一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法技术

本发明专利技术公开一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法，包括以下步骤：步骤1：脑电信号预处理，得到滤除噪声后的脑电信号；步骤2：改进后的OVR‑CSP算法可对滤除噪声后的多类运动想象EEG信号进行特征提取，得到每一类的运动想象脑电信号的特征，形成一维特征数据，同时将方差作为分类器的输入；步骤3：利用改造后的适应一维输入样本的CNN网络进行二次特征提取并分类。采用本发明专利技术的技术方案，更准确地判别患者的运动位置和肢体运动状态，为量表评定病患康复程度提供客观的数据支撑。

A common spatial model and deep learning method based on brain computer interface assisted rehabilitation medicine

The invention discloses a common spatial pattern and depth learning method based on the brain machine interface assisted rehabilitation medical treatment, including the following steps: Step 1: brain electrical signal preprocessing, the EEG signal after filtering noise is obtained; step 2: the improved OVR CSP algorithm can feature extraction of multi class motion imaginary EEG signals after filtering noise. The characteristics of each kind of motion picture of EEG signal are obtained, one dimension characteristic data is formed, and the variance is used as the input of the classifier; step 3: using the modified CNN network adapted to one dimension input sample, the two features are extracted and classified. By using the technical scheme of the invention, the movement position of the patient and the movement state of the limb are more accurately judged, and the objective data support is provided for the scale evaluation of the degree of the patient's rehabilitation.

