CN114664434A - 面向不同医疗机构的脑卒中康复训练***及其训练方法 - Google Patents
面向不同医疗机构的脑卒中康复训练***及其训练方法 Download PDFInfo
- Publication number
- CN114664434A CN114664434A CN202210310987.1A CN202210310987A CN114664434A CN 114664434 A CN114664434 A CN 114664434A CN 202210310987 A CN202210310987 A CN 202210310987A CN 114664434 A CN114664434 A CN 114664434A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- motor imagery
- server
- patient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 17
- 208000006011 Stroke Diseases 0.000 title description 16
- 230000002490 cerebral effect Effects 0.000 title description 5
- 206010008190 Cerebrovascular accident Diseases 0.000 title description 4
- 238000002474 experimental method Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 16
- 210000004556 brain Anatomy 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000001360 synchronised effect Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004886 process control Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 3
- 239000013610 patient sample Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 208000022306 Cerebral injury Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000000337 motor cortex Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Physical Education & Sports Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了一种面向不同医疗机构的脑卒中康复训练***及其训练方法,该***包括:服务器,服务器向多个运动想象脑机接口设备分发运动想象识别的全局模型;多个运动想象脑机接口设备,位于医疗机构内,根据全局模型结合本地训练数据实现独立的模型训练,最后向服务器传送训练后的模型;服务器将各多个运动想象脑机接口设备训练后的模型聚合后形成新的全局模型,再分发给各个运动想象脑机接口设备;医疗机构电脑,运动想象脑机接口设备与患者、医疗机构电脑连接。本发明提高了模型的精度,又节省了病人进行离线训练的时间和训练成本。
Description
技术领域
本发明涉及一种康复训练***及其训练方法,特别是涉及一种面向不同医疗机构的脑卒中康复训练***及其训练方法。
背景技术
我国是脑卒中的高发国家之一,脑卒中作为一种大脑损伤疾病,约有70%-80%的患者由于大脑运动皮层受损,丧失对肢体的控制能力。运动想象脑机接口技术能通过对脑电信号记录和解码,判断患者运动意图,由运动意图触发康复外设进行治疗工作,实现闭环训练和主动康复。相较于传统的康复训练技术,运动想象脑机接口对脑卒中病人的康复训练有更好的效果。
然而,运动想象脑机接口使用前需要患者预先进行大量训练,或者通过借助他人大量数据和新患者少量数据来建立深度学习模型。后者通过采集多个机构的运动想象脑电数据能获得更高的建模准确度,同时也能节约建模训练时间及成本,是一个较好的选择。但该方法需要大量其他患者样本,由于医疗数据的隐私性极强,数据传输和分享十分敏感,存储在不同机构的数据集很难实现信息共享,限制了对医疗大数据的充分利用。如何在保护隐私安全的条件下解决脑卒中患者医疗数据的孤岛问题,实现基于来自不同医疗机构数据的更精确建模成为亟待解决的技术问题。
