S2-1、服务端接收到脑电信号后通过脑电信号放大器进行放大处理;
S2-2、通过PNN数据模型对脑电信号进行模式识别并建立训练集;
S2-3、通过训练集以及后续采集的生物电信号对PNN数据模型进行增强学习;
S3、虚拟仿真,在系统中实时传送对应动作的画面;虚拟仿真具体可分为两种模式:(1)事先准备康复训练对应动作的视频图像画面保存至数据库,在患者进行康复训练采集脑电信号的同时,利用所获的模式识别结果相应的读取数据库中对应的视频图像画面进行展示,需要注意的是,此模式适用但不仅限于需要对所有动作进行训练的患者;(2)系统内置利用Unity 3D建模技术实现的3D训练场景,当患者需要对某一特定动作进行训练效果检验时,可以针对性的进入某一场景进行检验。例如左右手移动物品训练时,患者可以在脑中想象手部运动驱动系统3D场景内的手进行相应的运动,具有更强的实时反馈性以达到虚拟仿真训练的效果。
S4、根据仿真结果对患者身体水平以及以往训练结果进行数据分析,并最终反馈出一份动态更新的训练计划,同时,将训练结果实时传输至医生端,医生也会根据结果提出合理的康复训练意见。具体的,首先利用上述PNN+AFC聚类算法根据患者身体水平将脑电信号分为重度瘫痪(驱动身体运动的脑电信号极弱)、康复一期(产生身体运动的脑电信号但是不连续)、康复二期(产生连续的身体运动脑电信号但是信号较健康者弱)、康复三期(产生连续且较强的身体运动脑电信号)和健康五类;其次,在后期的动态更新聚类数和聚类条件后,根据医嘱,动态制定并更新相应的基础训练计划。当患者首次进行康复训练时,根据其身体水平提供相应训练疗程的基础训练计划并记录其当前身体水平;再达到一定次数的训练后,将当前脑电模式识别结果与初始值相比(也即聚类结果是否产生变化),若未产生明显变化,则加强训练强度及周期;若产生明显变化,则改变训练模式(更换训练动作及难度)继续训练,直至达到患者预期效果。同时,医生可以根据患者后期的训练结果实时修改训练计划。
作为优选,所述步骤S1-1中,脑电采集帽所采集的是患者在康复训练状态下的脑电信号。
作为优选,所述脑电采集帽采集的是C3、Cz、C4三个通道的脑电数据。
作为优选,所述步骤S2-2中,通过PNN数据模型对放大后的脑电信号根据患者的不同生物电信号进行模式识别,最终得到反应患者的身体水平的脑电信号。
作为优选,所述步骤S2-3中增强学习的方法如下:
首先利用模糊C均值聚类算法将数据集Ω分成H个聚类,第h(h=1,…,H)个聚类拥有一个聚类中心vh,对于训练样本w∈Ω,FCM通过隶属度uh(w)表示w属于第h个聚类的程度,FCM寻找聚类中心J的目标函数如下:
其中,τ为FCM的模糊度参数,用来调整隶属度值的权重,
FCM寻找聚类中心的迭代公式如下:
之后生成PNN分类器。
作为优选,所述PNN分类器包括输入层、模式层、加和层和决策层,其分类方法如下:
(1)在输入层读取未知类别但已进行模式识别后的脑电信号,即信号向量2-范数为1,并将其向下传递;
(2)模式层具有与脑电信号的样本相同数量的模式神经元,每个神经元属于一个模式类别,假设训练集中有Km个m(m=1,…,M)类别的神经元,令wm,k表示第k个m类的训练样本,对wm,k进行标准化处理后,每个模式神经元对于输入x的输出ym,k可由下述公式给出:
其中,σm,k表示PNN中模式神经元的平滑参数;
(3)加和层神经元数量与分类类别数量相同,第m个加和神经元的输入为所有属于第m类模式神经元的输出ym,k,具体输出公式如下:
其中,L表示输入样本和训练样本维数,zm表示第m类在特征空间的一个非参数估计;
(4)决策层只包含一个决策神经元,输入为所有加和神经元的输出,决策神经元负责确定输入样本x的所属类别,具体输出公式如下:
其中,pm为第m类出现的先验概率。
作为优选,所述PNN分类器的训练方法如下:
(1)若为首次训练,便利用随机生成的初始条件执行模糊C均值聚类算法,在进行连续地分裂和融合机制后,根据获得的聚类中心建立一个新的PNN分类器;
(2)若不是首次训练,则进行训练数据集的划分:
若标签为已有脑电信号的特征向量,便利用已有聚类作为初始条件执行模糊C均值聚类算法,在进行连续地分裂和融合机制后,更新PNN分类器中已有神经元从而提高识别精度;
若标签为新增脑电信号的特征向量,同样利用已有聚类作为初始条件执行模糊C均值聚类算法,在进行连续地分裂和融合机制后,在已有PNN分类器中增加新的神经元从而增加新的分类类别;
在经历上述流程后,输出经过训练的PNN分类器。
