一种基于脑机接口与虚拟现实技术的上肢康复训练方法技术

一种基于脑机接口与虚拟现实技术的上肢康复训练方法，患者佩戴电极帽及VR眼镜，连接计算机、脑电放大器与智能手机；计算机判断患者是否是第一次训练，如果是，则首先采集脑电EEG信号，进行个体化分类器校准，然后开始一次训练；否则直接开始一次训练；训练过程中，VR眼镜与智能手机为患者构建第一人称视角的上肢训练动作场景，患者通过持续运动想象练习，实时控制虚拟场景中的上肢动作，计算机中的BCI模块依据患者当前训练效果，自动调整分类器；训练结束后，BCI模块的分类器进行自适应调整用于下次训练，本发明专利技术保证训练难度与患者功能恢复情况相适应，不需要在每次康复训练前进行数据采集用于校准，节省时间。

Upper limb rehabilitation training method based on brain computer interface and virtual reality technology

A brain computer interface based on virtual reality technology and the upper limb rehabilitation training method, electrode cap and VR patients wearing glasses, connected with the computer, EEG amplifier and intelligent mobile phone; the computer to determine whether the patient is training for the first time, if it is, the first EEG signal EEG, individual classifier calibration, then start again or start a direct training; training; training process, VR glasses and smart mobile phone with the construction of the first person perspective of patients with upper limb training action scenes, through continuous motor imagery practice, real-time control in the virtual scene of upper limb movements in the computer, BCI module based on the patient's current training effect, automatically adjust the classifier after training; the BCI module, the classifier is adaptive for the next training, the invention ensures that the difficulty of training and functional recovery of the patients. The utility model does not need to collect data before each rehabilitation training for calibration and saves time.