发明内容
针对上述情况,为了克服现有技术的缺陷,本发明提供一种面向不同医疗机构的脑卒中康复训练***及其训练方法。
本发明是通过下述技术方案来解决上述技术问题的:一种面向不同医疗机构的脑卒中康复训练***,其特征在于,其包括:
服务器,服务器向多个运动想象脑机接口设备分发运动想象识别的全局模型;
多个运动想象脑机接口设备,位于医疗机构内,根据全局模型结合本地训练数据实现独立的模型训练,最后向服务器传送训练后的模型;服务器将各多个运动想象脑机接口设备训练后的模型聚合后形成新的全局模型,再分发给各个运动想象脑机接口设备;
医疗机构电脑,运动想象脑机接口设备与患者、医疗机构电脑连接,医疗机构电脑与服务器连接,患者在进行康复训练前,仅需要进行少量的本地训练产生本地训练数据,根据全局模型结合本地训练数据实现独立的模型训练。
优选地,所述运动想象脑机接口设备为脑电采集设备,用于采集患者根据用户交互界面的引导进行相关操作时的运动想象脑电信号,医疗机构专业人员使用医疗机构电脑帮助患者采集运动想象样本数据,将运动想象脑电特征与运动指令标签作为输入样本,对全局模型进行有监督学习;训练学习完成后,医疗机构电脑将该训练后的模型参数加密后,通过路由器向服务器传输训练后的模型参数。
优选地,所述医疗机构电脑包括数据采集模块、实验管理模块、模型训练模块、模型传输模块,所述数据采集模块实现脑电信号的采集、放大、传输;所述实验管理模块采用意图表达的训练模式,即要求患者根据指令进行相应的运动想象,获取相应的实验数据;所述模型训练模块根据从服务器得到的全局模型与实验数据进行训练,得到效果更好的运动想象识别模型,所述模型传输模块需要从服务器端获取并解密新的全局模型,在每次实验结束后将本地更新的模型参数进行加密,并发送给服务器。
优选地,所述模型传输模块包括:
第一加密单元,第一加密单元将训练后的模型参数加密;
第一发送单元,第一发送单元给服务器发送加密后的训练后的模型参数;
第一接收单元和第一解密单元,第一接收单元和第一解密单元分别接收和解密由服务器发送来的全局模型参数。
优选地,所述服务器包括:
第二接收单元和第二解密单元,第二接收单元和第二解密单元分别接收和解密第一加密单元加密后的训练后的模型参数;
模型聚合单元,将各多个运动想象脑机接口设备训练后的模型聚合后形成新的全局模型;
第二加密单元,第二加密单元将全局模型参数加密;
第二发送单元,第二发送单元给运动想象脑机接口设备发送加密后的全局模型参数。
优选地,所述数据采集模块与一个存储模块连接,存储模块将采集到的放大的脑电信号和标签配对并存储,形成脑电数据库;脑电数据库将保存经患者同意后留存的患者脑电数据。
优选地,所述运动想象脑机接口设备与医疗机构电脑之间连接有一个信号放大器,用于对离线训练脑电数据和在线测试脑电数据进行放大处理,生成对应的放大的脑电信号。
优选地,所述运动想象脑机接口设备与医疗机构电脑之间连接有一个多参数同步器,用于对离线训练同步标签信息和在线测试同步标签信息进行打标,保证参数同步。
优选地,所述医疗机构电脑与一个机械手辅助设备连接,医疗机构电脑根据识别到的运动意图,通过机械手辅助设备带动患者对应手进行运动。
优选地,所述实验管理模块包括用户交互界面,进行实验流程控制,用户交互界面包括下述三种子界面的至少一种:开始界面、数据管理界面、康复训练界面,其中,开始界面用于采集人员登记信息并选择所进行的操作,数据管理界面用于实验进程的管理和实验数据的查看、选择与保存,康复训练界面用于为患者播放两种实验范式,并进行引导,包括左手抓取想象界面、右手抓取想象。
优选地,所述模型训练模块包括:
EEG数据预处理单元,EEG数据预处理单元针对采集的原始脑电信号进行首先对脑电信号进行预处理操作,得到可进行分析与建模的脑电数据;
基于CNN的离线解码建模单元,基于CNN的离线解码建模单元用于采用CNN算法对数据库中的脑电数据和已知标签进行分类,建立与更新左手抓取、右手抓取的两分类数据分析模型;
基于CNN的在线识别单元,基于CNN的在线识别单元用于采用已建立的两分类数据分析模型,对实时采集的数据进行在线分类识别,输出预测标签。
本发明还提供一种面向不同医疗机构的脑卒中康复训练***的训练方法,其特征在于,该方法采用如上所述的面向不同医疗机构的脑卒中康复训练***,该方法包括以下步骤:
步骤一,专业人员帮助患者佩戴运动想象脑机接口设备,将运动想象脑机接口设备、信号放大器、医疗机构电脑、服务器连接;
步骤二,启动医疗机构电脑,医疗机构电脑从服务器获取运动想象识别的全局模型;
步骤三,医疗机构电脑连接多参数同步器;
步骤四,医疗机构电脑通过运动想象脑机接口设备进行采集,患者根据提示进行运动想象,同时运动想象脑机接口设备采集脑电信号,经信号放大器放大后,将同步标签信号通过有线或无线传输方式将运动想象脑电信号传送给医疗机构电脑的数据采集模块;