作为优选,所述分裂和融合机制指可调节模糊聚类算法中的聚类分裂和融合机制,可调节模糊聚类算法基于FCM算法所获得的聚类,再对每个训练样本进行去聚类化以得到去聚类化”量也即动态的调整聚类数量和聚类中心,使得构造误差足够小,其中
AFC分裂机制迭代公式如下:
执行分裂机制后聚类数量加1并重新计算所有聚类的构造误差;
若max{eh}>δ,则启动分裂机制直到max{eh}<δ后转入融合机制,其中δ表示可以接收的最大构造误差;
AFC融合机制迭代公式如下:
执行融合机制后聚类数量减1并重新计算所有聚类的构造误差,若max{eh}>δ,说明此次融合造成聚类误差过大,则将聚类数量加1并撤销当次融合机制的结果后,终止融合;否则将继续进行融合。
本发明还提供了一种面向肢体瘫痪患者的云上康复训练系统,包括用户端和服务端,
用户端,用于通过脑电采集帽采集脑电信号并通过物联网技术将采集的脑电信号上传发送;
服务端,用于接收用户端上传发送的脑电信号,所述服务端包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器设备为运行所述计算机程序以执行所述的面向肢体瘫痪患者的云上脑波分析方法。
本发明具有以下的特点和有益效果:
首先,对康复训练中的瘫痪患者进行实施采集脑电信号,并利用物联网技术实现远程的信号传输,并通过后台服务端对脑电信号进行分析,根据分析结果提供当前阶段最佳的康复方案,该方法不仅可以帮助患者脱离医院等单一训练环境,节省花销,使之可以在任何时间任何地点进行训练,而且还可以实时观测自己的训练结果及身体水平,对自己的训练效果有更加直观的认知。同时,医生也可以实时监测患者的训练成果并给予合理的建议。
其次,本发明根据不同患者的现状和训练状态提供不同的训练方法,进而提供针对性的康复方法,另外,随着康复的进度实时提供提供相应的康复方法,从而在整个康复过程中形成良性正循环,以达到最佳康复效果。
最后,将机器学习、深度学习以及增强学习等人工智能技术与运动康复领域融合,实现了不同学科之间的交叉互补,推动了现有人工智能领域技术以及运动康复领域的发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明视觉想象康复训练系统结构图。
图2为本发明增强学习具体流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,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”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
本发明提供了一种面向肢体瘫痪患者的云上脑波分析方法,如图1所示,包括如下步骤:
S1、获取患者脑电信号
S1-1、通过脑电采集帽采集患者的脑电信号,其中,脑电采集帽所采集的是患者在康复训练状态下的脑电信号。
具体地,本发明主要针对肢体瘫痪患者的运动康复,因此主要采集C3、Cz、C4三个通道的脑电数据。
S1-2、将采集的脑电信号通过一用户端经物联网发送至服务端;
S2、服务端接收脑电信号并预处理
S2-1、服务端接收到脑电信号后通过脑电信号放大器进行放大处理;
S2-2、通过PNN数据模型对脑电信号进行模式识别并建立训练集。
具体的,模式识别是指利用PNN数据模型(PNN)通过机器学习训练出的数据模型对上述获得的脑电信号根据患者的不同生物电信号进行模式识别,最终得到患者的身体水平同时利用所得的脑电信号对已有模型进行增强学习。
S2-3、通过训练集以及后续采集的生物电信号对PNN数据模型进行增强学习。
对于增强学习部分,考虑PNN的不足之处在于随着训练样本的增加,PNN的“体积”会随之增大,导致需要大量内存空间储存数量庞大的模式神经元,同时执行时间随之增大。因此考虑通过聚类算法对数据进行预处理,将大量的训练样本进行聚类操作并使用聚类中心向量代替原始训练样本训练PNN以提高效率。而传统使用的模糊C均值(FCM)算法可以有效减少PNN中的神经元数量,提升数据处理能力,但是该算法在聚类过程需要对所有样本进行迭代,并不具备持续学习能力。因此考虑采用PNN以及可调节模糊聚类(AFC)对新增训练数据样本集合进行动态聚类使得分类器在保留聚类算法特性的同时拥有增强学习能力。具体的,利用现有训练集建立初始PNN分类器,在进行数据预处理后,利用AFC算法对其进行动态聚类;
具体的,如图2所示,所述步骤S2-3中增强学习的方法如下:
首先利用模糊C均值聚类算法将数据集Ω分成H个聚类,第h(h=1,…,H)个聚类拥有一个聚类中心vh,对于训练样本w∈Ω,FCM通过隶属度uh(w)表示w属于第h个聚类的程度,FCM寻找聚类中心J的目标函数如下:
