融合复杂网络和图卷积的脑控康复系统运动想象识别系统技术方案

一种融合复杂网络和图卷积的脑控康复系统运动想象识别系统，被试者通过观看手部握拳与伸展动作视频进行运动想象，同时脑电信号采集设备采集被试者的运动想象EEG脑电信号；运动意图识别模块对获得的运动想象EEG脑电信号构建多熵复杂网络，提取运动想象EEG脑电信号中符号波动、频率能量分布和幅值波动方面的特征，输入图卷积神经网络中对握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号进行分类与辨识，将分类结果传输到脑控康复系统，促使被试者执行手部握拳与伸展动作；该脑控康复系统使得运动意图和肢体感觉之间形成闭环通路，逐渐增强被试者的肌肉强度和神经传导速度，促进受损大脑运动区域的恢复，逐渐恢复活动能力。

【技术实现步骤摘要】
融合复杂网络和图卷积的脑控康复系统运动想象识别系统
本专利技术涉及一种运动想象识别系统。特别是涉及一种融合复杂网络和图卷积的脑控康复系统运动想象识别系统。
技术介绍
脑-机接口(BCI)系统提供了人脑与外部设备之间的连接途径，该系统首先采集大脑活动信号，接着通过信号处理部分检测用户的意图，最后将意图转化为指令控制外部设备。运动想象是一种经典的BCI范式，人在想象肢体运动时，会引起大脑运动感知皮层某一区域的激活，运动感知皮层的激活会引发皮层电位变化，这种电信号称为运动想象信号。不同的运动想象任务会在大脑感觉运动皮层的不同区域观察到振荡活动。应用运动想象的BCI系统在神经科学和康复领域具有重要价值，已被用于脑卒中患者大脑的神经传输功能恢复，帮助患者恢复受损的运动功能。基于运动想象的康复系统可以将患者的运动意图转化为患者的肢体运动，帮助患者更好地进行主动康复训练。关于运动想象的研究，主要在于对采集的运动想象EEG信号进行分类和特征提取。共空间模式(CSP)是运动想象研究中用于提取特征的经典方法，其他特征提取和降维方法，例如独立分量分析(ICA)和主成本文档来自技高网...

【技术保护点】
1.一种融合复杂网络和图卷积的脑控康复系统运动想象识别系统，其特征在于，被试者通过观看手部握拳与伸展动作视频进行运动想象，同时脑电信号采集设备采集被试者的运动想象EEG脑电信号；运动意图识别模块对获得的运动想象EEG脑电信号进行预处理，构建多熵复杂网络，该多熵复杂网络能够融合多通道运动想象EEG脑电信号，提取运动想象EEG脑电信号中符号波动、频率能量分布和幅值波动方面的特征；运动意图识别模块将多熵复杂网络的邻接矩阵输入图卷积神经网络中对握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号进行分类与辨识，将分类结果传输到脑控康复系统，促使被试者执行手部握拳与伸展动作；该脑控康复系统使得运动...

【技术特征摘要】
1.一种融合复杂网络和图卷积的脑控康复系统运动想象识别系统，其特征在于，被试者通过观看手部握拳与伸展动作视频进行运动想象，同时脑电信号采集设备采集被试者的运动想象EEG脑电信号；运动意图识别模块对获得的运动想象EEG脑电信号进行预处理，构建多熵复杂网络，该多熵复杂网络能够融合多通道运动想象EEG脑电信号，提取运动想象EEG脑电信号中符号波动、频率能量分布和幅值波动方面的特征；运动意图识别模块将多熵复杂网络的邻接矩阵输入图卷积神经网络中对握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号进行分类与辨识，将分类结果传输到脑控康复系统，促使被试者执行手部握拳与伸展动作；该脑控康复系统使得运动意图和肢体感觉之间形成闭环通路，逐渐增强被试者的肌肉强度和神经传导速度，促进受损大脑运动区域的恢复，最终实现患者通过自主训练重新获得受损的运动功能。


2.根据权利要求1所述的融合复杂网络和图卷积的脑控康复系统运动想象识别系统，其特征在于，所述的脑控康复系统包括：与所述运动意图识别模块相连的主控制器，与所述主控制器相连的肌电信号采集和多通道电刺激输出模块，所述肌电信号采集和多通道电刺激输出模块根据主控制器的控制指令对被试者上肢施加电刺激，并将电刺激后的肌电信号反馈给主控制器，主控制器根据从运动意图识别模块接收的分类结果和电刺激后的肌电信号生成控制指令，控制肌电信号采集和多通道电刺激输出模块对被试者上肢进行刺激，帮助被试者进行上肢康复训练。


3.根据权利要求1所述的融合复杂网络和图卷积的脑控康复系统运动想象识别系统，其特征在于，所述的运动意图识别模块具体包括如下步骤：
1)被试者分别观看手部握拳视频与手部伸展视频，同时对视频相应动作进行运动想象，通过脑电信号采集设备采集被试者握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号，统称为运动想象EEG脑电信号，并对运动想象EEG脑电信号进行预处理；
2)对预处理后的每一电极的运动想象EEG脑电信号分别计算加权排列熵S1、小波包能量熵S2和幅值熵S3三种熵，对所述的三种熵基于min-max标准化方法进行归一化；
3)将步骤2)所述加权排列熵S1、小波包能量熵S2和幅值熵S3这三种熵构建成特征向量[S1,S2,S3]；
4)基于步骤3)所述特征向量构建多熵复杂网络；
5)对每个被试者的每一个运动想象EEG脑电信号中的握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号分别构建多熵复杂网络，将多熵复杂网络的邻接矩阵及其分类标签送入图卷积神经网络中进行特征学习和分类；
6)将分类结果传输到脑控康复系统对被试者上肢进行刺激。


4.根据权利要求3所述的融合复杂网络和图卷积的脑控康复系统运动想象识别系统，其特征在于，步骤1)所述的采集被试者握拳运动想象EEG脑电信号和手部伸展运动想象EEG脑电信号，是通过根据10-20国际标准导联分布的脑电极帽采集C3、C4、F3、F4、P3、P4、T7、T8、Cz九个电极的运动想象EEG脑电信号，并进行预处理，预处理是对运动想象EEG脑电信号进行去伪迹，8-30Hz的带通滤波，以及去平均，得到能够用于实现运动想象状态辨识的运动想象EEG脑电信号：



其中Xc,i表示c电极采集的运动想象EEG脑电信号中第i个采样点，L表示等长的各电极对应的通道中的采样点个数。


5.根据权利要求3所述的融合复杂网络和图卷积的脑控康复系统运动想象识别系统，其特征在于，步骤2)所述的分别计算加权排列熵S1、小波包能量熵S2和幅值熵S3三种熵具体如下：
(1)加权排列熵S1的计算方法如下：运动想象EEG脑电信号的时间延迟嵌入表达式为：



其中，Xc,i表示c电极采集的运动想象EEG脑电信号中第i个采样点，L表示c电极对应的通道中的采样点个数，表示c电极对应的通道生成的第u个相空间向量，d为嵌入维数，取d＝4，τ为延迟时间，取τ＝1，L-(d-1)τ表示从运动想象EEG脑电信号获得的相空间向量的个数，将每一个相空间向量中的元素按照幅值大小进行排序后映射为一个符号πc,u，会得到L-(d-1)τ个符号，其中包括小于等于d！种不同的符号，所有种类符号的集合为其中r表示第r种符号，c＝C3,C4,F3,F4,P3,P4,T7,T8,Cz；每一个相空间向量映射的...

【专利技术属性】
技术研发人员：高忠科，吕冬梅，党伟东，马超，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12