CN104000586A - 基于脑肌电和虚拟场景的脑卒中患者康复训练***及方法 - Google Patents

Abstract

一种基于脑肌电和虚拟场景的脑卒中患者康复训练***及方法，通过肌电信号实现虚拟康复场景的控制，并结合脑肌电疲劳指标自适应的调整康复训练强度。合脑卒中患者康复训练的需要及康复医师的建议完成虚拟康复场景的设计，并提出了脑疲劳指数，实现脑区疲劳的定量评价；提取手臂不同运动模式下表面肌电信号特征获取患者的运动意图，实现虚拟康复场景的控制；提取肌肉疲劳、脑疲劳指数综合特征获取康复患者的疲劳状态，实现自适应的调节康复训练场景，减缓或增强康复训练强度，避免不当训练所造成的二次损伤。本发明具有安全性强、智能化高、训练科学、不易受伤等优点。

Description

基于脑肌电和虚拟场景的脑卒中患者康复训练***及方法

技术领域

本发明涉及康复医疗设备技术领域，尤其是一种用于脑卒中患者的康复训练***和方法。

背景技术

脑卒中即人们所熟知的中风，其具有发病率高、死亡率高、致残率高、复发率高等特点，所以医学界把它同冠心病、癌症并列为威胁人类健康的三大疾病之一。临床研究表明，通过及时、积极的康复训练，大部分中风患者可以恢复简单肢体运动能力、甚至痊愈。传统的脑卒中恢复期治疗方法是以反射或分级运动控制为理论基础，主要是依靠康复医师手动辅助患者康复训练，但是康复训练的时间和疗程无法得到保障，从而影响康复效果。

随着机器人技术的不断发展，机器人辅助运动功能训练应运而生，并应用于脑卒中患者恢复期康复训练。机器人能够控制和量化训练强度、客观地测量在训练过程中运动学和力量的变化，提供脑卒中患者可重复性、任务导向性和交互式的治疗。Gerdienk等人认为机器人辅助技术对运动控制的改善效果更优于传统训练方法，可有效地改善恢复期脑卒中患者肢体运动控制和功能水平。然而，目前脑卒中患者应用康复机器人辅助康复训练时，大多接受被动治疗，患者的运动意图很少在康复过程中得到体现，使患者参与康复训练的积极性与主动性有所欠缺。

近年来，国内外科研机构结合虚拟现实技术实现了新的治疗方法——计算机辅助的运动功能训练，并应用于脑卒中患者恢复期康复训练，例如：2008年EBRSR(Evidence-Based Review of Stroke Rehabilitation)指南推荐在脑卒中使用虚拟现实技术以提高患者运动功能，推荐强度为A。计算机辅助的运动功能训练，是通过游戏使患者把注意力集中在运动的结果而不是运动本身，一定程度上能够增强康复患者的趣味性。但是，上述计算机辅助训练***只能辅助患者完成相对简单的康复训练，仍难以调动患者的主动参与意识和自信心。同时由于欠缺对患者生理状态的评价策略，患者康复过程中产生疲劳，易于出现意外导致二次受伤，进而限制了虚拟现实技术的临床推广应用。

发明内容

针对上述技术中提到当前脑卒中患者在康复训练中的不足，本发明目的在于提供一种利用虚拟场景进行训练、在训练过程中了解患者疲劳度、并能增加训练趣味性和安全性的基于脑肌电和虚拟场景的脑卒中患者康复训练***及方法。

为实现上述目的，采用了以下技术方案：本发明所述***包括信号采集部分、数据预处理部分、运动指标提取部分、运动疲劳指标提取部分、虚拟场景设计部分以及康复训练实验部分；其中，