【技术实现步骤摘要】
一种基于脑机接口与虚拟现实技术的上肢康复训练方法
本专利技术涉及脑损伤患者肢体康复
，具体涉及一种基于脑机接口(brain-computerinterface，BCI)与虚拟现实(virtualreality，VR)技术的上肢康复训练方法。
技术介绍
研究表明脑损伤患者及早进行主动康复训练有益于其肢体运动功能的恢复，然而软瘫期患者无法通过主动肢体运动促进大脑相关区域活动。基于大脑镜像神经元原理的运动想象与运动观察训练为脑损伤患者提供了一种不依赖于外周肌肉收缩的主动康复训练方式。目前临床所使用的运动想象训练需要通过语音引导患者进行运动想象，缺乏对患者运动想象状态的有效监测及反馈手段，使得医生无法获知患者大脑活动状态并及时进行调整，训练效率低，训练效果差。基于运动想象的BCI技术可实现对运动想象状态的监测，但目前所采取的反馈机制均为“有或无”方式，即检测到一次有效的运动想象活动即触发一次完整的训练，例如启动康复机器人辅助患者完成肢体的运动训练。其不足之处在于，在康复训练启动后，患者不需要持续进行运动想象练习，因此后续的训练降低了对患者主动参与度的要求，实际变为患者被动的接受训练。目前虚拟现实技术多与康复机器人技术相结合，康复机器人在辅助患者完成某一肢体动作时，通过虚拟现实技术为患者提供一个逼真的现实场景，结合目标导向型训练使患者感觉如同在进行实际的日常肢体活动，如物体的抓握等。虚拟现实环境增加了沉浸感与趣味性，研究也表明其能够提高大脑活动水平。但是，对于无法进行自主肌肉收缩控制的软瘫期或痉挛期患者，机器人辅助下的肢体运动与虚拟现实场景结合依然属于被动的康复训练，患者的主动参与意愿难以被调动。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供了一种基于脑机接口与虚拟现实技术的上肢康复训练方法，保证训练难度与患者功能恢复情况相适应，不需要在每次康复训练前进行数据采集用于校准，节省时间。为了达到上述目的，本专利技术采取的技术方案为：一种基于脑机接口与虚拟现实技术的上肢康复训练方法，包括以下步骤：1)患者佩戴电极帽及VR眼镜，连接计算机、脑电放大器与智能手机；2)判断患者是否是第一次训练，如果是，则首先采集脑电(electroencephalography，EEG)信号，进行个体化分类器校准，然后开始一次训练；否则直接开始一次训练；3)训练过程中，VR眼镜与智能手机为患者构建第一人称视角的上肢训练动作场景，患者通过持续运动想象练习，实时控制虚拟场景中的上肢动作，计算机中的BCI模块依据患者当前训练效果，自动调整分类器；4)训练结束后，BCI模块的分类器进行自适应调整，用于下次训练。所述步骤2)中个体化分类器校准过程，包括以下步骤：2.1)患者依据屏幕提示信息进行肢体运动想象练习，每次练习维持4秒，相邻两次练习间存在4秒间隔用于放松休息，即安静状态，采集整个过程患者的EEG信息；2.2)分别将运动想象状态及安静状态下的EEG信号分割成250毫秒长的数据段，利用共空间模式(commonspatialpattern，CSP)法进行两类样本的特征值提取，利用自回归(autoregressionmodel，AR)模型估计EEG信号的功率谱密度；2.3)将支持向量机(supportvectormachine，SVM)作为分类器，使用提取的两类样本特征值对分类器参数进行最优化设计；利用多倍交叉验证法对分类效果进行评估；2.4)将最优化分类器参数及分类效果保存至患者数据库，以便在开始训练前调用。所述步骤3)中，患者通过持续运动想象练习，实时控制虚拟场景中的上肢动作以及BCI模块在一次训练中的自动调整过程，包括以下步骤：3.1)长度为250毫秒的移动时间窗截取实时采集到的EEG数据；3.2)对时间窗内的EEG数据利用CSP法进行特征提取；3.3)调取最优化分类器参数，对提取到的特征进行处理，依据初始决策阈值对分类器输出结果进行决策；3.4)如果分类结果为患者当前没有进行运动想象，则判断是否是第n次检测结果为无运动想象，如果不是，则降低虚拟场景中肢体运动速度后返回步骤3.1)，读取下一个移动时间窗内EEG数据；3.5)如果是n次检验结果为无运动想象，则停止虚拟场景中上肢运动；然后判断是否是连续n+m次检测无运动想象，是，则降低分类器决策阈值后返回步骤3.1)，读取下一个移动时间窗内EEG数据，如果不是，则直接返回步骤3.1)；3.6)如果步骤3.3)判断结果表明患者在进行运动想象，则利用AR模型法估计功率谱后计算事件相关去同步(EventRelatedDesynchronization，ERD)强度M，并依据ERD强度M计算虚拟场景中上肢运动速度为v＝V(1-e-k·M)，其中k为常数，用于调整运动速度随ERD强度变化的快慢，M∈(0,1)，V为最大肢体运动速度；3.7)判断是否连续k次检测到运动想象状态，如果不是，则判断训练时间是否结束，如果是，则结束本次训练；如果不是，则返回步骤3.1)，读取下一个移动时间窗内EEG数据；3.8)如果检测到连续k次运动想象状态，则恢复分类器决策阈值至本次训练开始时的水平；然后判断训练时间是否结束，如果是，则结束本次训练，如果不是，则返回步骤3.1)，读取下一个移动时间窗内EEG数据。所述的步骤4)中BCI模块的分类器进行自适应调整，以用于下次训练，包括以下步骤：4.1)一次训练结束后，从患者数据库中调取历次训练时的EEG信号；4.2)分别将安静及运动想象状态下的EEG信号分割为250毫秒的数据段，并利用AR模型法估计各数据段功率谱，计算对侧运动皮层区域α及β频带平均能量；4.3)从安静状态下脑电数据中找出N个频带能量最高的样本作为安静状态的新样本，从运动想象状态脑电数据中找出N个频带能量最低的样本作为运动想象状态新样本；4.4)利用CSP法分别提取安静状态及运动想象状态样本的特征值；4.5)支持向量机(supportvectormachine，SVM)作为分类器，使用提取的两类样本特征值对分类器参数进行最优化设计；利用多倍交叉验证法对分类效果进行评估；将最优化分类器参数及分类效果保存至患者数据库，以便在下次训练前调用。本专利技术的有益效果为：1、运动想象状态检测与模式识别技术：考虑到检测设备的便携性、时间分辨率的要求，本专利技术通过头皮EEG检测大脑神经元的活动变化，且EEG采集电极主要分布于左右两侧运动皮层区域。对于采集到的连续EEG信号，在每个移动时间窗内利用共空间模式(commonspatialpattern，CSP)、自回归(autoregression，AR)模型等对多导EEG信号进行处理，提取特征向量。分类器采用有监督学习模型支持向量机(supportvectormachine，SVM)，依据每个移动窗内提取的特征进行分类从而对大脑活动进行判断。考虑到康复训练的实际需求，分类主要在想象左(右)侧肢体运动与安静状态间进行。2、运动想象活动持续控制虚拟场景中肢体运动：本专利技术使用滑动时间窗对实时采集到的EEG信号进行分割，并在每个时间窗内对大脑运动想象状态进行检测与分类，并依据分类结果及大脑运动皮层区域表现出的ERD强度对虚拟现实场景中的肢体运动进行控制。判断所得的是否在进行本文档来自技高网...

