一种双手运动的神经解码方法与基于该方法的机械手技术

本发明专利技术公开了一种双手运动的神经解码方法与基于该方法的机械手，包括：采集人脑头皮指定电极位置的脑电信号，对脑电信号进行预处理，获得去噪脑电信号；分别对不同频段的去噪脑电信号进行特征提取，并将提取的特征进行组合融合，获得脑电信号融合特征信息；构建线性解析模型，通过线性解析模型对融合特征信息解析，获得手部运动意图，完成双手运动的神经解码。本发明专利技术通过提取人在进行手部运动时的不同频段的脑电信号的不同特征并进行特征信息融合，并采用线性判别分析算法对特征进行解码，解析得到人的手部运动方向，并将其转化为控制命令控制外骨骼机械手进行开合运动，实现了双手运动的方向解码和外骨骼机械手的控制运动。手运动的方向解码和外骨骼机械手的控制运动。手运动的方向解码和外骨骼机械手的控制运动。

【技术实现步骤摘要】
一种双手运动的神经解码方法与基于该方法的机械手


[0001]本专利技术属于神经科学领域，特别是涉及一种双手运动的神经解码方法与基于该方法的机械手。

技术介绍

[0002]脑电信号(EEG信号)可以很好地反映大脑活动，研究表明，利用脑电信号解码人体运动意图是可行的。解码人体运动意图是人机交互系统中的一个重要研究方向，尤其是解码人体手部精细协调运动，通过将解码信息转化为数字设备的控制信号。可以辅助中风患者进行手部康复运动或通过控制机械臂帮助患者进行日常的生活抓取任务等。
[0003]过去，有很多研究都对基于EEG信号的手部运动学参数解码进行了研究，主要分为近端手臂运动和远端手部精细运动两类。2013年，Robinson等人通过使用正则化小波
‑
共空间模式算法来提取特征，右手臂在水平面四个正交方向执行运动，基于EEG信号特征的运动方向分类结果为80.24％。在2018年，Chouhan等人提出了一种基于小波锁相值的手臂运动分类方法，在水平面上的四个正交方向上执行右手运动，基于EEG信号的二分类结果达到了76.85％的准确性。2021年，王佳蓉等人研究了脑电信号中单手臂和双手臂运动方向的神经特征和方向解码，基于EEG信号特征对包括两个单手臂和四个双手臂运动方向在内的六类运动方向进行解码分类，并达到了72.29％的分类准确率。与上肢近端区域相比，手和手指的运动研究较少，但它是日常生活活动的核心组成部分，许多日常生活活动需要灵巧和精细的运动动作(例如抓和捏，用刀叉吃饭，提取物体等)，对于中风或颈脊髓损伤的患者手部功能的恢复是重新获得自主能力和提高生活质量的重要目标。2019年，Ofner等人研究了颈脊髓损伤患者5种不同手部运动类型(即手打开、掌握、侧握、内翻旋转，外翻旋转)，基于EEG信号的时域信号进行分类获得45％的分类准确度。2020年，Schwarz等人使用低频时域EEG信号来区分单手和双手伸手抓握动作(即左手和右手的手掌抓握/侧面抓握，双手混合手掌/侧面抓握)，对六种运动条件和一种休息条件进行多类分类，获得38.6％的分类准确度。2020年，Nann等人研究脑电/眼电(EEG/EOG)混合信号控制双侧外骨骼手来张开和闭合瘫痪患者的手，通过使用EOG信号控制一侧外骨骼打开，再利用EEG信号控制外骨骼手关闭。结果表明，使用外骨骼可以恢复四肢瘫痪患者日常生活的自主性和独立性。
[0004]现阶段，聚焦于手部精细运动的解码研究并不多，并且主要集中在研究单手运动解码。Schwarz等人研究了病人康复中常用的动作，虽然研究了双手运动的解码，但设计的动作中涉及到了手臂的运动，不是完全地解码手部动作。手臂肌肉的运动可能会影响到解码效果，对于研究手部精细运动时大脑不同区域的变化会产生一些影响。本文重点聚焦于双手手部精细运动的研究，基于解码方法并设计外骨骼机械手控制手部进行开合运动，通过闭环的手部运动训练，可以增强大脑的可塑性，对于患者起到康复的效果。