所述的信号采集部分对患者的脑电信号和肌电信号进行提取；

所述的数据预处理部分对采集到的脑电信号和肌电信号进行滤波处理；

所述的运动指标提取部分是对患者肌肉动作时放电量的分析提取；

所述的运动疲劳指标提取部分是对患者脑电信号和肌电信号分别进行分析提取，进而判断运动疲劳或脑疲劳；

所述的虚拟场景设计部分是在计算机环境下基于Visual C#2010开发设计，在计算机上生成虚拟场景并显示输出，建立人机交互反馈机制；

所述的康复训练实验部分是患者根据虚拟场景中康复训练要求，通过手臂屈、伸和左、右摇摆控制虚拟场景中虚拟手掌完成指定任务。

所述信号采集部分中，肌电信号的采集采用三点式差动输入，其中两个为肌电的差分输入端，另外一个为参考地，差分输入电极顺着肌纤维方向，放置在肌腹处；脑电信号采集采用8通道脑肌电同步采集仪进行采集，采用国际标准10～20电极放置标准，通过电极帽将电极与头皮相连，采用单级导联法，参考电极导联分别连接到左右耳后乳突处，接地电极布置在头顶正中。

所述数据预处理部分，使用自适应高通滤波器和自适应50Hz工频陷波滤波器分别对脑电信号、肌电信号进行滤波处理，去除信号中的基线漂移和工频干扰；再使用巴特沃斯三阶带通FIR滤波器对脑电信号、肌电信号进行处理，根据信号的有效频段特征，选取肌电信号的截止频率为2Hz～200Hz，选取脑电信号的截止频率为2Hz～50Hz。

所述运动指标提取部分，肌电信号运动指标如下，

$\mathrm{iEMG}=\underset{t}{\overset{t+T}{\∫}}\left|\mathrm{EMG}\left(t\right)\right|\mathrm{dt}$

式中，iEMG为积分肌电值，反映肌肉动作时运动单元的数量及每个运动单元的放电大小；t为采集肌电信号的时间；T为分析采集到的肌电信号的周期；EMG(t)为t时刻采集到的相应肌肉运动的肌电信号。

所述运动疲劳指标提取部分包括肌电信号疲劳指标和脑疲劳指标；

(1)肌电信号疲劳指标如下式，

$\mathrm{MPF}=\underset{0}{\overset{\∞}{\∫}}f\·P\left(f\right)\mathrm{df}/\underset{0}{\overset{\∞}{\∫}}P\left(f\right)\mathrm{df}$

式中，MPF为平均功率频率，是功率谱曲线重心位置的频率，对低负荷运动的频谱变化有较高敏感性；f为肌电信号的频率；P(f)为功率谱函数；

(2)脑疲劳指标

基于小波包分解算法，采用二进制尺度变换，将脑电信号f(t)分解为4层，获得脑电信号低频子带，通过小波包重构，获取慢波为4～8Hz所在的频带节律，获取快波为12～32Hz所在的频带节律，其中慢波为θ波，快波为β波，进一步求得θ波和β波的能量比；

具体步骤如下：

①小波包分解

$f\left(t\right)=\underset{i=0}{\overset{2^j-1}{\mathrm{\Σ}}}{f}_{j,i}\left(t_i\right)=f_{j,0}\left(t_0\right)+f_{j,1}\left(t_1\right)+...+f_{j,2^j-1}\left(t_{2^j-1}\right)$

式中，i＝0,1,2,…,2^j-1，f_j,i(t_i)为小波包分解在第j层节点(j,i)上的重构脑电信号；

②由Parseval定理及①中小波包分解计算式，可计算得到脑电信号f(t)小波包分解的能量谱为：

$E_{j,i}\left(t_i\right)=\∫{\left|f_{j,i}\left(t_i\right)\right|}^2\mathrm{dt}=\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,\mathrm{\π}}\right|}^2$

式中，E_j,i(t_i)为脑电信号f(t)小波包分解到节点(j,i)上的频带能量；x_i,π(i＝0,2,…,2^j-1；π＝1,2,…,n)为重构脑电信号f_j,i(t_i)的离散点幅值；n为信号采样点数；

③求取脑疲劳指标：

表1

根据表1，对小波包子带(4,1)重构，获得4～8Hz节律，即为θ波，定义其能量为E_θ，则由 $E_{j,i}\left(t_i\right)=\∫{\left|f_{j,i}\left(t_i\right)\right|}^2\mathrm{dt}=\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,\mathrm{\π}}\right|}^2$ 可知：

$E_{\mathrm{\θ}}=E_{\mathrm{4,1}}\left(t_1\right)=\∫{\left|f_{\mathrm{4,1}}\left(t_1\right)\right|}^2\mathrm{dt}=\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{1,\mathrm{\π}}\right|}^2$

