一种单侧上肢运动态下力度变化运动想象脑电特征识别方法技术

本发明专利技术公开了一种单侧上肢运动态下力度变化运动想象脑电特征识别方法，一种单侧上肢运动态下力度变化运动想象脑电特征识别方法，包括以下步骤：步骤1、在脑电信号采集实验过程中采集受试者在范式诱导下执行运动想象过程的脑电信号，范式设计为单侧上肢运动态下力度变化运动想象过程；步骤2、对各单次实验的脑电信号进行预处理；步骤3、构建混合神经网络应用于单侧上肢运动态下力度变化运动想象脑电特征识别；步骤4、对整个混合神经网络以有监督的方式进行训练。本发明专利技术能够应用于脑控康复机器人系统的机器人与患者动态力交互过程。人系统的机器人与患者动态力交互过程。人系统的机器人与患者动态力交互过程。

【技术实现步骤摘要】
一种单侧上肢运动态下力度变化运动想象脑电特征识别方法


[0001]本专利技术涉及脑机交互
，具体涉及一种单侧上肢运动态下力度变化运动想象脑电特征识别方法。

技术介绍

[0002]在运动想象脑机接口技术中，将康复机器人作为脑机接口外部设备构成脑控康复机器人系统，通过系统的闭环反馈控制，在大脑和受损肢体之间建立一条新的人工神经通路，可帮助脑卒中等脑损伤患者实现大脑的神经重塑、改善肢体运动功能，在临床上具有较大应用潜力。现有运动想象脑机接口一般采用左右手、脚等简单肢体动作运动想象范式，诱导的可辨识思维状态类别数较为有限，仅能提供少量指令来控制康复机器人的运动方向。然而，康复机器人辅助训练主要强调机器人与患者之间力的动态交互过程。由于患者的肌力水平与运动能力不同，机器人需根据患者对辅助力的需求在运动方向上提供力来辅助患者完成肢体运动训练。因此，如何让运动想象脑机接口诱导并辨识出患者对辅助力需求的思维状态，实现大脑思维对康复机器人在运动方向上的力控制，对脑控康复机器人系统的临床应用具有重要价值。
[0003]一些研究者设计了单侧上肢静态下力度变化运动想象范式，并实现了这类范式诱导下大脑思维状态所对应脑电信号特征的识别。例如，Xu等设计了右手握力运动想象范式，对右手握拳动作引入三档力度(20％，50％，80％最大自主收缩力(maximum voluntary contraction，MVC))，并采用希尔伯特变换(hilbert transform，HHT)与支持向量机(support vector machine，SVM)算法对受试者脑电数据提取特征并进行分类。这些研究通过肢体静态动作的力度大小扩展了运动想象脑机接口的可辨识思维状态类别数，但肢体静态下力度变化运动想象范式难以应用于脑控康复机器人系统的机器人与患者动态力交互过程。并且对于脑电信号的特征识别，采用传统方法会依赖于人工手动提取特征，特征学习有限，当可分类别增多时，分类准确率较低。针对上述问题，研究者们开始研究脑电特征识别的深度学习算法。Yang等提出利用共空间模式(common spatial pattern,CSP)提取脑电空间域特征，再通过卷积神经网络(convolution neural network,CNN)学习深层次特征，然而由于CNN学习脑电时序特征较差，特征学习不充分，分类效果表现不佳。Ma等提出了时间分布式注意网络(time
‑
distributed attention，TD
‑
Atten)对脑电特征进行识别，利用滑动窗方法对脑电信号进行连续切片，进而利用一对多滤波器组共空间模式(one
‑
versus
‑
rest filter bank common spatial pattern，OVR
‑
FBCSP)算法提取切片后的脑电频率
‑
空间域特征，并利用注意力机制和长短时记忆网络(long short
‑
term memory，LSTM)进一步提取脑电时序特征。然而该网络模型仍需要人工手动提取脑电特征，分类准确率受限于特征提取的质量。Schirrmeister等采用端到端的方式从脑电数据中自动学习特征，避免了人工手动提取特征。由于脑电信号的时间相关性较强，因此该方式主要利用时间卷积神经网络(temporal convolutional neural network，TCN)提取脑电信号随时间变化的状态特征进而完成分类。然而，上述端到端网络采用单一尺度的卷积核提取脑电特征，特征信息较为
单一。

