本发明专利技术公开了一种脑卒中手部康复训练方法、装置及系统，所述方法包括：获取四十电极的EEG脑电信号；对所述EEG脑电信号进行快速傅里叶变换，分别提取EEG频谱中的θ，α，β频带作为EEG特征；将40导联电极的位置从3维空间投影到2维平面；将各个电极所对应的频谱功率值进行归一化，并与电极位置进行匹配获得离散的图像，基于所述离散的图像得到θ、α和β三个频带的二维灰度脑电信号图像；将θ、α和β三个频带的二维灰度脑电信号图像转化为二维彩色脑电信号图像，所述二维彩色脑电信号图像输入至训练完成的运动信号卷积神经网络模型；获取所述运动信号卷积神经网络模型输出的运动想象结果；根据所述运动想象结果引导手部康复设备对进行康复治疗。备对进行康复治疗。备对进行康复治疗。
【技术实现步骤摘要】
脑卒中手部康复训练方法、装置及系统
[0001]本专利技术涉及脑卒中康复
，尤其涉及一种脑卒中手部康复训练方法、装置及系统。
技术介绍
[0002]脑电图(EEG)作为一种记录脑电活动的生理监测方法，它通过布置在大脑皮层附近的电极源源不断地收集大脑的电位变化。近年来数字化技术的发展，为脑电信号的收集与分析创造了极大的便利，信号的时间分辨率可以被精确到毫秒级甚至更高。作为对比，除脑电图之外，无创认知神经科学技术中仅有头颅磁共振波谱(MRS)和脑磁图(MEG)能够获取处于这个采样率的数据。此外，由于EEG不会带来噪音，因此EEG可以更加准确的反应人脑对于声音的刺激。EEG信号中所蕴含的丰富信息已经被成功提取，并应用到了癫痫诊断，睡眠障碍诊断，麻醉深度判别，情感辨识，运动想象等诸多领域。脑机接口技术(BCI)的发展更是让EEG信号的应用扩展到了脑控外设领域，近年来脑控轮椅，脑控义肢设备的专利技术为残疾人复健开创了全新的前景。
[0003]脑卒中的发病率近年来在我国逐渐上升，其致病原因多样，患者广泛，群体巨大。患者发病后，脑部血管的堵塞或破损会导致患者部分脑区功能的受损，引发患者部分肢体的无力，甚至是瘫痪。为了保证脑卒中患者能够恢复手部的日常功能性活动，保证其脑部意图与手部对应活动的协调同步，需要不仅仅单纯恢复手部的运动能力，而且需要结合大脑意识同步进行康复训练。基于EEG信号的康复治疗设备应运而生。
[0004]在EEG信号研究领域，为了克服人脑这一复杂系统带来的信号耦合，研究人员们提出了许多相应的方法来对EEG信号进行辨识，分类与预测。例如提取EEG经典特征的方法，EEG信号时频域分析技术，贝叶斯方法，以及近年来正在逐渐得到广泛关注的深度学习方法。如何提取EEG信号中的不同特征，将收集到的被试多元状态信息进行有效融合，从而更加精准的判断被试当前运动意图是一项十分具有挑战性的任务。创造一种能够在不同被试者身上都具有良好辨识表现的方法将会促进运动想象辨识系统在实际场景中的应用与推广。
技术实现思路
[0005]本专利技术实施例提供了一种脑卒中手部康复训练方法、装置及系统，以解决现有技术中无法针对大量种类的EEG信号判断被试当前运动意图的技术问题。
[0006]第一方面，本专利技术实施例提供了一种脑卒中手部康复训练方法，包括：
[0007]获取四十电极的EEG脑电信号；
[0008]对所述EEG脑电信号进行快速傅里叶变换，然后分别提取EEG频谱中的θ，α，β频带作为EEG特征；
[0009]将40导联电极的位置从3维空间投影到2维平面；
[0010]将各个电极所对应的频谱功率值进行归一化，并与电极位置进行匹配获得离散的
图像，基于所述离散的图像得到θ、α和β三个频带的二维灰度脑电信号图像；
[0011]将θ、α和β三个频带的二维灰度脑电信号图像转化为二维彩色脑电信号图像，并将所述二维彩色脑电信号图像输入至训练完成的运动信号卷积神经网络模型；
[0012]获取所述运动信号卷积神经网络模型输出的运动想象结果；
[0013]根据所述运动想象结果引导手部康复设备对进行康复治疗。
[0014]第二方面，本专利技术实施例还提供了一种脑卒中手部康复训练装置，包括：
[0015]获取模块，用于获取四十电极的EEG脑电信号；
[0016]提起模块，用于对所述EEG脑电信号进行快速傅里叶变换，然后分别提取EEG频谱中的θ，α，β频带作为EEG特征；
[0017]投影模块，用于将40导联电极的位置从3维空间投影到2维平面；
[0018]匹配模块，用于将各个电极所对应的频谱功率值进行归一化，并与电极位置进行匹配获得离散的图像，基于所述离散的图像得到θ、α和β三个频带的二维灰度脑电信号图像；
[0019]转化模块，用于将θ、α和β三个频带的二维灰度脑电信号图像转化为二维彩色脑电信号图像，并将所述二维彩色脑电信号图像输入至训练完成的运动信号卷积神经网络模型；
[0020]输出模块，用于获取所述运动信号卷积神经网络模型输出的运动想象结果；
[0021]引导模块，用于根据所述运动想象结果引导手部康复设备对进行康复治疗。
[0022]第三方面，本专利技术实施例还提供了一种脑卒中手部康复训练系统，包括：
[0023]上述实施例提供的任一所述的脑卒中手部康复训练装置；
[0024]高精度40导脑电采集设备和手部康复设备。