同理，对小波包子带(4,3)、(4,4)、(4,5)、(4,6)、(4,7)重构，获得12～32Hz节律，即为β波，定义其能量为E_β，同样由可知：

$E_{\mathrm{\β}}=\underset{i=3}{\overset{7}{\mathrm{\Σ}}}{E}_{4,i}\left(t_i\right)=\underset{i=3}{\overset{7}{\mathrm{\Σ}}}\∫{\left|f_{\mathrm{4,1}}\left(t_1\right)\right|}^2\mathrm{dt}=\underset{i=3}{\overset{7}{\mathrm{\Σ}}}\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,\mathrm{\π}}\right|}^2$

定义脑疲劳指数为F_θ/β，

通过分析某脑卒中患者恢复期C3通道的脑疲劳指数F_θ/β随康复训练时间的变化情况，可知随着运动时间的增加，F_θ/β呈现上升趋势，这与成年人从正常状态向疲劳状态变化的过程中，脑电信号的慢波(θ波)逐渐增加，快波(β波)逐渐减少是一致的。因此，将F_θ/β用于脑疲劳状态的定量评价，实现康复训练场景的难易调整。

所述虚拟场景设计部分，在计算机环境下，基于Visual C#2010设计虚拟场景；在计算机中的虚拟场景显示窗口中设有控制按钮，所述控制按钮包括“开始”按钮、“康复训练”按钮、“生理指标”按钮、“保存”按钮、“关闭”按钮；“开始”按钮为脑肌电同步采集按钮；“康复训练”按钮为康复训练开始按钮；“生理指标”按钮为肌电运动指标iEMG、肌电信号疲劳指标MPF和脑疲劳指标F_θ/β的实时显示按钮；“保存”按钮为肌电运动指标iEMG、肌电信号疲劳指标MPF和脑疲劳指标F_θ/β的保存按钮；“关闭”按钮为康复训练结束按钮；虚拟场景的康复训练场景为康复训练的任务平台。

所述康复训练实验部分，患者根据虚拟场景设计中康复训练场景的要求，通过手臂弯曲、伸展和左、右摇摆来控制康复训练场景中的虚拟手掌完成指定任务。

本发明还提供了一种基于脑肌电和虚拟场景的脑卒中患者康复训练方法，所述方法首先采集患者的脑电信号和肌电信号并进行信号处理，采用肌电信号运动指标作为特征向量用于识别患者的运动意图，将肌电信号运动指标iEMG送入之前训练好的支持向量机SVM-1中，识别康复患者手臂的弯曲、伸展及左、右摇摆的动作，根据识别结果驱动康复训练场景里面的虚拟手掌，使其拖动相应的物品(虚拟环境下的各类水果)到达指定位置(虚拟环境下的水果篮子)，完成指定的康复训练项目。

在康复训练过程中，考虑MPF和F_θ/β能够分别反映患者运动肌肉疲劳程度和运动脑区疲劳程度，将康复患者对应MPF和F_θ/β的最大值分别平均划分D个等级(取D＝6，D可以根据不同康复阶段进行调节)，不同等级对应不同的疲劳状态，等级越高疲劳程度越大，反之疲劳程度越小。每隔一个训练周期，获取肌电信号疲劳指标和脑疲劳指标，同样送入之前训练好的支持向量机SVM-2，识别出该训练周期的疲劳状态，根据识别的疲劳等级，触发康复训练场景难度级别控件，自适应调节康复训练的难易程度，从而实现最佳的康复训练效果。

工作过程大致如下：

首先，结合脑卒中患者恢复期康复训练的需要及康复医师的建议，基于Visual C#2010自主开发设计了适合脑卒中患者恢复期康复训练的康复训练场景；其次，提出脑疲劳指数F_θ/β，实现康复训练过程中患者运动脑区疲劳的定量评价；再次，通过提取手臂不同运动模式下表面肌电信号特征获取患者的运动意图，实现对虚拟康复场景的控制，完成指定训练项目；最后，通过提取康复训练所引起的肌肉疲劳、脑疲劳的综合特征获取当前康复患者的疲劳状态，并自适应的调节康复训练场景，减缓或增强康复训练强度，避免不当训练所造成的二次损伤，使康复训练更加智能化、人性化。