【技术实现步骤摘要】
一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法
本专利技术属于康复治疗神经学科
，涉及一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法。
技术介绍
脑卒中(俗称:脑中风Stroke)，是由于脑部血管突然破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的一种常见的脑血液循环障碍性疾病。由于其发病率较高，具有极高的致残率，严重威胁人类健康。美国心脏协会(AHA)2016年心脏病与卒中统计数据更新显示，脑卒中是仅次于心脏病的全球人类健康杀手。而在我国脑卒中的发生率正以每年8.7％的速度上升，患病率及死亡率仅次于高血压位于第二，给社会和家庭带来沉重的精神压力和巨大的经济负担。当前从治疗手段分析，国内外脑卒中康复系统主要聚焦于临床康复训练系统与。临床康复训练系统多采用基于神经生理学基础的康复训练，主要是根据运动发育控制原理与大脑可塑性原理，利用共同运动、协同作用和姿势反射等神经运动机制，通过医师对患者临床的康复评定，对患者的功能状态和潜在能力进行判断，然后“对症下药”，进行相应的康复训练。目前临床上关于脑卒中运动功能评定的方法很多，如简式Fugl-Meyer运动功能评分法、Brunnstrom等级评测法等。这些量表评定的方法，都依赖于医生的检查和观察，属于人工评定，虽然临床上广泛使用，但评定结果容易受到康复医师主观因素的影响，且量表分级指标较多，需要康复医师全程参与，而有限的医师数量面对庞大的病患群体往往力不从心，甚至延误最佳治疗时机。目前我国的现状是临床康复资源(诸如康复医师、治疗师、护理人员、床位等)愈发紧张，且存在严重的区域不平衡，且对于神经系统损伤，目前医学界还没有能力完全修复。如何通过主动康复训练解决中风病人的病后运动功能障碍问题，是当今医学的研究热点和难点。因而研究高性能脑卒中康复系统脑机接口帮助无法通过正常输出通路的患者完成主动康复训练，从而改善运动机能恢复正常活动行为，对于我国脑卒中治疗在神经学科与信息学科交叉领域具有十分重要的研究意义与发展前景。已有医学研究表明，绝大多数脑卒中，脑和肢体神经通路瘫痪患者均未受损，因此基于运动想象的BCI可用于重建损伤的脑卒中区域，即BCI恢复功能使用运动想象和神经反馈的损伤运动控制，增强运动控制网络重建的学习。其中共空间模式(CommonSpatialPattern,CSP)被证明是最有效的方法之一，其借助迁移学习的思想将其他被试的脑电信号引入到CSP学习过程中，保证了被试的脑电信号协方差的估计偏差较好，在小训练样本数据中应用广泛。但随着训练样本的增加，其分类准确率增长缓慢；并伴随时间复杂度的上升，限制算法的实际应用。近年来，随着深度学习的研究深入，很多脑电样本数据可以引入到诸如卷积神经网络框架中进行训练处理，需要相对大量的训练样本。卷积层数会依据样本量进行选取，一旦样本量数据太小，造成识别错误率大大提升。对于多类运动想象脑电信号，样本量一般为中小量，而单纯引用深度学习框架得不到充分训练，难以发挥CNN算法的优势。因此，本专利技术提出将改进的CSP算法和CNN结合的方式对多类运动想象脑电信号进行分类。综上所述，利用脑机接口技术识别患者的运动想象脑电信号,可将患者运动意愿翻译成控制命令驱动康复装置动作,帮助患者完成主动康复训练,有利于改善运动功能恢复效果，而针对此技术的算法在应用上还未趋于成熟。
技术实现思路
本专利技术提供一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法，针对研究运动功能障碍患者的康复训练领域，如何实现高精度、高鲁棒性的基于运动想象的脑机接口技术，从而精确判别患者的运动姿态和肢体运动位置，为量表评定病患康复程度提供客观的数据支撑，有效缓解当前脑卒中治疗设备和医师资源严重不足，主观治疗带来的弊端等问题。提出了采用小波包变换和快速独立分析方法进行脑电信号的预处理，主要是对原始的运动想象脑电信号进行滤波，尽可能地减少脑电信号中的各种噪声，提高信噪比，基于改进的共空间模式结合卷积神经网络算法识别患者运动想象脑电信号，从而更准确地判别患者的运动位置和肢体运动状态，为量表评定病患康复程度提供客观的数据支撑。为实现上述目的，本专利技术采用如下的技术方案：一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法，包括以下步骤：步骤1：脑电信号预处理，得到滤除噪声后的脑电信号；步骤2：改进后的OVR-CSP算法可对滤除噪声后的多类运动想象EEG信号进行特征提取，得到每一类的运动想象脑电信号的特征，形成一维特征数据，同时将方差作为分类器的输入；步骤3：利用改造后的适应一维输入样本的CNN网络进行二次特征提取并分类。作为优选，步骤1具体包括：小波包变换和快速独立分量分析两个过程：首先对原始的EEG进行WPT，确定WPT的分解层数，根据EEG和噪声的特点选择合适的小波基函数，最后确定要滤除高频噪声所在的频带，并对相应的频带置零；再对己经滤除高频噪声后的信号进行FastICA变换，FastICA逆变换和FastICA逆变换，得到滤除噪声后的脑电信号。作为优选，步骤2具体为：OVR-CSP是将五类运动想象任务分为五个新的两类分类问题，得到五个投影矩阵，经过投影后可得五组相应的空域特征；具体计算过程如下:设Xi(i＝1,2,3,4,5)为五类任务的N*T脑电信号，N为采集信号的通道个数，T为每一通道的采样点数，T≥N，OVR-CSP算法的基本原理是，分别计算五类数据的归一化协方差矩阵Ri，即：可得混合空间协方差矩阵R为：其中，为五类任务多次实验的平均协方差矩阵，对R进行特征值分解，得：R＝UVUT其中，U为R的特征向量，V为R的特征值矩阵；对特征值矩阵进行降序排列，按照排序后的位置对特征向量作相同的调整，则白化矩阵P为：P＝V-1/2UTOVR-CSP在计算投影矩阵时，将其中一类归为一类，而其余四类则为另一类，即：将经过预处理的脑电信号X划分为新的两类分别是X1,X1′,向第i类模式下的投影方向进行投影,得：Z1＝(U1′)TP1X1,Z1′＝(U1′)TP1X1′(i＝1,2,3,4,5)五类数据经过投影后的矩阵的协方差矩阵值为再对协方差矩阵的特征向量进行归一化，得：其中，n为特征向量的列数，以此作为特征向量进行分类学习。作为优选，步骤3具体为：用于运动想象脑电信号分类的CNN结构，命名为MIEEGNet网络结构，该网络由5层组成，其中包括第一层为输入层，两层卷积层、1层全连接层和1层Softmax分类层；样本数据大小为1*fi,j；其中，N为运动想象EEG经OVR-CSP算法处理之后得到的特征个数，fi,j＝5*m；第二层(C2)与第三层(C3)都为卷积层，用以对输入样本数据进行二次特征提取，其中第二层(C2}有i2个卷积核，卷积核的大小为1*n2，第三层(C3)有i3个卷积核，卷积核的大小为1*n3；第四层(F4)为全连接层，其通过全连接的方式与第五层(O5)一起构成单层感知机，将第三层(C3)输出结果处理之后输出分类结果。MIEEGNet网络在最后一层使用Softmax函数进行分类，给定输入fi,j时，该输入数据是c分类的概率记为p(y＝c|fi,j)，则网络损失函数Loss定义如下，其中，fi,j为输入的运动想象特征训练样本，即经过OVR-C本文档来自技高网...