步骤五,经患者同意后,将该患者的脑电数据及同步标签信息添加至脑电数据库;
步骤六,采用EEG数据预处理单元对原始数据进行预处理;
步骤七,采用步骤二中从服务器得到的CNN模型,对脑电数据库中的脑电数据和已知标签进行分类,在使用中提高模型的准确度和精确性;
步骤八,判断训练是否达到所需准确度,若未达到,则转步骤四,否则转步骤九;
步骤九,得到患者运动想象的个性化模型,结合脑电信息和视觉刺激,使用机械手辅助设备对患者进行辅助康复训练;
步骤十,经患者同意后,将训练后的模型参数进行加密并发送至服务器;
步骤十一,服务器解密收到的模型参数并进行聚合,得到服务器端的全局模型参数。
本发明的积极进步效果在于:本发明使用多家医疗机构的多个运动想象脑机接口设备的本地训练数据得到联邦学习训练的全局模型,再通过少量的本地训练,最终得到一个符合用户特性的更精确的运动想象模型,既提高了模型的精度,又节省了病人进行离线训练的时间和训练成本。本发明进行模型训练时不直接获取病人的原始隐私数据,仅与医疗机构电脑交换模型参数,保障了病人的隐私安全。
附图说明
图1为本发明面向不同医疗机构的脑卒中康复训练***的图。
具体实施方式
下面结合附图给出本发明较佳实施例,以详细说明本发明的技术方案。
如图1所示,本发明面向不同医疗机构的脑卒中康复训练***包括:
服务器,服务器向多个运动想象脑机接口设备分发运动想象识别的全局模型;
多个运动想象脑机接口设备,位于医疗机构内,根据全局模型结合本地训练数据实现独立的模型训练,最后向服务器传送训练后的模型;服务器将各多个运动想象脑机接口设备训练后的模型聚合后形成新的全局模型,再分发给各个运动想象脑机接口设备;
医疗机构电脑,运动想象脑机接口设备与患者、医疗机构电脑连接,患者在进行康复训练前,仅需要进行少量的本地训练产生本地训练数据,根据全局模型结合本地训练数据实现独立的模型训练,即可得到一个精度更高的个性化的运动想象意图识别模型用于后续康复训练。
服务器与多个医疗机构电脑之间仅交换模型及模型的超参数,不交换患者样本的数据,保障了病人的隐私安全。
医疗机构为医院或康复机构,适用范围广。
运动想象脑机接口设备采用CGX公司的Quick30系列导联干电极帽,通过有线串口通讯或无线蓝牙方式与医疗机构电脑连接,结构简单,方便连接。
运动想象脑机接口设备为脑电采集设备,用于采集患者根据用户交互界面的引导进行相关操作时的运动想象脑电信号,医疗机构专业人员使用医疗机构电脑帮助患者采集运动想象样本数据,将运动想象脑电特征与运动指令标签作为输入样本,对全局模型进行有监督学习;训练学习完成后,医疗机构电脑将该训练后的模型参数加密后,通过路由器向服务器传输训练后的模型参数,防止泄密,保障通信数据的安全,且患者获得个性化的运动想象意图识别模型,供后续康复治疗使用。
医疗机构电脑包括数据采集模块、实验管理模块、模型训练模块、模型传输模块,所述数据采集模块实现脑电信号的采集、放大、传输;所述实验管理模块采用意图表达的训练模式,即要求患者根据指令进行相应的运动想象,获取相应的实验数据;所述模型训练模块根据从服务器得到的全局模型与实验数据进行训练,得到效果更好的运动想象识别模型,所述模型传输模块需要从服务器端获取并解密新的全局模型,在每次实验结束后将本地更新的模型参数进行加密,并发送给服务器。
所述模型传输模块包括:
第一加密单元,第一加密单元将训练后的模型参数加密;
第一发送单元,第一发送单元给服务器发送加密后的训练后的模型参数;
第一接收单元和第一解密单元,第一接收单元和第一解密单元分别接收和解密由服务器发送来的全局模型参数。
服务器包括:
第二接收单元和第二解密单元,第二接收单元和第二解密单元分别接收和解密第一加密单元加密后的训练后的模型参数;
模型聚合单元,将各多个运动想象脑机接口设备训练后的模型聚合后形成新的全局模型;
第二加密单元,第二加密单元将全局模型参数加密;
第二发送单元,第二发送单元给运动想象脑机接口设备发送加密后的全局模型参数。
数据采集模块与一个存储模块连接,存储模块将采集到的放大的脑电信号和标签配对并存储,形成脑电数据库;脑电数据库将保存经患者同意后留存的患者脑电数据。
运动想象脑机接口设备与医疗机构电脑之间连接有一个信号放大器,用于对离线训练脑电数据和在线测试脑电数据进行放大处理,生成对应的放大的脑电信号。
运动想象脑机接口设备与医疗机构电脑之间连接有一个多参数同步器,具体可以通过USB串口连接,用于对离线训练同步标签信息和在线测试同步标签信息进行打标,保证参数同步。
医疗机构电脑与一个机械手辅助设备连接,具体可以通过USB串口连接,医疗机构电脑根据识别到的运动意图,通过机械手辅助设备带动患者对应手进行运动。