技术实现思路

[0005]本专利技术的目的是提供一种双手运动的神经解码方法与基于该方法的机械手，通过
解析脑电信号，并将脑电信号转换为控制命令控制外骨骼机械手进行开合运动，从而可以带动使用者手部进行开合运动。应用场景主要包括中风患者的手部康复治疗、辅助残障患者的日常手部抓取运动。
[0006]为实现上述目的，本专利技术提供了一种双手运动的神经解码方法，包括：
[0007]采集人脑头皮指定电极位置的脑电信号，对所述脑电信号进行预处理，获得去噪脑电信号；
[0008]分别对不同频段的所述去噪脑电信号进行特征提取，并将提取的特征进行组合融合，获得脑电信号融合特征信息；
[0009]构建线性解析模型，通过所述线性解析模型对所述融合特征信息解析，获得手部运动意图，完成双手运动的神经解码。
[0010]可选的，预处理的过程包括：将所述脑电信号放大，并进行降采样处理，获得第一修正信号；对所述第一修正信号进行基线校正，获得第二修正信号；通过巴特沃斯滤波器对所述第二修正信号进行带通滤波，得到第三修正信号；采用独立成分分析对第三修正信号处理，去除眼电伪迹，得到第四修正信号；通过伪迹子空间重构去除所述第四修正信号中的运动伪迹，得到第五修正信号；利用共同平均参考法去除所述第五修正信号中各个通道共同的背景噪声，得到预处理后的脑电信号。
[0011]可选的，特征提取的过程包括：提取低频段去噪脑电信号的运动相关皮层电位信号，提取高频段事件相关去同步/同步化信号；提取所述运动相关皮层电位信号的样本幅值作为第一脑电信号特征值，对所述高频段事件相关去同步/同步化信号进行共空间模式空间滤波，提取空间滤波后信号的方差作为第二脑电信号特征值。
[0012]可选的，组合融合的过程包括：对所述第一脑电信号特征值采用主成分分析进行降维后，与所述第二脑电信号特征值融合获得所述脑电信号融合特征信息。
[0013]可选的，线性解析模型的构建过程包括：构建初始模型，建立手部运动任务集合，选择测试者，所述测试者执行手部运动任务过程中，采集测试者头皮指定电极位置的脑电信号，脑电信号进行处理后获得脑电信号特征，结合手部运动任务集合作为训练样本，将受试者的脑电信号特征作为线性判别分析算法输入，所述手部运动任务作为标签输出对所述初始模型进行训练，得到线性解析模型。
[0014]可选的，训练的过程包括：将受试者的脑电信号特征作为输入，所述手部运动任务作为标签输出，采用线性判别算法获得最佳投影方向，利用所述最佳投影方向对所述训练样本进行投影，获得阈值选取范围，在所述阈值选取范围内采用迭代的方法选取训练样本分类精度最高的阈值，将所述最佳投影方向与所述阈值代入所述初始模型，得到线性解析模型。
[0015]本专利技术还提供了一种基于该方法的机械手，其特征在于，包括：
[0016]信号获取单元，用于采集人脑头皮指定电极位置的脑电信号；
[0017]信号预处理单元，用于对所述脑电信号进行噪声处理，获得去噪脑电信号；
[0018]特征提取单元，用于对不同频段的去噪脑电信号进行特征提取，并将提取的特征进行组合融合，获得脑电信号融合特征信息；
[0019]信号解码单元，用于将所述脑电信号融合特征信息输入线性解析模型进行解析，得到人的手部运动意图；
[0020]外骨骼机械手控制单元，将解析得到人的手运动意图并转换为控制命令控制外骨骼机械手机构运动。
[0021]可选的，所述信号预处理单元，用于将所述脑电信号放大，然后通过降采样减少采样数据的点数便于后续处理，得到第一修正信号；
[0022]通过基线校正的方法去除第一修正信号中的零点漂移，得到第二修正信号；
[0023]利用巴特沃斯滤波器对第二修正信号进行带通滤波，得到第三修正信号；
[0024]对第三修正信号使用独立成分分析去除眼电伪迹，得到第四修正信号；
[0025]利用伪迹子空间重构对第四修正信号去除运动伪迹，得到第五修正信号；
[0026]利用共同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双手运动的神经解码方法，其特征在于，包括以下步骤：采集人脑头皮指定电极位置的脑电信号，对所述脑电信号进行预处理，获得去噪脑电信号；分别对不同频段的所述去噪脑电信号进行特征提取，并将提取的特征进行组合融合，获得脑电信号融合特征信息；构建线性解析模型，通过所述线性解析模型对所述融合特征信息解析，获得手部运动意图，完成双手运动的神经解码。2.根据权利要求1所述的双手运动的神经解码方法，其特征在于，预处理的过程包括：将所述脑电信号放大，并进行降采样处理，获得第一修正信号；对所述第一修正信号进行基线校正，获得第二修正信号；通过巴特沃斯滤波器对所述第二修正信号进行带通滤波，得到第三修正信号；采用独立成分分析对第三修正信号处理，去除眼电伪迹，得到第四修正信号；通过伪迹子空间重构去除所述第四修正信号中的运动伪迹，得到第五修正信号；利用共同平均参考法去除所述第五修正信号中各个通道共同的背景噪声，得到预处理后的脑电信号。3.根据权利要求1所述的双手运动的神经解码方法，其特征在于，特征提取的过程包括：提取低频段去噪脑电信号的运动相关皮层电位信号，提取高频段事件相关去同步/同步化信号；提取所述运动相关皮层电位信号的样本幅值作为第一脑电信号特征值，对所述高频段事件相关去同步/同步化信号进行共空间模式空间滤波，提取空间滤波后信号的方差作为第二脑电信号特征值。4.根据权利要求3所述的双手运动的神经解码方法，其特征在于，组合融合的过程包括：对所述第一脑电信号特征值采用主成分分析进行降维后，与所述第二脑电信号特征值融合获得所述脑电信号融合特征信息。5.根据权利要求1所述的双手运动的神经解码方法，其特征在于，线性解析模型的构建过程包括：构建初始模型，建立手部运动任务集合，选择测试者，所述测试者执行手部运动任务过程中，采集测试者头皮指定电极位置的脑电信号，脑电信号进行处理后获得脑电信号特征，结合手部运动任务集合作为训练样本，将受试者的脑电信号特征作为线性判别分析算法输入，所述手部运动任务作为标签输出对所述初始模型进行训练，得到...

【专利技术属性】
技术研发人员：毕路拯，高润，张超杰，刘莹，王佳蓉，费炜杰，戴乐，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：