与现有技术相比，本发明具有如下优点：

1、可直观清晰的在计算机显示屏上显现出患者的动作趋势，具有良好趣味性，实现虚拟场景的人机交互反馈机制，提高患者康复训练的主动性和自信心；

2、可随时监测患者的肌肉疲劳和脑疲劳情况，根据疲劳分类结果自动调节康复训练的难易程度，减缓或增强康复训练的强度，避免不当训练造成的二次损伤，实现最佳的训练效果；

3、使康复训练更加智能化、人性化、安全化，推动虚拟现实技术的临床实用化进程，缓解康复医师短缺、康复机器人辅助训练不足的现状，具有重要的经济和社会价值。

附图说明

图1为本发明基于脑肌电和虚拟场景的脑卒中患者康复训练***的结构示意简图。

图2为本发明基于脑肌电和虚拟场景的脑卒中患者康复训练***的脑电采集电极帽通道位置图。

图3为本发明基于脑肌电和虚拟场景的脑卒中患者康复训练***的虚拟场景显示界面图。

图4为本发明基于脑肌电和虚拟场景的脑卒中患者康复训练***的不同疲劳程度的康复训练场景显示界面图。

图5为本发明基于脑肌电和虚拟场景的脑卒中患者康复训练***的脑电信号小波包4层分解结果图。

图6为本发明基于脑肌电和虚拟场景的脑卒中患者康复训练***的脑疲劳指标F_θ/β随训练时间变化的曲线图。

附图标号：1-脑电电极帽通道F3、2-脑电电极帽通道F4、3-脑电电极帽通道C3、4-脑电电极帽通道C4、5-脑电参考电极A1、6-脑电参考电极A2、7-“开始”按钮、8-“康复训练”按钮、9-“生理指标”按钮、10-“保存”按钮、11-“关闭”按钮、12-脑电数据波形、13-康复训练场景、14-水果篮子、15-水果图形(例如：香蕉、苹果、梨)、16-虚拟手掌、17-数据通道。

具体实施方式

下面结合具体实施方式和附图对本发明作进一步的详细说明：

如图1所示的本发明的结构示意简图中，本发明所述***包括信号采集部分、数据预处理部分、运动指标提取部分、运动疲劳指标提取部分、虚拟场景设计部分以及康复训练实验部分；其中，

所述的信号采集部分对患者的脑电信号和肌电信号进行提取；

所述的数据预处理部分对采集到的脑电信号和肌电信号进行滤波处理；

所述的运动指标提取部分是对患者肌肉动作时放电量的分析提取；

所述的运动疲劳指标提取部分是对患者脑电信号和肌电信号分别进行分析提取，进而判断运动疲劳或脑疲劳；

所述的虚拟场景设计部分是在计算机环境下基于Visual C#2010开发设计，在计算机上生成虚拟场景并显示输出，建立人机交互反馈机制；

所述的康复训练实验部分是患者根据虚拟场景中康复训练要求，通过手臂屈、伸和左、右摇摆控制虚拟场景中虚拟手掌完成指定任务。

具体步骤如下：

步骤一：信号采集部分

肌电信号的采集采用三点式差动输入，其中两个为肌电的差分输入端，另外一个为参考地，差分输入电极顺着肌纤维方向，放置在肌腹处；本发明涉及到的肌肉是肱二头肌和肱三头肌，先使用酒精擦拭被测部位的皮肤，以去除皮肤表面油脂和皮屑，粘贴电极。将导联线适当固定尽量减少动作过程中导联线晃动的干扰。

参考图2脑电采集电极帽通道位置图。脑电信号采集采用8通道脑肌电同步采集仪进行采集，采用国际标准10～20电极放置标准，通过电极帽将电极与头皮相连。因为本发明是提取康复患者的脑疲劳指数，代表区为感觉运动皮层，因此选择电极帽中的C3、C4以及代表前运动区的F3、F4处进行采集。采用单级导联法，电极片A1、电极片A2导联分别连接到左右耳后乳突作为参考电极，接地电极布置在头顶正中。