所述实验管理模块包括用户交互界面,进行实验流程控制,用户交互界面包括下述三种子界面的至少一种:开始界面、数据管理界面、康复训练界面,其中,开始界面用于采集人员登记信息并选择所进行的操作,数据管理界面用于实验进程的管理和实验数据的查看、选择与保存,康复训练界面用于为患者播放两种实验范式,并进行引导,包括左手抓取想象界面、右手抓取想象。
所述模型训练模块包括:
EEG数据预处理单元,EEG数据预处理单元针对采集的原始脑电信号进行首先对脑电信号进行预处理操作,得到可进行分析与建模的脑电数据;
基于CNN的离线解码建模单元,基于CNN的离线解码建模单元用于采用CNN算法对数据库中的脑电数据和已知标签进行分类,建立与更新左手抓取、右手抓取的两分类数据分析模型;
基于CNN的在线识别单元,基于CNN的在线识别单元用于采用已建立的两分类数据分析模型,对实时采集的数据进行在线分类识别,输出预测标签。
本发明面向不同医疗机构的脑卒中康复训练***的训练方法,采用如上所述的面向不同医疗机构的脑卒中康复训练***,该方法包括以下步骤:
步骤一,专业人员帮助患者佩戴运动想象脑机接口设备,将运动想象脑机接口设备、信号放大器、医疗机构电脑、服务器连接;
步骤二,启动医疗机构电脑,医疗机构电脑从服务器获取运动想象识别的全局模型;
步骤三,医疗机构电脑连接多参数同步器;
步骤四,医疗机构电脑通过运动想象脑机接口设备进行采集,患者根据提示进行运动想象,同时运动想象脑机接口设备采集脑电信号,经信号放大器放大后,将同步标签信号通过有线或无线传输方式将运动想象脑电信号传送给医疗机构电脑的数据采集模块;
步骤五,经患者同意后,将该患者的脑电数据及同步标签信息添加至脑电数据库;
步骤六,采用EEG数据预处理单元对原始数据进行预处理;
步骤七,采用步骤二中从服务器得到的CNN模型,对脑电数据库中的脑电数据和已知标签进行分类,在使用中提高模型的准确度和精确性;
步骤八,判断训练是否达到所需准确度,若未达到,则转步骤四,否则转步骤九;
步骤九,得到患者运动想象的个性化模型,结合脑电信息和视觉刺激,使用机械手辅助设备对患者进行辅助康复训练;
步骤十,经患者同意后,将训练后的模型参数进行加密并发送至服务器;
步骤十一,服务器解密收到的模型参数并进行聚合,得到服务器端的全局模型参数。
在步骤二和步骤十中,运动想象脑机接口设备与服务器通讯采用TCP/IP协议传输模型数据。客户端与服务器使用同态加密,保障通信数据的安全。
步骤六包括以下子步骤:
步骤六十一,对原始EEG数据进行通道筛选,去除未使用的A1、A2通道;
步骤六十二,加载通道空间位置配置文件,对EEG数据进行空间位置分布;
步骤六十三,使用平均电位进行重参考,更新EEG数据参考点;
步骤六十四,使用八阶巴特沃斯滤波器对EEG数据进行0.1~30Hz的带通滤波;
步骤六十五,按照标签信息对数据进行分段,以标签位置为起始位置,取[-200ms,800ms]的数据长度进行分段,得到时间长度为1s的数据段;
步骤六十六,对全部数据段进行[-200ms,0]的基线校正;
步骤六十七,使用独立成分分析(ICA)的方法,区分出数据中各个独立成分,并除去眼电和肌电成分。
步骤十一中服务器使用联邦平均算法对各训练后的模型进行聚合,可以保护用户数据隐私安全。
本发明采用中心化架构,设置一台服务器,将每一个医疗机构电脑视作联邦学习的客户端,服务器向多个客户端分发运动想象识别的全局模型,患者在进行康复训练前,仅需要进行少量的本地训练,客户端根据模型结合本地训练数据实现独立的模型训练,即可得到一个精度更高的个性化的运动想象意图识别模型用于后续康复训练。同时客户端会向服务器传送训练后的模型。服务器将各客户端模型聚合后形成新的全局模型,再分发给各客户端。服务器与客户端之间仅交换模型及模型的超参数,不交换患者样本的数据。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包括一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (12)
1.一种面向不同医疗机构的脑卒中康复训练***,其特征在于,其包括:
服务器,服务器向多个运动想象脑机接口设备分发运动想象识别的全局模型;
多个运动想象脑机接口设备,位于医疗机构内,根据全局模型结合本地训练数据实现独立的模型训练,最后向服务器传送训练后的模型;服务器将各多个运动想象脑机接口设备训练后的模型聚合后形成新的全局模型,再分发给各个运动想象脑机接口设备;
医疗机构电脑,运动想象脑机接口设备与患者、医疗机构电脑连接,医疗机构电脑与服务器连接,患者在进行康复训练前,仅需要进行少量的本地训练产生本地训练数据,根据全局模型结合本地训练数据实现独立的模型训练。