其中,τ为FCM的模糊度参数,用来调整隶属度值的权重,
FCM寻找聚类中心的迭代公式如下:
之后生成PNN分类器。
其中,所述PNN分类器包括输入层、模式层、加和层和决策层,其分类方法如下:
(5)在输入层读取未知类别但已进行模式识别后的脑电信号,即信号向量2-范数为1,并将其向下传递;
(6)模式层具有与脑电信号的样本相同数量的模式神经元,每个神经元属于一个模式类别,假设训练集中有Km个m(m=1,…,M)类别的神经元,令wm,k表示第k个m类的训练样本,对wm,k进行标准化处理后,每个模式神经元对于输入x的输出ym,k可由下述公式给出:
其中,σm,k表示PNN中模式神经元的平滑参数;
(7)加和层神经元数量与分类类别数量相同,第m个加和神经元的输入为所有属于第m类模式神经元的输出ym,k,具体输出公式如下:
其中,L表示输入样本和训练样本维数,zm表示第m类在特征空间的一个非参数估计;
(8)决策层只包含一个决策神经元,输入为所有加和神经元的输出,决策神经元负责确定输入样本x的所属类别,具体输出公式如下:
其中,pm为第m类出现的先验概率。
进一步的,所述PNN分类器的训练方法如下:
(1)若为首次训练,便利用随机生成的初始条件执行模糊C均值聚类算法,在进行连续地分裂和融合机制后,根据获得的聚类中心建立一个新的PNN分类器;
(2)若不是首次训练,则进行训练数据集的划分:
若标签为已有脑电信号的特征向量,便利用已有聚类作为初始条件执行模糊C均值聚类算法,在进行连续地分裂和融合机制后,更新PNN分类器中已有神经元从而提高识别精度;
若标签为新增脑电信号的特征向量,同样利用已有聚类作为初始条件执行模糊C均值聚类算法,在进行连续地分裂和融合机制后,在已有PNN分类器中增加新的神经元从而增加新的分类类别;
在经历上述流程后,输出经过训练的PNN分类器。
进一步的,所述分裂和融合机制指可调节模糊聚类算法中的聚类分裂和融合机制,可调节模糊聚类算法基于FCM算法所获得的聚类,再对每个训练样本进行去聚类化以得到去聚类化”量也即动态的调整聚类数量和聚类中心,使得构造误差足够小,其中
AFC分裂机制迭代公式如下:
执行分裂机制后聚类数量加1并重新计算所有聚类的构造误差;
若max{eh}>δ,则启动分裂机制直到max{eh}<δ后转入融合机制,其中δ表示可以接收的最大构造误差;
AFC融合机制迭代公式如下:
执行融合机制后聚类数量减1并重新计算所有聚类的构造误差,若max{eh}>δ,说明此次融合造成聚类误差过大,则将聚类数量加1并撤销当次融合机制的结果后,终止融合;否则将继续进行融合。
综上所述,在进行连续的分裂和融合机制过程中,聚类数量和聚类中心将动态的进行改变,这种动态改变的结果使模型拥有了增强学习的能力。
S3、虚拟仿真,在系统中实时传送对应动作的画面。
虚拟仿真具体可分为两种模式:(1)事先准备康复训练对应动作的视频图像画面保存至数据库,在患者进行康复训练采集脑电信号的同时,利用所获的模式识别结果相应的读取数据库中对应的视频图像画面进行展示,需要注意的是,此模式适用但不仅限于需要对所有动作进行训练的患者;(2)系统内置利用Unity 3D建模技术实现的3D训练场景,当患者需要对某一特定动作进行训练效果检验时,可以针对性的进入某一场景进行检验。例如左右手移动物品训练时,患者可以在脑中想象手部运动驱动系统3D场景内的手进行相应的运动,具有更强的实时反馈性以达到虚拟仿真训练的效果。
S4、根据仿真结果对患者身体水平以及以往训练结果进行数据分析,并最终反馈出一份动态更新的训练计划,同时,将训练结果实时传输至医生端,医生也会根据结果提出合理的康复训练意见。具体的,首先利用上述PNN+AFC聚类算法根据患者身体水平将脑电信号分为重度瘫痪(驱动身体运动的脑电信号极弱)、康复一期(产生身体运动的脑电信号但是不连续)、康复二期(产生连续的身体运动脑电信号但是信号较健康者弱)、康复三期(产生连续且较强的身体运动脑电信号)和健康五类;其次,在后期的动态更新聚类数和聚类条件后,根据医嘱,动态制定并更新相应的基础训练计划。当患者首次进行康复训练时,根据其身体水平提供相应训练疗程的基础训练计划并记录其当前身体水平;再达到一定次数的训练后,将当前脑电模式识别结果与初始值相比(也即聚类结果是否产生变化),若未产生明显变化,则加强训练强度及周期;若产生明显变化,则改变训练模式(更换训练动作及难度)继续训练,直至达到患者预期效果。同时,医生可以根据患者后期的训练结果实时修改训练计划。