步骤二：数据预处理部分

使用自适应高通滤波器和自适应50Hz工频陷波滤波器分别对脑电信号、肌电信号进行滤波处理，去除信号中的基线漂移和工频干扰；再使用巴特沃斯三阶带通FIR滤波器对脑电信号、肌电信号进行处理，根据信号的有效频段特征，选取肌电信号截止频率为2Hz～200Hz，选取脑电信号的截止频率为2Hz～50Hz。

步骤三：运动指标提取部分

肌电信号运动指标如下，

$\mathrm{iEMG}=\underset{t}{\overset{t+T}{\∫}}\left|\mathrm{EMG}\left(t\right)\right|\mathrm{dt}$

式中，iEMG为积分肌电值，反映肌肉动作时运动单元的数量及每个运动单元的放电大小；t为采集肌电信号的时间；T为分析采集到的肌电信号的周期；EMG(t)为t时刻采集到的相应肌肉运动的肌电信号。

步骤四：运动疲劳指标提取部分

包括肌电信号疲劳指标和脑疲劳指标；

(1)肌电信号疲劳指标如下式，

$\mathrm{MPF}=\underset{0}{\overset{\∞}{\∫}}f\·P\left(f\right)\mathrm{df}/\underset{0}{\overset{\∞}{\∫}}P\left(f\right)\mathrm{df}$

式中，MPF为平均功率频率，是功率谱曲线重心位置的频率，对低负荷运动的频谱变化有较高敏感性；f为肌电信号的频率；P(f)为功率谱函数；

(2)脑疲劳指标，基于小波包分解算法，采用二进制尺度变换，将脑电信号f(t)分解为4层(如表1所示)，获得脑电信号低频子带，通过小波包重构，获取慢波为4～8Hz所在的频带节律，获取快波为12～32Hz所在的频带节律，其中慢波为θ波，快波为β波，进一步求得θ波和β波的能量比，具体步骤如下：

①小波包分解

$f\left(t\right)=\underset{i=0}{\overset{2^j-1}{\mathrm{\Σ}}}{f}_{j,i}\left(t_i\right)=f_{j,0}\left(t_0\right)+f_{j,1}\left(t_1\right)+...+f_{j,2^j-1}\left(t_{2^j-1}\right)$

式中，i＝0,1,2,…,2^j-1，f_j,i(t_i)为小波包分解在第j层节点(j,i)上的重构脑电信号；

②由Parseval定理及①中小波包分解计算式，可计算得到脑电信号f(t)小波包分解的能量谱为：

$E_{j,i}\left(t_i\right)=\∫{\left|f_{j,i}\left(t_i\right)\right|}^2\mathrm{dt}=\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,\mathrm{\π}}\right|}^2$

式中，E_j,i(t_i)为脑电信号f(t)小波包分解到节点(j,i)上的频带能量；x_i,π(i＝0,2,…,2^j-1；π＝1,2,…,n)为重构脑电信号f_j,i(t_i)的离散点幅值；n为信号采样点数；

③求取脑疲劳指标

根据表1，对小波包子带(4,1)重构，获得4～8Hz节律，即为θ波，定义其能量为E_θ，则由 $E_{j,i}\left(t_i\right)=\∫{\left|f_{j,i}\left(t_i\right)\right|}^2\mathrm{dt}=\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,\mathrm{\π}}\right|}^2$ 可知：

$E_{\mathrm{\θ}}=E_{\mathrm{4,1}}\left(t_1\right)=\∫{\left|f_{\mathrm{4,1}}\left(t_1\right)\right|}^2\mathrm{dt}=\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{1,\mathrm{\π}}\right|}^2$

同理，对小波包子带(4,3)、(4,4)、(4,5)、(4,6)、(4,7)重构，获得12～32Hz节律，即为β波，定义其能量为E_β，同样由可知：

$E_{\mathrm{\β}}=\underset{i=3}{\overset{7}{\mathrm{\Σ}}}{E}_{4,i}\left(t_i\right)=\underset{i=3}{\overset{7}{\mathrm{\Σ}}}\∫{\left|f_{\mathrm{4,1}}\left(t_1\right)\right|}^2\mathrm{dt}=\underset{i=3}{\overset{7}{\mathrm{\Σ}}}\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,\mathrm{\π}}\right|}^2$

定义脑疲劳指数为F_θ/β，

参考图6，图6为某脑卒中患者恢复期C3通道的脑疲劳指数F_θ/β随康复训练时间的变化情况，可知随着运动时间的增加，F_θ/β呈现上升趋势，这与成年人从正常状态向疲劳状态变化的过程中，脑电信号的慢波(θ波)逐渐增加，快波(β波)逐渐减少是一致的。因此，本发明将F_θ/β用于脑疲劳状态的定量评价，实现康复训练场景的难易调整。

步骤五：虚拟场景设计部分

参考图3，图3为本发明的虚拟场景显示界面图，是结合脑卒中患者恢复期康复训练的需要及康复医师的建议，在计算机环境下，基于Visual C#2010设计的虚拟场景；在计算机中虚拟场景显示窗口中的控制按钮包括“开始”按钮1、“康复训练”按钮2、“生理指标”按钮3、“保存”按钮4、“关闭”按钮5；“开始”按钮为脑肌电同步采集按钮；“康复训练”按钮为康复训练开始按钮；“生理指标”按钮为肌电运动指标、肌电信号疲劳指标和脑疲劳指标的实时显示按钮；“保存”按钮为肌电运动指标、肌电信号疲劳指标和脑疲劳指标的保存按钮；“关闭”按钮为康复训练结束按钮；虚拟场景的康复训练场景为康复训练的任务平台，包括：水果篮子14、水果(如：香蕉)15、虚拟手掌16。

参考图4(a～f)，图4(a～f)为针对康复患者不同疲劳状态而设计不同康复训练场景，其中场景由图4(a)至图4(f)的难度逐渐降低，表现为随着患者疲劳程度由小变大，对应康复训练场景难度由难变易，具体表现为当脑卒中患者的疲劳程度逐渐增加时，患者通过手臂的屈、伸和左、右摇摆控制虚拟手掌的上、下和左、右移动，完成将各种水果全部放入篮子这一任务过程中，水果的种类和个数由图4(a)至图4(f)逐渐减少，即康复训练强度随着疲劳程度的增大而逐渐减弱。步骤六：康复训练实验部分

患者根据虚拟场景设计中康复训练场景的要求，通过手臂弯曲、伸展和左、右摇摆来控制康复训练场景中的虚拟手掌完成指定任务。

具体方法为：

首先采集患者的脑电信号和肌电信号并进行信号处理，由于肌电信号运动指标iEMG能在一定程度上反映出肌肉运动时肌力的大小及运动速度趋势，采用iEMG作为特征向量用于识别患者的运动意图，在求取iEMG后，送入之前训练好的支持向量机SVM-1，识别康复患者手臂的屈、伸及左、右摇摆的动作，并根据识别结果驱动操控康复训练场景里面的虚拟手掌，使其拖动相应的物品(即虚拟场景显示界面中的各类水果)到达指定位置(水果篮子)，进而完成康复场景要求的指定康复训练项目。同时，考虑到肌电信号疲劳指标MPF和脑疲劳指数F_θ/β能够分别反映患者运动肌肉疲劳程度和运动脑区疲劳程度，将康复患者对应MPF和F_θ/β的最大值分别平均划分6个等级，不同等级对应不同的疲劳状态，等级越高疲劳程度越大，反之疲劳程度越小，其中等级6～1分别对应图4(a～f)，即不同疲劳等级对应不同难度的康复训练场景。每隔一个训练周期，获取一次肌电信号疲劳指标MPF和脑疲劳指数F_θ/β并送入之前训练好的支持向量SVM-2，识别出该训练周期的疲劳状态，并根据识别的疲劳等级W(W∈1～6)，触发康复训练场景难度级别控件，选取对应的康复训练场景M(M∈a～f)，从而自适应的调节康复训练的难易程度，进而实现最佳的康复训练效果。

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于脑肌电和虚拟场景的脑卒中患者康复训练***，其特征在于：所述***包括信号采集部分、数据预处理部分、运动指标提取部分、运动疲劳指标提取部分、虚拟场景设计部分以及康复训练实验部分；其中，

