一种基于人工智能技术的手部全指康复训练及评估系统技术方案

一种基于人工智能技术的手部全指康复训练及评估系统，有依次连接的：便携式脑电采集设备、人机交互界面、脑电智能解码模块和智能康复手设备，系统包括康复训练模式和康复效果评估模式两种工作模式；在康复训练模式下，给出使用者康复动作的显示，使用者进行相应动作的运动想象，根据该想象通过气泵驱动相应手指关节的运动，完成对应的康复动作。在康复效果评估模式下，使用者选择康复动作，并做出对应于所选的手指动作，根据使用者的手指动作，进行康复效果评估。本发明专利技术通过识别使用者的动作意图，驱动智能康复手设备做出相应动作，协助使用者完成手部全指康复训练。使用者还可以进行手部康复效果评估，形成康复训练闭环，更高效地促进康复训练。效地促进康复训练。效地促进康复训练。

【技术实现步骤摘要】
一种基于人工智能技术的手部全指康复训练及评估系统


[0001]本专利技术涉及一种手部康复设备。特别是涉及一种基于人工智能技术的手部全指康复训练及评估系统。

技术介绍

[0002]调查显示，脑卒中已成为我国成年人残疾的首要原因。脑卒中具有发病率高、致残率高的特点，我国脑卒中患者基数大、治疗周期较长、恢复效果较差。脑卒中会导致患者部分脑区受损，进而失去部分肢体的控制能力。双手作为人体的重要器官，对于完成日常活动有着极为重要的作用。因此恢复脑卒中患者的手部功能至关重要。此外，对于接受过手部手术的患者，也需要进行康复训练来恢复手部功能。现有研究表明，相比于传统的被动康复模式，主动康复要求患者主动配合康复过程，可以提供更好的康复效果。主动康复的要点在于恢复脑部意识与手部动作的自然同步，因此需要结合人脑的意识信号来配合手部的康复动作。脑电图(EEG)是大脑皮层脑神经细胞活动的总体反映，其中包含了大量的生理和病理信息，体现了人脑的活动状态和思维情况。因此，结合脑电信号检测技术的主动康复模式可以及时识别患者的康复动作意识，驱动康复设备协助患者完成动作，加快康复速度。
[0003]近年来，便携式脑电采集设备得到了越来越多的关注。相比于传统的脑电采集设备，便携式脑电采集设备具有较小的体积与质量，在不降低采集信号质量的前提下，便携性、易用性得到了大幅提高，成本、功耗也进一步降低。在患者需要进行居家治疗的情况下，便携式脑电采集设备可为患者提供居家脑电监控的条件。
[0004]脑电信号数据具有非线性、特征复杂、信噪比低的特点，传统的人工检视方法需要有经验的专家专门检视脑电图，而传统的机器学习算法需要人工提取脑电图特征进行分析，上述方法都需要人工操作检验，不利于长时间的监测，并且会受到主观因素的影响而遗漏掉脑电信号的重要特征。作为机器学习的最先进理论，深度学习(Deep Learning)在处理大数据信息上有着很强的优越性，已经在脑电信号的研究中获得了广泛的应用。深度学习是一种端到端的学习方法，能够从输入信号中直接提取并学习更深层次的内在表征并进行分类。到目前为止，已有许多深度学习的体系结构被提出并应用于脑电分析、康复训练等领域。