2.如权利要求1所述的面向不同医疗机构的脑卒中康复训练***,其特征在于,所述运动想象脑机接口设备为脑电采集设备,用于采集患者根据用户交互界面的引导进行相关操作时的运动想象脑电信号,医疗机构专业人员使用医疗机构电脑帮助患者采集运动想象样本数据,将运动想象脑电特征与运动指令标签作为输入样本,对全局模型进行有监督学习;训练学习完成后,医疗机构电脑将该训练后的模型参数加密后,通过路由器向服务器传输训练后的模型参数。
3.如权利要求1所述的面向不同医疗机构的脑卒中康复训练***,其特征在于,所述医疗机构电脑包括数据采集模块、实验管理模块、模型训练模块、模型传输模块,所述数据采集模块实现脑电信号的采集、放大、传输;所述实验管理模块采用意图表达的训练模式,即要求患者根据指令进行相应的运动想象,获取相应的实验数据;所述模型训练模块根据从服务器得到的全局模型与实验数据进行训练,得到效果更好的运动想象识别模型,所述模型传输模块需要从服务器端获取并解密新的全局模型,在每次实验结束后将本地更新的模型参数进行加密,并发送给服务器。
4.如权利要求3所述的面向不同医疗机构的脑卒中康复训练***,其特征在于,所述模型传输模块包括:
第一加密单元,第一加密单元将训练后的模型参数加密;
第一发送单元,第一发送单元给服务器发送加密后的训练后的模型参数;
第一接收单元和第一解密单元,第一接收单元和第一解密单元分别接收和解密由服务器发送来的全局模型参数。
5.如权利要求4所述的面向不同医疗机构的脑卒中康复训练***,其特征在于,所述服务器包括:
第二接收单元和第二解密单元,第二接收单元和第二解密单元分别接收和解密第一加密单元加密后的训练后的模型参数;
模型聚合单元,将各多个运动想象脑机接口设备训练后的模型聚合后形成新的全局模型;
第二加密单元,第二加密单元将全局模型参数加密;
第二发送单元,第二发送单元给运动想象脑机接口设备发送加密后的全局模型参数。
6.如权利要求5所述的面向不同医疗机构的脑卒中康复训练***,其特征在于,所述数据采集模块与一个存储模块连接,存储模块将采集到的放大的脑电信号和标签配对并存储,形成脑电数据库;脑电数据库将保存经患者同意后留存的患者脑电数据。
7.如权利要求5所述的面向不同医疗机构的脑卒中康复训练***,其特征在于,所述运动想象脑机接口设备与医疗机构电脑之间连接有一个信号放大器,用于对离线训练脑电数据和在线测试脑电数据进行放大处理,生成对应的放大的脑电信号。
8.如权利要求5所述的面向不同医疗机构的脑卒中康复训练***,其特征在于,所述运动想象脑机接口设备与医疗机构电脑之间连接有一个多参数同步器,用于对离线训练同步标签信息和在线测试同步标签信息进行打标,保证参数同步。
9.如权利要求5所述的面向不同医疗机构的脑卒中康复训练***,其特征在于,所述医疗机构电脑与一个机械手辅助设备连接,医疗机构电脑根据识别到的运动意图,通过机械手辅助设备带动患者对应手进行运动。
10.如权利要求5所述的面向不同医疗机构的脑卒中康复训练***,其特征在于,所述实验管理模块包括用户交互界面,进行实验流程控制,用户交互界面包括下述三种子界面的至少一种:开始界面、数据管理界面、康复训练界面,其中,开始界面用于采集人员登记信息并选择所进行的操作,数据管理界面用于实验进程的管理和实验数据的查看、选择与保存,康复训练界面用于为患者播放两种实验范式,并进行引导,包括左手抓取想象界面、右手抓取想象。
11.如权利要求5所述的面向不同医疗机构的脑卒中康复训练***,其特征在于,所述模型训练模块包括:
EEG数据预处理单元,EEG数据预处理单元针对采集的原始脑电信号进行首先对脑电信号进行预处理操作,得到可进行分析与建模的脑电数据;
基于CNN的离线解码建模单元,基于CNN的离线解码建模单元用于采用CNN算法对数据库中的脑电数据和已知标签进行分类,建立与更新左手抓取、右手抓取的两分类数据分析模型;
基于CNN的在线识别单元,基于CNN的在线识别单元用于采用已建立的两分类数据分析模型,对实时采集的数据进行在线分类识别,输出预测标签。
12.一种面向不同医疗机构的脑卒中康复训练***的训练方法,其特征在于,该方法采用如权利要求1所述的面向不同医疗机构的脑卒中康复训练***,该方法包括以下步骤:
步骤一,专业人员帮助患者佩戴运动想象脑机接口设备,将运动想象脑机接口设备、信号放大器、医疗机构电脑、服务器连接;
步骤二,启动医疗机构电脑,医疗机构电脑从服务器获取运动想象识别的全局模型;
步骤三,医疗机构电脑连接多参数同步器;
步骤四,医疗机构电脑通过运动想象脑机接口设备进行采集,患者根据提示进行运动想象,同时运动想象脑机接口设备采集脑电信号,经信号放大器放大后,将同步标签信号通过有线或无线传输方式将运动想象脑电信号传送给医疗机构电脑的数据采集模块;
步骤五,经患者同意后,将该患者的脑电数据及同步标签信息添加至脑电数据库;
步骤六,采用EEG数据预处理单元对原始数据进行预处理;
步骤七,采用步骤二中从服务器得到的CNN模型,对脑电数据库中的脑电数据和已知标签进行分类,在使用中提高模型的准确度和精确性;
