一种基于运动意图识别模型的脑卒中患者康复方法及系统技术方案

本发明专利技术公开了一种基于运动意图识别模型的脑卒中患者康复方法，用于重度患者的镜像治疗以及中度和轻度患者的助动治疗，包括：脑卒中患者将患侧手固定在康复辅具中；并将肌电采集传感器固定在重度患者的健侧手的对应位置以及中度或轻度脑卒中患者的患侧手的对应位置；根据提示进行相应的运动，肌电采集传感器采集健侧手或患侧手的肌电信号；基于肌电信号建立运动意图识别模型；基于运动意图识别模型确定脑卒中患者的运动意图；基于脑卒中患者的运动意图控制康复辅具做出对应的动作，完成一次患侧手的康复运动；多次重复，完成患侧手的康复运动。本发明专利技术能高准确率地识别患者运动意图，从而帮助患者进行有效的主动康复治疗。从而帮助患者进行有效的主动康复治疗。从而帮助患者进行有效的主动康复治疗。

【技术实现步骤摘要】
一种基于运动意图识别模型的脑卒中患者康复方法及系统


[0001]本专利技术涉及计算机虚拟现实和智能康复
，尤其涉及一种基于肌电运动意图识别模型的脑卒中患者康复方法及系统。

技术介绍

[0002]“脑卒中”又称“中风”、“脑血管意外”，是一种急性脑血管疾病，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组疾病，包括缺血性和出血性卒中，缺血性卒中的发病率高于出血性卒中，占脑卒中总数的60％～70％。颈内动脉和椎动脉闭塞和狭窄可引起缺血性脑卒中，年龄多在40岁以上，男性较女性多，严重者可引起死亡，出血性卒中的死亡率较高，调查显示，城乡合计脑卒中已成为我国第一位死亡原因，也是中国成年人残疾的首要原因，脑卒中具有发病率高、死亡率高和致残率高的特点，其中腕内翻是脑卒中常见的临床表现，患者手臂肌肉萎缩，失去手部的抓拿作用，十分不便，现有的手部康复训练包括三种方式：
[0003]第一种是采用人工的方式，需要护士医生或者家人的辅助完成，这不仅需要大量的资金支持，也占用了家人的时间，训练中，手掌的急伸急缩对患者也不好。
[0004]第二种是辅助康复功能训练手套，用于被动训练，主要分为气动手套和电动手套两种，均能够对患者的手功能障碍侧手进行康复训练，然而这种训练方式功能单一，往往只能进行被动手部动作训练，无法根据患者自身的运动意图进行主动的手部功能强化。
[0005]第三种，近年来，利用脑机接口技术辨识人脑意图，实现人脑与计算机或外部设备的通讯与控制，已被广泛应用于医疗康复训练当中。其中，运动想象作为一种内源性脑电电位的诱发范式，具有无需外界刺激、训练时间相对较短的特点，适应于基于脑机接口的运动康复医疗设备。如现有技术CN111544854A公开了一种基于脑肌电信号深度学习融合的脑卒中运动康复方法：使用者根据显示屏中的符号提示进行相应的运动想象，产生的运动想象脑电信号及肌电信号，通过脑电信号采集装置、康复运动装置中肌电信号采集装置进行采集，并依次进行A/D转换、放大、陷波、滤波、截取预处理；经过预处理后的脑电、肌电信号通过无线通信方式传输至上位机，上位机对脑电信号、肌电信号进行特征提取、特征融合和分类，以及进行运动意图辨识和疲劳监测，输出辨识结果和疲劳度；辨识结果和疲劳度通过无线通信方式回传至康复运动装置，康复运动装置根据辨识结果和疲劳度解算出驱动信号，带动肢体做相应的训练动作。然而该技术方案康复对象部位是针对全肢体康复，肌电采集的位点为全肢体，并未区分健侧和患侧，采集的信号非常难以进行分类和区别，采集的信号为脑电和肌电的综合识别信号，所识别的运动意图仅依据脑电信号，存在一定的误差，肌电信号仅应用于识别疲劳度，以防止高强度康复训练患者产生肌肉疲劳或拉伤，因此信号能够反应真实运动意图的置信度低。
[0006]因此，现有技术的康复方案缺乏基于肌电信号的运动意图识别模型的建立过程，特别是缺乏基于更易获得且容差率较低的肌电信号建立具有完善的运动意图的识别模型，因此无法针对性的实现主动手部功能强化康复训练的脑卒中患者的康复治疗辅助系统和
康复方案。

