论文部分内容阅读
手部伸展障碍是脑卒中患者中常见的症状,将患者的脑电信号(Electroencephalogram,EEG)和肌电信号(Electromyography,EMG)与康复机器人的辅助控制相结合,融合了临床主动康复医学与机器人学,代替传统的康复治疗师,为卒中患者手部功能康复提供新的技术途径。康复训练方法分为主动康复和被动康复,相比被动康复,主动康复充分利用患者的自主意识,提高患者的主动参与性。主动康复主要策略是利用EMG获得手部肌力信息,卒中患者因有神经功能缺损、肌萎缩、肌无力等症状,EMG的非正常发放,导致与肢体运动相关联的信息难以有效检测。EEG中包含了主动意识信息,然而EEG的高度非平稳性,使得其用于被试手部精细动作分类有难度。因此,EMG和EEG相结合是有效检测被试不同手部动作的技术途径。这一技术途径的关键是:对表征手指张力状态的EMG、EEG以及脑肌电相干性信号(Cortico-Muscular Coherence,CMC)自主意识信号进行特征提取及分类识别,确定能有效检测被试自主动作状态的信号。为手部运动功能恢复机制的探索提供了实验基础。以健康被试在手部不同张力状态下的EEG、EMG和CMC三种自主意识信号为数据基础,探索有效检测被试自主动作信息的方法,为基于脑肌电相干性的手部自主动作的识别提供了依据。主要研究工作包括:(1)为确定能有效检测被试自主动作状态的信号,设计包含三种不同张力状态的实验范式,对不同张力状态进行实验测量,同步采集FC5、FC4、FC1、C3、C4、C1等34个通道的EEG和指屈肌(Flexor Digitorum,FD)、指伸肌(Extensor Digitorum,ED)2个通道的EMG,作为脑肌电分析的数据基础。(2)针对EMG的能量分布特性,截取10-100Hz的EMG频段为有效频段,对EMG进行预处理;确定被试不同张力状态时的有效EMG时间段是有效提取特征和分类的前提,采用移动平均法处理EMG的瞬时能量,并使用阈值比较检测有效EMG时间段;采用幅值的绝对均值方法对EMG进行特征提取,结果表明在手部不同张力状态(静息态、张力1、张力2)下信号幅值具有差异性;采用支持向量机(Support Vector Machine,SVM)对10名被试三种张力状态下BP4(ED通道)EMG数据进行两级和多级分类,其中,多级分类正确率达到了平均86.2%。(3)针对张力训练EEG高度非平稳、低信噪比特点,以确定张力训练时的EEG关键频段为切入点,首先对EEG内、外部噪声预处理,然后分析脑地形序列图,定位大脑激活区域,确定FC5、C3、CP3等12个相关通道,采用小波包变换(Wavelet Packet Transform,WPT)结合功率谱方法确定各相关通道不同频段EEG能量分布状态,确定EEG的关键频段为20.02-20.51Hz。(4)针对不同张力训练时EEG特征的识别问题,以判别EEG静息态与动作态为切入点,采用两级和多级的共空间模式(Common Spatial Patterns,CSP)算法提取三种张力状态的能量特征,结果显示三种张力状态能量特征具有差异性;基于多级CSP算法,采用SVM对10名被试三种张力状态下C3通道β频段EEG进行多级分类,取得了平均81.0%的分类正确率。(5)对基于EEG、EMG和CMC自主意识信号检测被试自主动作状态效果进行对比。首先对三种张力状态下分类正确率较高的脑电通道(C3、C5、CP3、P5、P3)各频段(δ、θ、α、β、γ)EEG与2块肌肉(ED、FD)的EMG分别进行相干处理;其次提取各通道各频段的相干系数值作为特征参数,采用SVM对三种张力状态分类识别,在C3通道β频段多级分类取得了平均84.4%的分类正确率;对比分析三种信号对三种张力状态分类识别的结果,得出基于CMC信号对被试不同张力状态多级分类识别正确率,比单独基于EEG分类正确率提高3.4%,静息态-张力1、静息态-张力2和张力1-张力2两级分类识别正确率分别提高1.6%,1.7%和7.3%。