本发明还提供了一种面向肢体瘫痪患者的云上康复训练系统,如图1所示,包括客户端(用户)与服务端(云原生应用平台)。
首先,用户注册并登陆云原生应用平台后可随时随地订阅并使用应用。同时,用户使用成本较低的脑电采集帽采集脑电信号,并利用本地物联网技术将信号上传发送,平台方连接至对应物联网得到其数据并将其传输给服务端的应用内部。具体地,本发明主要针对肢体瘫痪患者的运动康复,因此主要采集C3、Cz、C4三个通道的脑电数据。
其次,脑电信号进入应用内部后进入脑电信号放大处理器进行信号放大和预处理工作。处理好的信号将同步传输至应用内部的训练服务模块。
最后,根据用户端的不同选择进行不同的操作。对于运动康复训练操作,训练服务模块将从视觉想象素材数据库调取视觉想象数据并反馈给用户(视觉想象素材数据库由开发者进行更新和完善),同时实时监测用户传输的脑电信号;
训练服务模块将脑电数据传输至基于EEG脑电信号的PNN数据模型中进行模式识别操作,模式识别过程共有两部分组成:
(1)将新增的脑电数据进行增强学习以改善原有模型,从而提高识别精度;
(2)将识别结果与之前的训练结果进行比较得出本次的训练结果后将训练结果上传至运动康复训练数据库。
对于训练计划生成操作,训练服务模块将唤醒训练计划生成模块对已有的训练结果进行数据分析,该模块将会读取运动康复训练数据库中的数据,若之前已经存在训练计划便将已有计划更新,若之前未生成过训练计划则根据现有数据生成一份适用于用户的训练计划并反馈至用户端。用户可根据应用提供的训练计划进行训练,同时应用也会实时监控用户的训练次数以及身体水平并给予合理的建议。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式包括部件进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (9)
1.一种面向肢体瘫痪患者的云上脑波分析方法,其特征在于,包括如下步骤:
S1、获取患者脑电信号
S1-1、通过脑电采集帽采集患者的脑电信号;
S1-2、将采集的脑电信号通过一用户端经物联网发送至服务端;
S2、服务端接收脑电信号并预处理
S2-1、服务端接收到脑电信号后通过脑电信号放大器进行放大处理;
S2-2、通过PNN数据模型对脑电信号进行模式识别并建立训练集;
S2-3、通过训练集以及后续采集的生物电信号对PNN数据模型进行增强学习;
S3、虚拟仿真,在系统中实时传送对应动作的画面;
S4、根据仿真结果对患者身体水平以及以往训练结果进行数据分析,并最终反馈出一份动态更新的训练计划。
2.根据权利要求1所述的面向肢体瘫痪患者的云上脑波分析方法,其特征在于,所述步骤S1-1中,脑电采集帽所采集的是患者在康复训练状态下的脑电信号。
3.根据权利要求2所述的面向肢体瘫痪患者的云上脑波分析方法,其特征在于,所述脑电采集帽采集的是C3、Cz、C4三个通道的脑电数据。
4.根据权利要求1所述的面向肢体瘫痪患者的云上脑波分析方法,其特征在于,所述步骤S2-2中,通过PNN数据模型对放大后的脑电信号根据患者的不同生物电信号进行模式识别,最终得到反应患者的身体水平的脑电信号。
6.根据权利要求5所述的面向肢体瘫痪患者的云上脑波分析方法,其特征在于,所述PNN分类器包括输入层、模式层、加和层和决策层,其分类方法如下:
(1)在输入层读取未知类别但已进行模式识别后的脑电信号,即信号向量2-范数为1,并将其向下传递;
(2)模式层具有与脑电信号的样本相同数量的模式神经元,每个神经元属于一个模式类别,假设训练集中有Km个m(m=1,…,M)类别的神经元,令wm,k表示第k个m类的训练样本,对wm,k进行标准化处理后,每个模式神经元对于输入x的输出ym,k可由下述公式给出:
其中,σm,k表示PNN中模式神经元的平滑参数;
(3)加和层神经元数量与分类类别数量相同,第m个加和神经元的输入为所有属于第m类模式神经元的输出ym,k,具体输出公式如下:
其中,L表示输入样本和训练样本维数,zm表示第m类在特征空间的一个非参数估计;
(4)决策层只包含一个决策神经元,输入为所有加和神经元的输出,决策神经元负责确定输入样本x的所属类别,具体输出公式如下:
其中,pm为第m类出现的先验概率。
7.根据权利要求6所述的面向肢体瘫痪患者的云上脑波分析方法,其特征在于,所述PNN分类器的训练方法如下:
(1)若为首次训练,便利用随机生成的初始条件执行模糊C均值聚类算法,在进行连续地分裂和融合机制后,根据获得的聚类中心建立一个新的PNN分类器;
(2)若不是首次训练,则进行训练数据集的划分:
