[发明专利]基于脑肌电信号深度学习融合的脑卒中运动康复方法

权利要求书

1.一种基于脑肌电信号深度学习融合的脑卒中运动康复方法，其特征在于，包括如下步骤：

1)使用者将需要康复的肢体固定于康复运动装置中，并将脑电信号采集装置的电极帽固定在头部对应位置；

2)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；

3)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；

步骤3)是采用一种多层网络分别用于运动意图分类及状态监测，包括：

(1)L1层，该层为信号输入层，输入16个脑电电极通道和2个肌电电极通道的信号，即18*1000的输入矩阵，其中18代表16个脑电电极通道的运动想象脑电信号和2个肌电电极通道的肌电信号，1000代表每个通道的时间采样点；

(2)L2层，该层为特征提取层，用于分别对脑电信号、肌电信号进行特征提取，得到特征矩阵，并输出大脑和肌肉的疲劳指数，具体是：

通过OVR-CSP多分类特征提取方法提取脑电信号特征，即采用4次共空间模式算法进行特征提取，并将4次的结果逐一拼接在一起，形成一个特征矩阵；

通过计算积分肌电值作为肌电信号特征，计算公式为：

其中，x_i为第i个信号采样点值，N为信号长度；

通过计算脑电信号的慢波和快波的能量比，即大脑疲劳指数F_θ/β，反映大脑的疲劳程度，表达式为：

其中，E_θ为θ波能量，E_β为β波能量；

计算肌电信号功率曲线中心位置的频率值，即肌肉疲劳指数MPF，表达式为：

其中，f为频率变量，p(f)为功率谱函数；

(3)L3层，该层为状态监测层，用于基于L2层得到的大脑疲劳指数和肌肉疲劳指数计算整体的疲劳指数，表达式为：

F＝F_θ/β*MPF

(4)L4层，为特征融合层，包括使用64种滤波器的卷积层和池化层，卷积层用于将L2层得到的脑电信号特征矩阵和肌电信号特征矩阵进行融合，所述融合的方式为每一种滤波器分别与运动想象脑电信号特征和肌电特征进行卷积，得到64种不同的融合特征映射，卷积核的大小设置为25*1；池化层使用均值池化，针对融合特征进行降采样，减少后续计算消耗；

(5)L5层，该层为分类器，包括全连接层和输出层，其中，全连接层将特征融合层与输出层全连接，神经元个数设置为100个；输出层设置4个神经元，输出的结果分别代表左手运动想象、右手运动想象、左脚运动想象、右脚运动想象；

4)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。

2.根据权利要求1所述的基于脑肌电信号深度学习融合的脑卒中运动康复方法，其特征在于，步骤2)中在首次进行运动想象时，只产生运动想象脑电信号，肌电信号为零。

3.根据权利要求1所述的基于脑肌电信号深度学习融合的脑卒中运动康复方法，其特征在于，步骤2)所述的运动想象每次持续8s，前两秒显示屏显示空白，之后在显示屏中央出现一个字，并发出beep声提示，提醒使用者运动想象即将开始；从2s到3s间，显示屏上的字随机变成F、T、L或R中的一种字母提示，使用者根据字母提示想象与字母所对应的脚运动、舌头运动、左手运动或右手运动，运动想象期间持续4s；每两次运动想象期间有3至5s的随机休息间隔，每30次运动想象之间有3分钟的休息时间。

4.根据权利要求1所述的基于脑肌电信号深度学习融合的脑卒中运动康复方法，其特征在于，所述的脑电信号采集装置根据国际10-20系统采集16个电极通道的脑电数据，所述16个电极通道分别为Fz、FCz、FC1、FC2、FC3、FC4、Cz、C1、C2、C3、C4、CPz、CP1、CP2、P1、POz；参考电极放置在左耳乳突处，接地电极由CMS和DRL两个独立电极替代；肌电信号采集装置采集二头肌与三头肌的皮层电肌信号，采样率为500Hz。