【技术保护点】
一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法，其特征在于，包括以下步骤：步骤1：脑电信号预处理，得到滤除噪声后的脑电信号；步骤2：改进后的OVR‑CSP算法可对滤除噪声后的多类运动想象EEG信号进行特征提取，得到每一类的运动想象脑电信号的特征，形成一维特征数据，同时将方差作为分类器的输入；步骤3：利用改造后的适应一维输入样本的CNN网络进行二次特征提取并分类。

【技术特征摘要】
1.一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法，其特征在于，包括以下步骤：步骤1：脑电信号预处理，得到滤除噪声后的脑电信号；步骤2：改进后的OVR-CSP算法可对滤除噪声后的多类运动想象EEG信号进行特征提取，得到每一类的运动想象脑电信号的特征，形成一维特征数据，同时将方差作为分类器的输入；步骤3：利用改造后的适应一维输入样本的CNN网络进行二次特征提取并分类。2.如权利要求1所述的基于脑机接口辅助康复医疗的共空间模式与深度学习方法，其特征在于，步骤1具体包括：小波包变换和快速独立分量分析两个过程：首先对原始的EEG进行WPT，确定WPT的分解层数，根据EEG和噪声的特点选择合适的小波基函数，最后确定要滤除高频噪声所在的频带，并对相应的频带置零；再对己经滤除高频噪声后的信号进行FastICA变换，FastICA逆变换和FastICA逆变换，得到滤除噪声后的脑电信号。3.如权利要求2所述的基于脑机接口辅助康复医疗的共空间模式与深度学习方法，其特征在于步骤2具体为：OVR-CSP是将五类运动想象任务分为五个新的两类分类问题，得到五个投影矩阵，经过投影后可得五组相应的空域特征；具体计算过程如下:设Xi(i＝1,2,3,4,5)为五类任务的N*T脑电信号，N为采集信号的通道个数，T为每一通道的采样点数，T≥N，OVR-CSP算法的基本原理是，分别计算五类数据的归一化协方差矩阵Ri，即：可得混合空间协方差矩阵R为：其中，为五类任务多次实验的平均协方差矩阵，对R进行特征值分解，得：R＝UVUT其中，U为R的特征向量，V为R的特征值矩阵；对特征值矩阵进行降序排列，按照排序后的位置对特征向量作相同的调整，则白化矩阵P为：P＝V-1/2UTOVR-CSP在计算投影矩阵时，将其中一类归为一类，而其余四类则为另一类，即：将经过预处理的脑电信号X划分为新的两类分别是X1,X1′,向第i类模式下的投影方向进行投影,得：Z1＝(U1′)...

【专利技术属性】
技术研发人员：王卓峥，杜秀文，吴强，董英杰，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11