若标签为已有脑电信号的特征向量,便利用已有聚类作为初始条件执行模糊C均值聚类算法,在进行连续地分裂和融合机制后,更新PNN分类器中已有神经元从而提高识别精度;
若标签为新增脑电信号的特征向量,同样利用已有聚类作为初始条件执行模糊C均值聚类算法,在进行连续地分裂和融合机制后,在已有PNN分类器中增加新的神经元从而增加新的分类类别;
在经历上述流程后,输出经过训练的PNN分类器。
8.根据权利要求7所述的面向肢体瘫痪患者的云上脑波分析方法,其特征在于,所述分裂和融合机制指可调节模糊聚类算法中的聚类分裂和融合机制,可调节模糊聚类算法基于FCM算法所获得的聚类,再对每个训练样本进行去聚类化以得到去聚类化”量也即动态的调整聚类数量和聚类中心,使得构造误差足够小,其中
AFC分裂机制迭代公式如下:
执行分裂机制后聚类数量加1并重新计算所有聚类的构造误差;
若max{eh}>δ,则启动分裂机制直到max{eh}<δ后转入融合机制,其中δ表示可以接收的最大构造误差;
AFC融合机制迭代公式如下:
执行融合机制后聚类数量减1并重新计算所有聚类的构造误差,若max{eh}>δ,说明此次融合造成聚类误差过大,则将聚类数量加1并撤销当次融合机制的结果后,终止融合;否则将继续进行融合。
9.一种面向肢体瘫痪患者的云上康复训练系统,其特征在于,包括用户端和服务端,
用户端,用于通过脑电采集帽采集脑电信号并通过物联网技术将采集的脑电信号上传发送;
服务端,用于接收用户端上传发送的脑电信号,所述服务端包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器被设备为运行所述计算机程序以执行权利要求1-8中任意一项所述的面向肢体瘫痪患者的云上脑波分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161519.9A CN115500845A (zh) | 2022-09-23 | 2022-09-23 | 一种面向肢体瘫痪患者的云上脑波分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161519.9A CN115500845A (zh) | 2022-09-23 | 2022-09-23 | 一种面向肢体瘫痪患者的云上脑波分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115500845A true CN115500845A (zh) | 2022-12-23 |
Family
ID=84506678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211161519.9A Pending CN115500845A (zh) | 2022-09-23 | 2022-09-23 | 一种面向肢体瘫痪患者的云上脑波分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115500845A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168805A (zh) * | 2023-01-20 | 2023-05-26 | 北京瑞帆科技有限公司 | 一种用于认知训练的思维训练装置及认知训练系统 |
-
2022
- 2022-09-23 CN CN202211161519.9A patent/CN115500845A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168805A (zh) * | 2023-01-20 | 2023-05-26 | 北京瑞帆科技有限公司 | 一种用于认知训练的思维训练装置及认知训练系统 |
CN116168805B (zh) * | 2023-01-20 | 2023-08-01 | 北京瑞帆科技有限公司 | 一种用于认知训练的思维训练装置及认知训练系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111728609B (zh) | 脑电信号的分类方法、分类模型的训练方法、装置及介质 | |
US6546378B1 (en) | Signal interpretation engine | |
CN104871160B (zh) | 用于感觉和认知剖析的系统和方法 | |