[0025]本专利技术实施例提供的脑卒中手部康复训练方法、装置及系统，通过获取四十电极的EEG脑电信号；对所述EEG脑电信号进行快速傅里叶变换，然后分别提取EEG频谱中的θ，α，β频带作为EEG特征；将40导联电极的位置从3维空间投影到2维平面；将各个电极所对应的频谱功率值进行归一化，并与电极位置进行匹配获得离散的图像，基于所述离散的图像得到θ、α和β三个频带的二维灰度脑电信号图像；将θ、α和β三个频带的二维灰度脑电信号图像转化为二维彩色脑电信号图像，并将所述二维彩色脑电信号图像输入至训练完成的运动信号卷积神经网络模型；获取所述运动信号卷积神经网络模型输出的运动想象结果；根据所述运动想象结果引导手部康复设备对进行康复治疗。利用位置投影，可以将不同位置的脑电极投射到一个平面中，并通过归一化生成离散图像，并通过图像转换，最终形成重要三个频带对应的彩色脑电信号图像，可以将多种脑电信号特征融合到一张图像中，便于神经网络模型进行判别，同时又不会导致重要信息缺失。并利用判别结果引导病人进行康复训练。同时，还方便构建运动信号卷积神经网络模型。
附图说明
[0026]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0027]图1是本专利技术实施例一提供的脑卒中手部康复训练方法的流程示意图；
[0028]图2为本专利技术实施例一提供的脑卒中手部康复训练方法中高精度40导联脑电采集
设备的结构示意图；
[0029]图3为本专利技术实施例一提供的脑卒中手部康复训练方法中最小插值单元示意图；
[0030]图4为本专利技术实施例一提供的脑卒中手部康复训练方法中EEG时域信号转换为二维彩色图像的流程与结果展示示意图
[0031]图5是本专利技术实施例二提供的脑卒中手部康复训练方法的流程示意图；
[0032]图6为本专利技术实施例二提供的脑卒中手部康复训练方法中CELL内部结构图；
[0033]图7为本专利技术实施例二提供的脑卒中手部康复训练方法中one
‑
shot模型的基础架构示意图；
[0034]图8为本专利技术实施例二提供的脑卒中手部康复训练方法中网络梯度传播示意图；
[0035]图9为本专利技术实施例二提供的脑卒中手部康复训练方法中最终网络结构搜索得到的网络基础单元CELL示意图；
[0036]图10为本专利技术实施例三提供的脑卒中手部康复训练装置的结构示意图；
[0037]图1本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种脑卒中手部康复训练方法，其特征在于，包括：获取四十电极的EEG脑电信号；对所述EEG脑电信号进行快速傅里叶变换，然后分别提取EEG频谱中的θ，α，β频带作为EEG特征；将40导联电极的位置从3维空间投影到2维平面；将各个电极所对应的频谱功率值进行归一化，并与电极位置进行匹配获得离散的图像，基于所述离散的图像得到θ、α和β三个频带的二维灰度脑电信号图像；将θ、α和β三个频带的二维灰度脑电信号图像转化为二维彩色脑电信号图像，并将所述二维彩色脑电信号图像输入至训练完成的运动信号卷积神经网络模型；获取所述运动信号卷积神经网络模型输出的运动想象结果；根据所述运动想象结果引导手部康复设备对进行康复治疗。2.根据权利要求1所述的方法，其特征在于，所述将各个电极所对应的频谱功率值进行归一化，并与电极位置进行匹配获得离散的图像，基于所述离散的图像得到θ、α和β三个频带的二维灰度脑电信号图像，包括：采用如下方式进行归一化；t代表了频谱功率值，P
t
即为归一化后结果；对各个电极所对应的频谱功率值进行插值，最终获得32
×
32的图像；根据属于θ、α和β电极对应的离散的图像得到θ、α和β三个频带的二维灰度脑电信号图像；所述对各个电极所对应的频谱功率值进行插值，包括：对二维坐标系中电极通道的点进行三角剖分以形成临时三角形不规则网络；在每个三角形上定义二元多项式，以创建由一系列三角形曲面片组成的曲面，三角形顶点与质心的连线将三角形分为三个子三角形，所定义的二元三次多项式如下：其中，c
ij
由各个顶点的函数值f和一阶偏导数f
x
，f
y
，以及三边中点的法向导数共12个参数确定；根据临时三角形的差值曲面进行插值。3.根据权利要求2所述的方法，其特征在于，将40导联电极的位置从3维空间投影到2维平面，包括：建立二维极坐标系，选取人脑球面上的一个位置作为极坐标的坐标原点；计算球面上其他点相对于坐标原点的距离ρ，以及相对于坐标原点的角度θ；将当前极坐标系转化为笛卡尔坐标系，即获得人脑的二维投影。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：利用所述彩色脑电信号图像和对应的运动标签构建所述运动信号卷积神经网络模型；所述构建所述运动信号卷积神经网络模型，包括：构建适用于EEG脑电信号分析的网络结构搜索空间，网络由依次连接的模块化单元构
成；将学习率设为0.1，共进行200周期的循环训练，Batchsize大小为128，寻找针对当前使用者不同运动想象的最优卷积神经网络结构，分别获得每个人的特有深度卷积神经网络模型结构；将每位使用者的二维彩色脑电信号图像，再依次送入所述特有深度卷积神经网络模型结构，利用Pytorch对此深度卷积神经网络模型进行全监督训练，模型学习率设为0.01，共进行200周期的循环训练，Batchsize大小为128，获得运...
【专利技术属性】
技术研发人员：王贺，陈云刚，孟庆典，张兴剑，
申请(专利权)人：钧晟天津科技发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。