论文部分内容阅读
近年来,全球老龄化日趋严重,老年人又是脑卒中的高发人群。脑卒中造成的肢体运动功能障碍给患者带来极大不便和精神压力,同时也给家庭和社会带来了沉重的负担。如何帮助患者进行有效康复治疗,重新获得一定的独立生活能力,是当今社会急需解决的问题,也是康复工程、人工智能等交叉学科研究的热点。脑机接口(Brain-Computer Interface,BCI)的出现为该问题提供了一个较好的解决思路。医学理论和实践证明,大脑具有可塑性,患者主动参与康复训练有利于患者的康复。基于运动想象BCI(Motor Imagery BCI,MI-BCI)是一种全新的主动式康复手段,对患者的肢体运动功能恢复具有明显的优势。本文围绕手臂运动功能康复问题,对脑电信号(electroencephalography,EEG)特征提取,分类器设计、个性化脑电信号采集方案以及在线手臂运动康复系统设计等内容进行深入研究,取得的主要研究成果如下:(1)小波包变换(Wavelet Packet Transform,WPT)与深度信念网络(Deep Belief Network,DBN)相结合的脑电特征提取方法针对EEG十分微弱、识别率低、自适应能力不足等问题,提出一种WPT与DBN相结合的EEG特征提取方法(WPTDBN)。首先,利用平均功率谱方法对EEG进行时域分析,并选取有效的时序段。其次,使用WPT对有效时域段的EEG进行频域分解,并选择有用的时频段进行重构;然后,将重构EEG的瞬时功率利用DBN进行特征提取,在DBN的训练中通过增加Dropout训练技巧来解决因训练数据少等引起的过拟合问题。最后,采用Softmax分类器对EEG进行分类。利用BCI标准竞赛数据库进行实验研究,5-折交叉验证结果表明,WPTDBN方法不仅能自动提取特征而且还可以利用EEG时频域信息,有利于提高识别率。(2)基于最优小波包和长短型记忆(Long-Short Term Memory,LSTM)递归神经网络(Recurrent neural Network,RNN)的EEG识别方法为了准确提取与想象任务相关的时频特征以及充分利用脑电特征的时序信息,提出一种最优小波包和LSTM型RNN相结合的EEG识别方法,记为WLR。该方法首先在平均功率谱法分析的基础上,选取有用的EEG时域范围。其次,先利用WPT对EEG进行分解,然后采用改进的距离准则求出小波包最优子空间,并选取小波包最优子空间的小波包系数作为脑电特征。最终,利用LSTM型RNN作为分类器对EEG进行识别分类。在BCI标准数据集上,5-折交叉验证结果显示,该方法能够充分利用脑电信号和脑电特征的时序信息,从而提高了EEG的分类准确率,为EEG的识别提供了一种思路。(3)基于人脸识别技术的EEG采集实验设计为了推进MI-BCI康复研究走向实际的应用,针对目前EEG采集模式单一,没有考虑到患者的性别、年龄以及情绪等个性化特征。本文设计了一套基于人脸识别的EEG采集实验。采集软件使用了MFC框架,OpenCV图像处理库,Matlab与C++混合编程技术,Face++人脸识别技术,Curl网络库,Json数据解析库及g.MOBIlab+脑电仪的API接口等技术。实验结果表明,本实验可以采集到测试者人脸图像并在线识别年龄、性别以及微笑程度等个性化特征,然后,根据这些个性化特征设置个性化的实验采集方式,最后,采集多次想象手臂伸/屈运动的EEG数据,并使用WPTDBN+Softmax和WLR的识别分析方法对采集EEG进行离线分析,验证了本文提出两种识别方法的有效性。(4)基于MI-BCI技术的在线手臂康复系统的设计在上述研究的基础上,设计了基于MI-BCI的在线手臂康复系统。该系统在人脸识别EEG采集软件的基础上,通过MFC和多线程技术,使用g.MOBIlab+脑电采集仪实时采集EEG;然后,使用C++与Matlab的混合编程,实现EEG的在线自动识别。最后,通过Win32 API的串口通信将分类结果发送到51单片机作为控制芯片的机械手臂中,实现控制机械手臂的伸/屈运动。实验结果表明,该系统具有较好的实时性以及可靠性,为MI-BCI技术应用于手臂康复领域,激发患者的主动康复意愿以及增强患者的肢体运动功能具有一定的积极作用。