步骤八,判断训练是否达到所需准确度,若未达到,则转步骤四,否则转步骤九;
步骤九,得到患者运动想象的个性化模型,结合脑电信息和视觉刺激,使用机械手辅助设备对患者进行辅助康复训练;
步骤十,经患者同意后,将训练后的模型参数进行加密并发送至服务器;
步骤十一,服务器解密收到的模型参数并进行聚合,得到服务器端的全局模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210310987.1A CN114664434A (zh) | 2022-03-28 | 2022-03-28 | 面向不同医疗机构的脑卒中康复训练***及其训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210310987.1A CN114664434A (zh) | 2022-03-28 | 2022-03-28 | 面向不同医疗机构的脑卒中康复训练***及其训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114664434A true CN114664434A (zh) | 2022-06-24 |
Family
ID=82033032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210310987.1A Pending CN114664434A (zh) | 2022-03-28 | 2022-03-28 | 面向不同医疗机构的脑卒中康复训练***及其训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114664434A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765920A (zh) * | 2019-10-18 | 2020-02-07 | 西安电子科技大学 | 基于卷积神经网络的运动想象分类方法 |
CN111110982A (zh) * | 2019-12-02 | 2020-05-08 | 燕山大学 | 基于运动想象的手部康复训练方法 |
CN111638803A (zh) * | 2020-06-19 | 2020-09-08 | 深圳前海微众银行股份有限公司 | 基于联邦迁移的脑电数据处理方法、装置、设备及介质 |
WO2020229684A1 (en) * | 2019-05-16 | 2020-11-19 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Concepts for federated learning, client classification and training data similarity measurement |
CN113128384A (zh) * | 2021-04-01 | 2021-07-16 | 北京工业大学 | 一种基于深度学习的脑卒中康复***脑机接口软件关键技术方法 |
CN114048780A (zh) * | 2021-11-15 | 2022-02-15 | 中国科学院深圳先进技术研究院 | 基于联邦学习的脑电信号分类模型训练方法及装置 |
-
2022
- 2022-03-28 CN CN202210310987.1A patent/CN114664434A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020229684A1 (en) * | 2019-05-16 | 2020-11-19 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Concepts for federated learning, client classification and training data similarity measurement |
CN110765920A (zh) * | 2019-10-18 | 2020-02-07 | 西安电子科技大学 | 基于卷积神经网络的运动想象分类方法 |
CN111110982A (zh) * | 2019-12-02 | 2020-05-08 | 燕山大学 | 基于运动想象的手部康复训练方法 |
CN111638803A (zh) * | 2020-06-19 | 2020-09-08 | 深圳前海微众银行股份有限公司 | 基于联邦迁移的脑电数据处理方法、装置、设备及介质 |
CN113128384A (zh) * | 2021-04-01 | 2021-07-16 | 北京工业大学 | 一种基于深度学习的脑卒中康复***脑机接口软件关键技术方法 |