技术实现思路

[0005]本专利技术所要解决的技术问题是，为克服现有技术的不足，提供一种能够对手指部位运动想象脑电信号进行有效辨识和正确分类，促进手指运动机能康复的基于人工智能技术的手部全指康复训练及评估系统。
[0006]本专利技术所采用的技术方案是：一种基于人工智能技术的手部全指康复训练及评估系统，包括有依次连接的：便携式脑电采集设备、人机交互界面、脑电智能解码模块和智能康复手设备，系统包括康复训练模式和康复效果评估模式两种工作模式；
[0007]在康复训练模式下，使用者通过所述的人机交互界面进行康复动作选择，并根据
屏幕提示进行相应动作的运动想象；所述的便携式脑电采集设备从使用者大脑采集EEG脑电信号；所述的脑电智能解码模块通过深度学习技术对采集到的EEG脑电信号进行解码，判断使用者是否进行了相应动作的运动想象，并将判断结果发送至智能康复手设备；所述的智能康复手设备以脑电智能解码模块的判断结果为基础，通过气泵驱动相应手指关节的运动，完成对应的康复动作；
[0008]在康复效果评估模式下，使用者首先通过所述的人机交互界面进行康复动作选择，随后做出对应于所选的手指动作；智能康复手设备将所述手指动作的信号通过无线发送至人机交互界面，进行康复效果评估。
[0009]所述的康复训练模式和康复效果评估模式均支持12种手指动作，分别为：弯曲大拇指、弯曲食指、弯曲中指、弯曲无名指、弯曲小拇指、弯曲大拇指+食指、弯曲大拇指+中指、弯曲大拇指+无名指、弯曲大拇指+小拇指、弯曲全指、伸展全指。
[0010]所述的便携式脑电采集设备包括有：依次连接的用于采集EEG脑电信号的脑电极帽及连接线、用于脑电信号放大和转换的生理电信号采集
‑
转换模块、用于控制生理电信号采集
‑
转换模块的集成式Wi
‑
Fi模块，以及分别连接生理电信号采集
‑
转换模块和集成式Wi
‑
Fi模块的电源电路，其中，所述的脑电极帽及连接线中的脑电极帽通过电极与使用者头皮直接接触，并采集头皮表面的EEG脑电信号，通过连接线及脑电极帽及连接线中的Y2接口与生理电信号采集
‑
转换模块相连接，用于传输EEG脑电信号；集成式Wi
‑
Fi模块负责读取来自于生理电信号采集
‑
转换模块的数据，并发送至脑电智能解码模块。
[0011]所述的脑电极帽及其连接线通过电极获取使用者对应于脑电极帽的FP1,FP2,F3,Fz,F4,FCz,T3,C3,Cz,C4,T4,P3,Pz,P4,Oz,A1共十六个电极的EEG脑电信号；脑电极帽的电极分布符合10/20国际标准导联。
[0012]所述的电源电路采用4.2V可充电式锂电池供电，通过开关来控制充电模式和工作模式：当开关关闭时，电源电路进入充电模式，使用者使用USB线缆将设备连接至5V供电接口进行充电；在充电模式下，电源电路采用集成变压器模块，对电路板与外部电源进行电气隔离，防止过压造成电路损坏；当开关打开时，电源电路进入工作模式，充电模式被禁用；在工作模式下，电源电路采用数片不同输出电压的低噪声线性稳压器，满足电路板上不同器件的供电需求。
[0013]所述的人机交互界面包括有：触控显示屏、Wi
‑
Fi模块、蓝牙模块和语音提示模块，以及分别连接触控显示屏、Wi
‑
Fi模块、蓝牙模块和语音提示模块的MCU处理器，MCU处理器采用嵌入式操作系统的工作方式，完成触控显示屏的驱动、Wi
‑
Fi模块的数据收发、蓝牙模块的数据收发、通过语音提示模块播放语音提示；使用者通过触控显示屏进行动作选择、参数设置，并根据触控显示屏的图片提示进行康复训练或康复效果评估；所述的MCU处理器通过Wi
‑
Fi模块与脑电智能解码模块进行数据通信，通过蓝牙模块读取智能康复手设备的传感器信息，并将动作选择、参数设置信息传送至智能康复手设备。
[0014]所述的脑电智能解码模块采用深度学习方法对EEG脑电信号进行分析处理，具体需要以下步骤：
[0015]1)对EEG脑电信号进行预处理，包括滤波降噪、数据增强两个阶段；
[0016]在滤波降噪阶段，首先采用Notch滤波器对50Hz工频干扰进行陷波滤波，随后采用Butterworth带通滤波器组对陷波滤波后的EEG脑电信号进行滤波处理，将EEG脑电信号分
为θ(4
‑
7Hz)、α(8
‑
12Hz)、β(13
‑
30Hz)、γ(31
‑
50Hz)共4个频段，得到预处理后的EEG脑电信号其中c代表频段，L代表数据长度，g代表通道数；