技术实现思路

[0004]本专利技术的目的在于提供一种单侧上肢运动态下力度变化运动想象脑电特征识别方法，能够应用于脑控康复机器人系统的机器人与患者动态力交互过程。
[0005]一种单侧上肢运动态下力度变化运动想象脑电特征识别方法，包括以下步骤：
[0006]步骤1、在脑电信号采集实验过程中采集受试者在范式诱导下执行运动想象过程的脑电信号，范式设计为单侧上肢运动态下力度变化运动想象过程；
[0007]步骤2、对各单次实验的脑电信号进行预处理；
[0008]步骤3、构建混合神经网络应用于单侧上肢运动态下力度变化运动想象脑电特征识别，所述混合神经网络包括按顺序串联的输入层、维度转换层、多尺度时间卷积网络模块、空间卷积模块、池化层、丢弃层、注意力模块、平铺层和全连接层；
[0009]步骤4、对整个混合神经网络以有监督的方式进行训练。
[0010]作为优选，所述步骤1中采集实验包括多轮，每轮包含若干个单次实验，以每若干轮实验为一组按力度从小到大安排，且每轮运动想象实验的力度均一致。
[0011]作为优选，所述步骤2中首先采用双侧乳突平均进行重参考，接着对脑电信号进行基线校正，进行0.5
‑
100Hz带通滤波和50Hz工频凹陷滤波，去除垂直眼电伪迹并剔除坏块，之后采用共平均参考对脑电信号进行空间滤波以提高信噪比，并进行8
‑
30Hz带通滤波保留与运动想象有关的频段的脑电信号，最后将脑电信号进行降采样。
[0012]作为优选，所述步骤3具体如下：
[0013]步骤3
‑
1、输入层的输入是预处理后的二维脑电信号h∈R
N
×
M
，R
N
×
M
代表二维实数空间，N、M分别为脑电信号的导联数和时间点数；
[0014]步骤3
‑
2、维度转换层将二维脑电信号h∈R
N
×
M
转换成三维脑电数据h∈R1×
N
×
M
，其有通道、高度和宽度三个维度，R1×
N
×
M
代表三维实数空间；
[0015]步骤3
‑
3、构建多尺度时间卷积网络模块，对三维脑电数据h∈R1×
N
×
M
按各单次实验提取多维细粒度时间
‑
频率域特征，接着对提取到的多维细粒度时间
‑
频率域特征进行拼接融合，得到增强的脑电信号时间
‑
频率域特征信息；
[0016]步骤3
‑
4、构建空间卷积模块，继续对增强的脑电信号时间
‑
频率域特征信息提取空间特征，得到脑电信号时间
‑
频率
‑
空间域特征信息；
[0017]步骤3
‑
5、在空间卷积模块后按顺序串联池化层、丢弃层，通过池化层对得到的脑电信号时间
‑
频率
‑
空间域特征信息进行宽度维度上的聚合处理，并采用丢弃层对特征信息进行随机丢弃以避免噪声数据的影响；
[0018]步骤3
‑
6、构建注意力模块，采用通道注意力机制对经过池化层和丢弃层后的脑电信号时间
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种单侧上肢运动态下力度变化运动想象脑电特征识别方法，其特征在于，包括以下步骤：步骤1、在脑电信号采集实验过程中采集受试者在范式诱导下执行运动想象过程的脑电信号，范式设计为单侧上肢运动态下力度变化运动想象过程；步骤2、对各单次实验的脑电信号进行预处理；步骤3、构建混合神经网络应用于单侧上肢运动态下力度变化运动想象脑电特征识别，所述混合神经网络包括按顺序串联的输入层、维度转换层、多尺度时间卷积网络模块、空间卷积模块、池化层、丢弃层、注意力模块、平铺层和全连接层；步骤4、对整个混合神经网络以有监督的方式进行训练。2.根据权利要求1所述的单侧上肢运动态下力度变化运动想象脑电特征识别方法，其特征在于，所述步骤1中采集实验包括多轮，每轮包含若干个单次实验，以每若干轮实验为一组按力度从小到大安排，且每轮运动想象实验的力度均一致。3.根据权利要求1所述的单侧上肢运动态下力度变化运动想象脑电特征识别方法，其特征在于，所述步骤2具体为：首先采用双侧乳突平均进行重参考，接着对脑电信号进行基线校正，进行0.5
‑
100Hz带通滤波和50Hz工频凹陷滤波，去除垂直眼电伪迹并剔除坏块，之后采用共平均参考对脑电信号进行空间滤波以提高信噪比，并进行8
‑
30Hz带通滤波保留运动想象相关频段的脑电信号，最后对脑电信号进行降采样。4.根据权利要求1所述的单侧上肢运动态下力度变化运动想象脑电特征识别方法，其特征在于，所述步骤3具体如下：步骤3
‑
1、输入层的输入是预处理后的二维脑电信号h∈R
N
×
M
，R
N
×
M
代表二维实数空间，N、M分别为脑电信号的导联数和时间点数；步骤3
‑
2、维度转换层将二维脑电信号h∈R
N
×
M
转换成三维脑电数据h∈R1×
N
×
M
，其有通道、高度和宽度三个维度，R1×
N
×
M
代表三维实数空间；步骤3
‑
3、构建多尺度时间卷积网络模块，对三维脑电数据h∈R1×
N
×...

【专利技术属性】
技术研发人员：徐佳琳，左国坤，宋涛，盛俊鹏，张佳楫，施长城，
申请(专利权)人：中国科学院宁波材料技术与工程研究所，
类型：发明
国别省市：