所述的信号采集部分对患者的脑电信号和肌电信号进行提取；

所述的数据预处理部分对采集到的脑电信号和肌电信号进行滤波处理；

所述的运动指标提取部分是对患者肌肉动作时放电量的分析提取；

所述的运动疲劳指标提取部分是对患者脑电信号和肌电信号分别进行分析提取，进而判断运动疲劳或脑疲劳；

所述的虚拟场景设计部分是在计算机环境下基于Visual C#2010开发设计，在计算机上生成虚拟场景并显示输出，建立人机交互反馈机制；

所述的康复训练实验部分是患者根据虚拟场景中康复训练要求，通过手臂屈、伸和左、右摇摆控制虚拟场景中虚拟手掌完成指定任务。

2.根据权利要求1所述的基于脑肌电和虚拟场景的脑卒中患者康复训练***，其特征在于：所述信号采集部分中，肌电信号的采集采用三点式差动输入，其中两个为肌电的差分输入端，另外一个为参考地，差分输入电极顺着肌纤维方向，放置在肌腹处；脑电信号采集采用8通道脑肌电同步采集仪进行采集，采用国际标准10～20电极放置标准，通过电极帽将电极与头皮相连，采用单级导联法，参考电极导联分别连接到左右耳后乳突处，接地电极布置在头顶正中。

3.根据权利要求1所述的基于脑肌电和虚拟场景的脑卒中患者康复训练***，其特征在于：所述数据预处理部分，使用自适应高通滤波器和自适应50Hz工频陷波滤波器分别对脑电信号、肌电信号进行滤波处理，去除信号中的基线漂移和工频干扰；再使用巴特沃斯三阶带通FIR滤波器对脑电信号、肌电信号进行处理，根据信号的有效频段特征，选取肌电信号的截止频率为2Hz～200Hz，选取脑电信号的截止频率为2Hz～50Hz。

4.根据权利要求1所述的基于脑肌电和虚拟场景的脑卒中患者康复训练***，其特征在于：所述运动指标提取部分，肌电信号运动指标如下，

$\mathrm{iEMG}=\underset{t}{\overset{t+T}{\∫}}\left|\mathrm{EMG}\left(t\right)\right|\mathrm{dt}$

式中，iEMG为积分肌电值，反映肌肉动作时运动单元的数量及每个运动单元的放电大小；t为采集肌电信号的时间；T为分析采集到的肌电信号的周期；EMG(t)为t时刻采集到的相应肌肉运动的肌电信号。

5.根据权利要求1所述的基于脑肌电和虚拟场景的脑卒中患者康复训练***，其特征在于：所述运动疲劳指标提取部分包括肌电信号疲劳指标和脑疲劳指标；

(1)肌电信号疲劳指标如下式，

$\mathrm{MPF}=\underset{0}{\overset{\∞}{\∫}}f\·P\left(f\right)\mathrm{df}/\underset{0}{\overset{\∞}{\∫}}P\left(f\right)\mathrm{df}$

式中，MPF为平均功率频率，是功率谱曲线重心位置的频率，对低负荷运动的频谱变化有较高敏感性；f为肌电信号的频率；P(f)为功率谱函数；

(2)脑疲劳指标，基于小波包分解算法，采用二进制尺度变换，将脑电信号f(t)分解为4层，获得脑电信号低频子带，通过小波包重构，获取慢波为4～8Hz所在的频带节律，获取快波为12～32Hz所在的频带节律，其中慢波为θ波，快波为β波，进一步求得θ波和β波的能量比，具体步骤如下：

①小波包分解

$f\left(t\right)=\underset{i=0}{\overset{2^j-1}{\mathrm{\Σ}}}{f}_{j,i}\left(t_i\right)=f_{j,0}\left(t_0\right)+f_{j,1}\left(t_1\right)+...+f_{j,2^j-1}\left(t_{2^j-1}\right)$

式中，i＝0,1,2,…,2^j-1，f_j,i(t_i)为小波包分解在第j层节点(j,i)上的重构脑电信号；

②由Parseval定理及①中小波包分解计算式，可计算得到脑电信号f(t)小波包分解的能量谱为：

$E_{j,i}\left(t_i\right)=\∫{\left|f_{j,i}\left(t_i\right)\right|}^2\mathrm{dt}=\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,\mathrm{\π}}\right|}^2$

式中，E_j,i(t_i)为脑电信号f(t)小波包分解到节点(j,i)上的频带能量；x_i,π(i＝0,2,…,2^j-1；π＝1,2,…,n)为重构脑电信号f_j,i(t_i)的离散点幅值；n为信号采样点数；

③求取脑疲劳指标

表1

根据表1，对小波包子带(4,1)重构，获得4～8Hz节律，即为θ波，定义其能量为E_θ，则由 $E_{j,i}\left(t_i\right)=\∫{\left|f_{j,i}\left(t_i\right)\right|}^2\mathrm{dt}=\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,\mathrm{\π}}\right|}^2$ 可知：

$E_{\mathrm{\θ}}=E_{\mathrm{4,1}}\left(t_1\right)=\∫{\left|f_{\mathrm{4,1}}\left(t_1\right)\right|}^2\mathrm{dt}=\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{1,\mathrm{\π}}\right|}^2$

同理，对小波包子带(4,3)、(4,4)、(4,5)、(4,6)、(4,7)重构，获得12～32Hz节律，即为β波，定义其能量为E_β，同样由可知：

$E_{\mathrm{\β}}=\underset{i=3}{\overset{7}{\mathrm{\Σ}}}{E}_{4,i}\left(t_i\right)=\underset{i=3}{\overset{7}{\mathrm{\Σ}}}\∫{\left|f_{\mathrm{4,1}}\left(t_1\right)\right|}^2\mathrm{dt}=\underset{i=3}{\overset{7}{\mathrm{\Σ}}}\underset{\mathrm{\π}=1}{\overset{n}{\mathrm{\Σ}}}{\left|x_{i,\mathrm{\π}}\right|}^2$

定义脑疲劳指数为F_θ/β，

6.根据权利要求1所述的基于脑肌电和虚拟场景的脑卒中患者康复训练***，其特征在于：所述虚拟场景设计部分，在计算机环境下，基于Visual C#2010设计虚拟场景；在计算机中的虚拟场景显示窗口中设有控制按钮，所述控制按钮包括“开始”按钮、“康复训练”按钮、“生理指标”按钮、“保存”按钮、“关闭”按钮；“开始”按钮为脑肌电同步采集按钮；“康复训练”按钮为康复训练开始按钮；“生理指标”按钮为肌电运动指标、肌电信号疲劳指标和脑疲劳指标的实时显示按钮；“保存”按钮为肌电运动指标、肌电信号疲劳指标和脑疲劳指标的保存按钮；“关闭”按钮为康复训练结束按钮；虚拟场景的康复训练场景为康复训练的任务平台。

7.根据权利要求1所述的基于脑肌电和虚拟场景的脑卒中患者康复训练***，其特征在于：所述康复训练实验部分，患者根据虚拟场景设计中康复训练场景的要求，通过手臂弯曲、伸展和左、右摇摆来控制康复训练场景中的虚拟手掌完成指定任务。

8.一种基于脑肌电和虚拟场景的脑卒中患者康复训练方法，其特征在于：所述方法首先采集患者的脑电信号和肌电信号并进行信号处理，采用肌电信号运动指标作为特征向量用于识别患者的运动意图，将肌电信号运动指标送入之前训练好的支持向量机SVM-1中，识别康复患者手臂的弯曲、伸展及左、右摇摆的动作，根据识别结果驱动康复训练场景里面的虚拟手掌，使其拖动相应的物品到达指定位置，完成康复训练项目；在康复训练过程中，将患者的肌电信号疲劳指标和脑疲劳指标的最大值分别平均划分多个等级，不同等级对应不同的疲劳状态，等级越高疲劳程度越大，反之越小；每隔一个训练周期，获取肌电信号疲劳指标和脑疲劳指标并送入之前训练好的支持向量机SVM-2，识别出该训练周期的疲劳状态，根据识别的疲劳等级，触发康复训练场景难度级别控件，自适应调节康复训练的难易程度。