CN114048780A (zh) * | 2021-11-15 | 2022-02-15 | 中国科学院深圳先进技术研究院 | 基于联邦学习的脑电信号分类模型训练方法及装置 |
Non-Patent Citations (1)
Title |
---|
魏立斐;陈聪聪;张蕾;李梦思;陈玉娇;王勤;: "机器学习的安全问题及隐私保护", 计算机研究与发展, no. 10, 9 October 2020 (2020-10-09), pages 60 - 79 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amin et al. | Cognitive smart healthcare for pathology detection and monitoring | |
Wang et al. | Real-time mental arithmetic task recognition from EEG signals | |
CN109872803B (zh) | 一种人工智能病理标注*** | |
KR102031958B1 (ko) | 전전두엽 기반 인지적 뇌-기계 인터페이스 장치 및 방법 | |
CN107595302B (zh) | 一种利用脑电信号监测用户精神状态的装置及方法 | |
CN105574559B (zh) | 一种基于物联网的移动高压氧工作站*** | |
EP3679831A1 (de) | Verfahren zur bestimmung von bewegungsmustern bei einer zahnbehandlung | |
CN109222931A (zh) | 智能监护*** | |
Mahajan et al. | A real time set up for retrieval of emotional states from human neural responses | |
CN112008725A (zh) | 一种人机融合脑控机器人*** | |
CN107451391A (zh) | 一种基于网络的病历资料存储流转方法及*** | |
Mohammed et al. | Advanced human-robot collaborative assembly using electroencephalogram signals of human brains | |
CN112297020A (zh) | 一种用于监视危重病人的护理机器人 | |
Nijholt et al. | Brain-computer interaction: can multimodality help? | |
CN114664434A (zh) | 面向不同医疗机构的脑卒中康复训练***及其训练方法 | |
CN109817297A (zh) | 医疗报告的生成方法、装置、计算机设备及计算机存储介质 | |
Chang | Architecture design for performing grasp‐and‐lift tasks in brain–machine‐interface‐based human‐in‐the‐loop robotic system | |
CN116665281B (zh) | 一种基于医患交互的关键情绪提取方法 | |
Martisius et al. | Design of a neural interface based system for control of robotic devices | |
CN115024816A (zh) | 一种冷循环微波肿瘤消融*** | |
Prabhakara et al. | Real time analysis of EEG signals on Android application | |
US20210076942A1 (en) | Infrared thermography for intraoperative functional mapping | |
CN114566275A (zh) | 一种基于混合现实的院前急救辅助*** | |
WO2018075754A1 (en) | System and method for determining amount of volition in a subject | |
Kim et al. | Identifying error features in a MI-BCI system using microstates |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |