【技术实现步骤摘要】
本专利技术涉及脑电信号处理，尤其涉及一种基于脑电信号识别的运动障碍康复训练方法和系统。
技术介绍
1、肢体运动障碍是因神经系统疾病或损伤而导致身体肌肉运动受限或无法控制的一种症状，影响患者日常生活的同时也给患者家庭带来了诸多麻烦。传统的肢体康复，患者被动接受机械式训练，缺乏大脑主动参与，对运动神经修复效果有限，需要进行长期的训练才能达到理想的效果。
2、运动想象的脑电信号包含运动相关的神经活动信息，通过脑机接口技术采集并对脑电信号进行分类识别是帮助患者高效恢复运动能力的一种很好的解决方案。但目前基于脑电信号识别的运动障碍康复训练主要有以下两个方面挑战：1.由于脑电信号本身十分微弱，且携带非平稳、非线性、非高斯、非短形式的特性，使得特征提取和信号分析过程复杂化；2.应用在运动障碍康复训练中的脑电信号识别具有很高的实时性要求，需要尽可能的提高识别速度和精度。
3、现有技术对于脑电信号识别针对上述问题并不能够很好的解决：传统的脑电信号解码是基于机器学习，对信号进行手动特征提取，识别准确率取决于特征选取的有效性且数据特征单一，受到的噪声干扰多；深度学习技术的应用虽然能够从复杂的脑电信号中提取到有效的辨识特征，但得到的网络模型结构复杂，不能满足康复训练的实时性要求，且需要一定数量的数据集训练，而长时间的训练会使患者感到疲劳造成数据效果不佳，如何通过对少量脑电信号数据集提取多范围、多尺度的更具有表征性的特征是当前深度学习应用在运动障碍康复的一大难点。
4、因此，如何设计科学的脑电信号识别模型，使其能够高效
技术实现思路
1、针对上述现有技术存在的问题，本专利技术提供了一种基于脑电信号识别的运动障碍康复训练方法和系统，目的是对复杂的脑电信号滤除无关噪声干扰，采用多时间关注度的全局自注意力模块组从少量数据集中在时间和空间两个维度上提取能够更好表征运动想象的特征，进一步提高信号识别精度，同时对建立的识别模型进行自蒸馏学习减轻模型训练成本，加快成型速度，保证运动想象的脑电信号识别的速率，实现了高速、高效的运动障碍康复训练。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、第一方面，本专利技术提供一种基于脑电信号识别的运动障碍康复训练方法，包括：
4、s1，对患者进行离线训练采集训练阶段数据，所述训练阶段数据为运动障碍患者想象不同运动类型时的多模态脑电信号；
5、s2，对所述多模态脑电信号进行预处理，依次包括基于带通滤波建立频域滤波器、标准化处理、对共空间模式算法进行改进建立空域滤波器；
6、s3，利用所述预处理后的脑电信号建立自注意力卷积神经网络提取脑电信号的时空特征，并基于自注意力卷积神经网络的预测分类和真实分类确定第一损失函数，基于所述时空特征与对应时空特征中心的距离确定第二损失函数；
7、s4，将所述自注意力卷积神经网络的深层网络层作为教师模型，浅层网络层作为学生模型，对所述自注意力卷积神经网络进行特征蒸馏和逻辑蒸馏以优化模型，得到第三损失函数；所述第三损失函数包括特征蒸馏过程中的特征相似性损失函数与逻辑蒸馏过程中的分类损失函数；
8、s5，基于所述第一损失函数、第二损失函数、第三损失函数的线性组合构建模型总损失函数，对所述自注意力卷积神经网络进行迭代训练得到脑电信号识别模型；
9、s6，采集患者在线训练的脑电信号作为康复阶段数据，将患者的所述康复阶段数据输入到患者最近一次离线训练时建立的所述脑电信号识别模型得到分类识别结果；
10、s7，将所述分类识别结果转化为外部设备可识别的控制命令，基于所述控制命令驱动相应的肢体运动，对患者完成运动障碍康复训练。
11、优选的，所述步骤s2所述带通滤波采用ii型切比雪夫滤波器对数据进行滤波以滤除无关的高频和低频噪声；所述标准化处理采用z-score进行归一化以降低数据的波动性和非平稳性。
12、优选的，所述步骤s2对共空间模式算法进行改进建立空域滤波器包括：
13、s231，对所述多模态脑电信号根据运动类型分组形成n类脑电信号，n为脑电信号运动类型的总数；
14、s232，分别计算各类脑电信号的归一化协方差矩阵i表征不同运动类型；并基于所述归一化协方差矩阵得到所述多模态脑电信号的混合空间协方差矩阵r；
15、s233，对所述多模态脑电信号的混合空间协方差矩阵r进行主分量分解；
16、s234，基于所述各类脑电信号的归一化协方差矩阵和所述主分量分解求取公共特征向量矩阵si，并对所述公共特征向量矩阵si采用步骤s233方式进行主分量分解得到各类脑电信号的特征值对角矩阵vi和与特征值对角矩阵vi对应的特征向量矩阵ui；
17、s235，对所有所述公共特征向量矩阵si进行近似联合对角化求取各类脑电信号对应的相关对角矩阵，并计算各所述相关对角矩阵中各特征值λj的重要度；所述重要度为所述特征值λj和所述特征值λj的反比例函数两者中的较大值；
18、s236，在各所述相关对角矩阵中按照所述重要度对所述特征值λj进行降序排序，并记录各所述相关对角矩阵中所述重要度最大值对应的所述特征值λj的值的相同个数；
19、s237，若各所述相关对角矩阵中所述重要度最大值对应的所述特征值λj的值均相同，则采用各所述相关对角矩阵中所述重要度排序前n个的所述特征值λj所对应的特征向量进行空域滤波；
20、若各所述相关对角矩阵中所述重要度最大值对应的所述特征值λj的值的相同个数为m，m<n，则采用各所述相关对角矩阵中所述重要度排序前m+1个的所述特征值λj所对应的特征向量建立空域滤波器。
21、优选的，所述步骤s3所述自注意力卷积神经网络包括：
22、特征提取层：将二维卷积算子分为两个一维卷积分别提取时域特征和空域特征，包括四层结构，其中第一层通过卷积操作提取脑电信号的时域特征；第二层学习不同导联通道之间的相互作用用于提取空域特征，第三层为时间维度的池化层，第四层使用自注意力模块得到全局时间位置的相关性；
23、中心损失层：基于所述时空特征与对应时空特征中心的距离定义中心损失函数为第二损失函数，用于最小化类别特征的中心和样本特征之间的欧氏距离；
24、分类层：利用全连接层分类器对所述特征提取层提取的脑电信号时空特征进行预测分类，并计算预测分类结果与真实脑电信号分类标签之间的交叉熵损失函数为第一损失函数。
25、优选的，所述自注意力模块为多个不同时间关注度的自注意力单元通过拼接归一化层并行连接成的全局自注意力模块组，其中所述自注意力单元采用多头缩放点积注意力机制，包括：本文档来自技高网...
【技术保护点】
1.一种基于脑电信号识别的运动障碍康复训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述步骤S2所述带通滤波采用II型切比雪夫滤波器对数据进行滤波以滤除无关的高频和低频噪声；所述标准化处理采用Z-score进行归一化以降低数据的波动性和非平稳性。
3.根据权利要求1所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述步骤S2对共空间模式算法进行改进建立空域滤波器包括：
4.根据权利要求1所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述步骤S3所述自注意力卷积神经网络包括：
5.根据权利要求4所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述自注意力模块为多个不同时间关注度的自注意力单元通过拼接归一化层并行连接成的全局自注意力模块组，其中所述自注意力单元采用多头缩放点积注意力机制，包括：
6.根据权利要求5所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述步骤S53计算所述K矩阵中相同时间帧下的各个特征向量在
7.根据权利要求5所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述步骤S54基于所述关键表征向量和所述Q矩阵计算第一注意力权重矩阵，并根据所述第一注意力权重矩阵中的权重大小对所述Q矩阵进行压缩操作，得到压缩Q矩阵包括：
8.根据权利要求1所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述步骤S4所述对所述自注意力卷积神经网络进行特征蒸馏，得到所述特征相似性损失函数包括：
9.根据权利要求1所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述步骤S4所述对所述自注意力卷积神经网络进行逻辑蒸馏，得到所述分类损失函数包括：
10.一种基于脑电信号识别的运动障碍康复训练系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于脑电信号识别的运动障碍康复训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述步骤s2所述带通滤波采用ii型切比雪夫滤波器对数据进行滤波以滤除无关的高频和低频噪声；所述标准化处理采用z-score进行归一化以降低数据的波动性和非平稳性。
3.根据权利要求1所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述步骤s2对共空间模式算法进行改进建立空域滤波器包括：
4.根据权利要求1所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述步骤s3所述自注意力卷积神经网络包括：
5.根据权利要求4所述的基于脑电信号识别的运动障碍康复训练方法，其特征在于，所述自注意力模块为多个不同时间关注度的自注意力单元通过拼接归一化层并行连接成的全局自注意力模块组，其中所述自注意力单元采用多头缩放点积注意力机制，包括：
6.根...
【专利技术属性】
技术研发人员：吕钊，王华彬，李平，张超，范存航，张道信，张磊，李心慧，
申请(专利权)人：安徽大学，
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。