[发明专利]一种基于运动想象的上肢外骨骼控制方法及系统

说明书

技术领域

本发明涉及康复医疗与运动想象脑电分类技术，特别是涉及一种基于运动想象的上肢外骨骼控制方法及系统。

背景技术

近年来，康复型上肢外骨骼作为一种辅助的治疗设备，通过智能人机接口，可对处于不同康复期的脑卒中患者提供不同强度、不同模式的训练。脑机接口技术(brain-computer interface，BCI)利用脑电信号(electroencephalogram，EEG)可以实现人脑与计算机或其它电子设备的通讯和控制，已经大量应用于康复训练中。作为一种人机交互的控制手段，脑机接口技术不仅和其它传统控制方式(表面肌电信号和力反馈)一样可以辨识患者运动意图，还可以帮助神经肌肉系统瘫痪但思维正常的患者实现与外界的交互。

传统的运动想象分类方法先手工提取EEG时频特征信息，然后采用机器学习的方法建立EEG特征和运动想象之间的映射关系。但由于脑电信号的信噪比低，脑机接口面临的主要问题之一是分类率低，一些基于传统方法(特征提取和分类模块分离)对左、右手运动想象分类的研究得出的识别率还未能高于80％。因此，如何对脑电信号进行有效地特征提取和分类，已成为运动想象辨识的重要研究内容。例如，山东大学的“一种基于卷积神经网络的P300脑电信号检测方法”专利申请文件(201510445894.X)提出了一种基于卷积神经网络的P300脑电信号检测方法，它通过卷积神经网络对P300脑电信号进行特征提取，并进一步进行检测。但是其存在很大不足，一是方法中的卷积核设置为一般图像识别中的矩阵，会使卷积运算后的特征中同时混杂空间和时间信息；二是P300脑电信号属于诱发脑电，需要外界刺激产生，不如运动想象脑电(自发脑电)具有实际操作性；三是通过P300脑电信号的检测，只能作为一个开关指令，而通过运动想象可以进行多类别的识别，输出多种控制指令。

深度学习中的卷积神经网络(convolutional neural network，CNN)是一种多层感知器的变种，已被广泛运用于语音识别和图像识别领域。基于局部感受野和权值共享的概念，CNN能大大降低网络结构的复杂度，减少权值的数量。由于CNN直接面向原始信号，可以提取更广泛、更深层、更具有区别度的特征信息。因此，可以有效避免传统方法中将特征提取和解码模块分离而导致特征提取过程中信息丢失的问题。已有相关专利将CNN应用于诱发脑电(如201510445894.X)，但仍没有将其应用于运动想象脑电的分类。诱发脑电和自发脑电两者产生的模式不同，导致不同的基本特性，因此分类的过程、表现不同。并且，脑电信号是一种将时间和空间特征结合的信号，现有基于CNN的二维图像识别方法并不适用，需针对性地设置卷积核大小和网络结构。

发明内容

为了克服已有脑电信号由于信噪比低导致分类识别率较低、体验效果较差的不足，本发明提供一种分类识别率较高、体验效果良好的基于运动想象的上肢外骨骼控制方法及系统。

本发明解决其技术问题所采用的技术方案是：

一种基于运动想象的上肢外骨骼控制方法，所述控制方法包括以下步骤：

1)被试根据显示屏中的左箭头或下箭头提示进行相应的运动想象，即左手运动想象和脚运动想象，产生的原始脑电信号进行预处理；

2)针对脑电信号的时-空特性，设计了一种5层的CNN结构，第1层为输入层，第2层为卷积层，第3层为降采样层，第4、5层为全连接层，第3层的输出和第4、5层构成分类部分；根据脑电信号时间和空间特征相结合的特性，将卷积核设置为向量，而非一般图像识别中的矩阵，不使卷积运算后的特征中同时混杂两种信息；

将预处理后的原始脑电信号输入所述CNN结构，对脑电信号进行特征提取和分类，输出识别结果；

3)上肢外骨骼控制器根据输出识别结果获得驱动器控制信号，驱动上肢外骨骼并带动前臂做相应运动；如果分类结果为左手运动想象，则上肢外骨骼做伸动作，如果分类结果为脚运动想象，则上肢外骨骼做屈动作。

进一步，所述步骤2)中，所述第1层中，每个输入样本为的输入矩阵，其中28代表通道数，60表示每个通道中的时间采样点；

所述第2层中，对原始输入样本进行空间滤波，因此该层与输入层之间的连接是局部连接。；在该层使用8种滤波器，每种滤波器去卷积输入矩阵就得到不同特征的映射，即得到8个特征图；卷积核的大小设置为[28×1]，每个特征图的大小为(1×60)；卷积核设置为向量；