[0017]在数据增强阶段，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能技术的手部全指康复训练及评估系统，包括有依次连接的：便携式脑电采集设备(1)、人机交互界面(2)、脑电智能解码模块(3)和智能康复手设备(4)，其特征在于，系统包括康复训练模式和康复效果评估模式两种工作模式；在康复训练模式下，使用者通过所述的人机交互界面(2)进行康复动作选择，并根据屏幕提示进行相应动作的运动想象；所述的便携式脑电采集设备(1)从使用者大脑采集EEG脑电信号；所述的脑电智能解码模块(3)通过深度学习技术对采集到的EEG脑电信号进行解码，判断使用者是否进行了相应动作的运动想象，并将判断结果发送至智能康复手设备(4)；所述的智能康复手设备(4)以脑电智能解码模块(3)的判断结果为基础，通过气泵驱动相应手指关节的运动，完成对应的康复动作；在康复效果评估模式下，使用者首先通过所述的人机交互界面(2)进行康复动作选择，随后做出对应于所选的手指动作；智能康复手设备(4)将所述手指动作的信号通过无线发送至人机交互界面(2)，进行康复效果评估。2.根据权利要求1所述的一种基于人工智能技术的手部全指康复训练及评估系统，其特征在于，所述的康复训练模式和康复效果评估模式均支持12种手指动作，分别为：弯曲大拇指、弯曲食指、弯曲中指、弯曲无名指、弯曲小拇指、弯曲大拇指+食指、弯曲大拇指+中指、弯曲大拇指+无名指、弯曲大拇指+小拇指、弯曲全指、伸展全指。3.根据权利要求1所述的一种基于人工智能技术的手部全指康复训练及评估系统，其特征在于，所述的便携式脑电采集设备(1)包括有：依次连接的用于采集EEG脑电信号的脑电极帽及连接线(11)、用于脑电信号放大和转换的生理电信号采集
‑
转换模块(12)、用于控制生理电信号采集
‑
转换模块(12)的集成式Wi
‑
Fi模块(13)，以及分别连接生理电信号采集
‑
转换模块(12)和集成式Wi
‑
Fi模块(13)的电源电路(14)，其中，所述的脑电极帽及连接线(11)中的脑电极帽通过电极与使用者头皮直接接触，并采集头皮表面的EEG脑电信号，通过连接线及脑电极帽及连接线(11)中的Y2接口与生理电信号采集
‑
转换模块(12)相连接，用于传输EEG脑电信号；集成式Wi
‑
Fi模块(13)负责读取来自于生理电信号采集
‑
转换模块(12)的数据，并发送至脑电智能解码模块(3)。4.根据权利要求3所述的一种基于人工智能技术的手部全指康复训练及评估系统，其特征在于，所述的脑电极帽及其连接线(11)通过电极获取使用者对应于脑电极帽的FP1,FP2,F3,Fz,F4,FCz,T3,C3,Cz,C4,T4,P3,Pz,P4,Oz,A1共十六个电极的EEG脑电信号；脑电极帽的电极分布符合10/20国际标准导联。5.根据权利要求3所述的一种基于人工智能技术的手部全指康复训练及评估系统，其特征在于，所述的电源电路(14)采用4.2V可充电式锂电池供电，通过开关来控制充电模式和工作模式：当开关关闭时，电源电路进入充电模式，使用者使用USB线缆将设备连接至5V供电接口进行充电；在充电模式下，电源电路采用集成变压器模块，对电路板与外部电源进行电气隔离，防止过压造成电路损坏；当开关打开时，电源电路进入工作模式，充电模式被禁用；在工作模式下，电源电路采用数片不同输出电压的低噪声线性稳压器，满足电路板上不同器件的供电需求。6.根据权利要求1所述的一种基于人工智能技术的手部全指康复训练及评估系统，其特征在于，所述的人机交互界面(2)包括有：触控显示屏(21)、Wi
‑
Fi模块(22)、蓝牙模块(23)和语音提示模块(24)，以及分别连接触控显示屏(21)、Wi
‑
Fi模块(22)、蓝牙模块(23)
和语音提示模块(24)的MCU处理器(25)，MCU处理器(24)采用嵌入式操作系统的工作方式，完成触控显示屏(21)的驱动、Wi
‑
Fi模块(22)的数据收发、蓝牙模块(23)的数据收发、通过语音提示模块(24)播放语音提示；使用者通过触控显示屏(21)进行动作选择、参数设置，并根据触控显示屏(21)的图片提示进行康复训练或康复效果评估；所述的MCU处理器(25)通过Wi
‑
Fi模块(22)与脑电智能解码模块(3)进行数据通信，通过蓝牙模块(23)读取智能康复手设备(4)的传感器信息，并将动作选择、参数设置信息传送至智能康复手设备(4)。7.根据权利要求1所述的一种基于人工智能技术的手部全指康复训练及评估系统，其特征在于，所述的脑电智能解码模块(3)采用深度学习方法对EEG脑电信号进行分析处理，具体需要以下步骤：1)对EEG脑电信号进行预处理，包括滤波降噪、数据增强两个阶段；在滤波降噪阶段，首先采用Notch滤波器对50Hz工频干扰进行陷波滤波，随后采用Butterworth带通滤波器组对陷波滤波后的EEG脑电信号进行滤波处理，将EEG脑电信号分为θ(4
‑
7Hz)、α(8
‑
12Hz)、β(13
‑
30Hz)、γ(31
‑
50Hz)共4个频段，得到预处理后的EEG脑电信号其中c代表频段，L代表数据长度，g代表通道数；在数据增强阶段，对4个频段的预处理后的EEG脑电信号分别通过长度为l的滑动窗口进行数据切分，滑动窗口的滑动步长为b，且滑动窗口之间互不重叠；第j个滑动窗口数据表示为其中表示第c个频段第g个通道中的第p个数据点，表示第j个滑...

【专利技术属性】
技术研发人员：高忠科，孙新林，马超，
申请(专利权)人：天津大学，
类型：发明
国别省市：