技术实现思路

[0007]为了解决现有技术中存在的问题，本专利技术提供了如下一种基于肌电运动意图识别模型的脑卒中患者康复方法及系统，基于所采集的患者不同动作时的表面肌电信号，进行数据样本扩展后建立肌电运动意图识别模型，基于识别模型可以较高准确率的识别运动意图从而进行有效的主动康复治疗。
[0008]本专利技术一方面提供了一种基于肌电运动意图识别模型的脑卒中患者康复方法，所述运动意图识别模型为基于肌电信号的运动意图识别模型，所述方法用于重度患者的镜像治疗以及中度和轻度患者的助动治疗，包括：
[0009]S1，所述重度或中度脑卒中患者将患侧手固定在康复辅具中；并将肌电采集传感器固定在所述重度患者的健侧手的对应位置以及中度或轻度脑卒中患者的患侧手的对应位置；
[0010]S2，根据提示进行相应的运动，肌电采集传感器采集健侧手或患侧手的肌电信号；
[0011]S3，基于所述肌电信号建立所述基于肌电信号的运动意图识别模型；
[0012]S4，基于肌电信号的运动意图识别模型确定所述脑卒中患者的运动意图；
[0013]S5，基于所述脑卒中患者的运动意图控制所述康复辅具做出对应的动作，完成一次患侧手的康复运动；
[0014]S6，多次重复S2
‑
S5，完成患侧手的康复运动。
[0015]优选的，所述方法还包括：
[0016]S7，对所述患侧手的康复运动的康复效果进行评估；
[0017]S8，基于所述康复效果评估所述脑卒中患者的康复参与度，基于所述康复参与度调整康复策略。
[0018]优选的，所述S3，基于所述肌电信号建立所述基于肌电信号的运动意图识别模型包括：
[0019]S31，对所述肌电信号进行预处理并获得建立肌电运动意图识别模型所需的第一部分数据集数据；
[0020]S32，将预处理后的肌电信号进行数据增强获得第二部分数据集数据；
[0021]S33，建立基于长短时序双流肌电信号的交叉注意力多尺度融合运动意图识别网络；
[0022]S34，将第一部分数据集数据和第二部分数据集数据组成肌电训练数据集，并将所述肌电训练数据集输入所述运动意图识别网络中进行训练学习，获得肌电运动意图识别模型。
[0023]优选的，所述S31的所述预处理包括降噪、归一化、取绝对值以及数据分割，其中：
[0024]S311，所述降噪包括：根据所述肌电信号的特点设置滤波器类型和系数以及盲源分离的方法；基于所述滤波器和盲源分离方法滤除原始的所述肌电信号中的工频干扰、运动伪迹和/或多通道串扰原因造成的噪声，从而获得滤除噪声后的肌电信号；
[0025]S312，所述归一化包括：基于Z
‑
score或最大最小归一化的方法将所述滤除噪声后的肌电信号限定到有利于模型训练的合适的大小，获得归一化肌电信号；
[0026]S313，所述取绝对值包括：将所述归一化肌电信号的全部序列取绝对值；
[0027]S314，数据分割：将取绝对值后的归一化肌电信号的全部序列切割为多个肌电时序窗，将所述多个肌电时序窗作为数据集数据。
[0028]优选的，所述S32包括基于随机取窗和时延信号增强的方式扩充所述数据集数据，其中：
[0029]S321，将取绝对值后的归一化肌电信号的全部序列进行随机取窗，包括：在每一类动作序列内随机选取窗的起始点，并根据窗长确定终止点从而获得随机取窗肌电时序窗；
[0030]S322，将取绝对值后的归一化肌电信号的全部序列进行时延信号增强，包括：随机选取S314的所述多个肌电时序窗中其中一个肌电时序窗的一段采样点并删除；选取所述其中一个肌电时序窗的下一时刻与删除采样点点数相同的采样点放入窗尾，形成时延信号增强的肌电时序窗。
[0031]优选的，所述S33的基于长短时序双流肌电信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于运动意图识别模型的脑卒中患者康复方法，其特征在于，所述运动意图识别模型为基于肌电信号的运动意图识别模型，所述方法用于重度患者的镜像治疗以及中度和轻度患者的助动治疗，包括：S1，所述脑卒中患者将患侧手固定在康复辅具中；并将肌电采集传感器固定在所述重度患者的健侧手的对应位置以及中度或轻度脑卒中患者的患侧手的对应位置；S2，根据提示进行相应的运动，肌电采集传感器采集健侧手或患侧手的肌电信号；S3，基于所述肌电信号建立所述基于肌电信号的运动意图识别模型；S4，基于肌电信号的运动意图识别模型确定所述脑卒中患者的运动意图；S5，基于所述脑卒中患者的运动意图控制所述康复辅具做出对应的动作，完成一次患侧手的康复运动；S6，多次重复S2