Fouad et al. | Brain computer interface: a review | |
US20100106044A1 (en) | EMG measured during controlled hand movement for biometric analysis, medical diagnosis and related analysis | |
CN110555468A (zh) | 一种联合递归图和cnn的脑电信号识别方法及系统 | |
Santamaria et al. | A two stages fuzzy logic approach for Internet of Things (IoT) wearable devices | |
Yang et al. | A novel deep learning scheme for motor imagery EEG decoding based on spatial representation fusion | |
CN110367976A (zh) | 脑电波信号检测方法、相关设备和存储介质 | |
CN112488002A (zh) | 基于n170的情绪识别方法及识别系统 | |
Abibullaev et al. | A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs | |
CN115500845A (zh) | 一种面向肢体瘫痪患者的云上脑波分析方法及系统 | |
CN114145745B (zh) | 基于图的多任务自监督情绪识别方法 | |
CN117064388A (zh) | 基于情绪识别实现精神障碍评估分析的系统 | |
Du et al. | SSVEP-based emotion recognition for IoT via multiobjective neural architecture search | |
Kumari et al. | A study on brain–computer interface: Methods and applications | |
Zheng | The digital twin in human activities: The personal digital twin | |
Nataraj et al. | Thought-actuated wheelchair navigation with communication assistance using statistical cross-correlation-based features and extreme learning machine | |
CN111897428B (zh) | 一种基于运动式脑机接口的手势识别方法 | |
Gangwar et al. | Statistical Learning for Brain–Computer Interface | |
Moein | Electrocardiogram Signal Classification and Machine Learning: Emerging Research and Opportunities: Emerging Research and Opportunities | |
Raman et al. | Review of deep learning for physiological signal-based healthcare applications | |
Graña Romay et al. | Improved Activity Recognition Combining Inertial Motion Sensors and Electroencephalogram Signals | |
Al Ajrawi et al. | A hierarchical recursive feature elimination algorithm to develop brain computer interface application of user behavior for statistical reasoning and decision making | |
Machado | Hybrid BCI based on visual and auditory stimuli |
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 |