【技术保护点】
一种基于脑机接口与虚拟现实技术的上肢康复训练方法，其特征在于，包括以下步骤：1)患者佩戴电极帽及VR眼镜，连接计算机、脑电放大器与智能手机；2)判断患者是否是第一次训练，如果是，则首先采集脑电(electroencephalography，EEG)信号，进行个体化分类器校准，然后开始一次训练；否则直接开始一次训练；3)训练过程中，VR眼镜与智能手机为患者构建第一人称视角的上肢训练动作场景，患者通过持续运动想象练习实时控制虚拟场景中的上肢动作，计算机中的BCI模块依据患者当前训练效果，自动调整分类器；4)训练结束后，BCI模块的分类器进行自适应调整，用于下次训练。

【技术特征摘要】
1.一种基于脑机接口与虚拟现实技术的上肢康复训练方法，其特征在于，包括以下步骤：1)患者佩戴电极帽及VR眼镜，连接计算机、脑电放大器与智能手机；2)判断患者是否是第一次训练，如果是，则首先采集脑电(electroencephalography，EEG)信号，进行个体化分类器校准，然后开始一次训练；否则直接开始一次训练；3)训练过程中，VR眼镜与智能手机为患者构建第一人称视角的上肢训练动作场景，患者通过持续运动想象练习实时控制虚拟场景中的上肢动作，计算机中的BCI模块依据患者当前训练效果，自动调整分类器；4)训练结束后，BCI模块的分类器进行自适应调整，用于下次训练。2.根据权利要求1所述的一种基于脑机接口与虚拟现实技术的上肢康复训练方法，其特征在于，所述步骤2)中个体化分类器校准过程，包括以下步骤：2.1)患者依据屏幕提示信息进行肢体运动想象练习，每次练习维持4秒，相邻两次练习间存在4秒间隔用于放松休息，即安静状态，采集整个过程患者的EEG信息；2.2)分别将运动想象状态及安静状态下的EEG信号分割成250毫秒长的数据段，利用共空间模式(commonspatialpattern，CSP)法进行两类样本的特征值提取，利用自回归(autoregressionmodel，AR)模型估计EEG信号的功率谱密度；2.3)将支持向量机(supportvectormachine，SVM)作为分类器，使用提取的两类样本特征值对分类器参数进行最优化设计；利用多倍交叉验证法对分类效果进行评估；2.4)将最优化分类器参数及分类效果保存至患者数据库，以便在开始训练前调用。3.根据权利要求1所述的一种基于脑机接口与虚拟现实技术的上肢康复训练方法，其特征在于，所述步骤3)中患者通过持续运动想象练习实时控制虚拟场景中的上肢动作以及BCI模块在一次训练中的自动调整过程，包括以下步骤：3.1)长度为250毫秒的移动时间窗截取实时采集到的EEG数据；3.2)对时间窗内的EEG数据利用CSP法进行特征提取；3.3)调取最优化分类器参数，对提取到的特征进行处理，依据初始决策阈值对分类器输出结果进行决策；3.4)如果分类结果为患者当前没有进行运动想象，则判断是否是第n次检测结果...

【专利技术属性】
技术研发人员：徐光华，郑杨，李黎黎，曹飞帆，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61