‑
S5，完成患侧手的康复运动。2.根据权利要求1所述的一种基于运动意图识别模型的脑卒中患者康复方法，其特征在于，所述康复方法还包括：S7，对所述患侧手的康复运动的康复效果进行评估；S8，基于所述康复效果评估所述脑卒中患者的康复参与度，基于所述康复参与度调整康复策略。3.根据权利要求1所述的一种基于运动意图识别模型的脑卒中患者康复方法，其特征在于，所述S3，基于所述肌电信号建立所述基于肌电信号的运动意图识别模型包括：S31，对所述肌电信号进行预处理并获得建立肌电运动意图识别模型所需的第一部分数据集数据；S32，将预处理后的肌电信号进行数据增强获得第二部分数据集数据；S33，建立基于长短时序双流肌电信号的交叉注意力多尺度融合运动意图识别网络；S34，将第一部分数据集数据和第二部分数据集数据组成肌电训练数据集，并将所述肌电训练数据集输入所述运动意图识别网络中进行训练学习，获得肌电运动意图识别模型。4.根据权利要求3所述的一种基于运动意图识别模型的脑卒中患者康复方法，其特征在于，所述S31的所述预处理包括降噪、归一化、取绝对值以及数据分割，其中：S311，所述降噪包括：根据所述肌电信号的特点设置滤波器类型和系数以及盲源分离的方法；基于所述滤波器和盲源分离方法滤除原始的所述肌电信号中的工频干扰、运动伪迹和/或多通道串扰原因造成的噪声，从而获得滤除噪声后的肌电信号；S312，所述归一化包括：基于Z
‑
score或最大最小归一化的方法将所述滤除噪声后的肌电信号限定到有利于模型训练的合适的大小，获得归一化肌电信号；S313，所述取绝对值包括：将所述归一化肌电信号的全部序列取绝对值；S314，数据分割：将取绝对值后的归一化肌电信号的全部序列切割为多个肌电时序窗，将所述多个肌电时序窗作为数据集数据。5.根据权利要求4所述的一种基于运动意图识别模型的脑卒中患者康复方法，其特征在于，所述S32包括基于随机取窗和时延信号增强的方式扩充所述数据集数据，其中：S321，将取绝对值后的归一化肌电信号的全部序列进行随机取窗，包括：在每一类动作序列内随机选取窗的起始点，并根据窗长确定终止点从而获得随机取窗肌电时序窗；S322，将取绝对值后的归一化肌电信号的全部序列进行时延信号增强，包括：随机选取
S314的所述多个肌电时序窗中其中一个肌电时序窗的一段采样点并删除；选取所述其中一个肌电时序窗的下一时刻与删除采样点点数相同的采样点放入窗尾，形成时延信号增强的肌电时序窗。6.根据权利要求5所述的一种基于运动意图识别模型的脑卒中患者康复方法，其特征在于，所述S33的基于长短时序双流肌电信号的交叉注意力多尺度融合运动意图识别网络包括双流Transformer编码器、交叉注意力模块、多尺度特征融合模块以及运动意图分类模块，其中：所述双流Transformer编码器包括通道注意力模块、长序列切片变换模块、短序列切片变换模块、再注意力模块以及前馈神经网络模块；所述交叉注意力模块用于同时学习由所述长序列切片变换模块和短序列切片变换模块分别获得的长序列分支和短序列分支的识别信息；所述多尺度特征融合模块用于将通过所述交叉注意力模块的所述长序列分支所学习到的所述识别信息和所述短序列分支所学习到的所述识别信息进行融合后输出多尺度融合特征；所述运动意图分类模块：使用全连接对所述多尺度融合特征进行运动意图分类得到运动意图输出结果。7.根据权利要求6所述的一种基于运动意图识别模型的脑卒中患者康复方法，其特征在于，建立所述双流Transformer编码器包括：S331，建立通道注意力模块，包括：根据肌电信号的时序性特征以及多通道肌电信号的空间特征，计算各个通道之间的联系，其中一个通道对应一个肌电传感器，多个肌电传感器分布在不同肌肉群上；学习空间分布中每个通道的信号特征对康复动作识别的重要性，并自适应调整各通道的识别权重，使经过所述通道注意力模块的肌电时序窗形成通道注意力；S332，建立长/短序列切片变换模块，包括：将形成所述通道注意力的肌电时序窗按照一定时间采样点数进行切片处理，分别形成较多采样点的长序列和较少采样点...

【专利技术属性】
技术研发人员：张文利，王宇飞，张健一，赵庭松，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：