论文部分内容阅读
脑卒中(俗称:脑中风)是一种严重威胁老龄人健康的脑血液循环障碍性疾病,约四分之三的患者因脑部神经受损而患有不同程度的肢体运动障碍,给患者带来沉重的精神痛苦和生活不便,同时,给家人和社会造成严重的经济负担,是当今世界必须面临的一个社会难题。如何帮助这些患者恢复和改善肢体运动功能,最大限度地提高其社会参与能力和自主生活能力,成为社会亟待解决的问题和现代康复医学的难题。真实运动与运动想象具有相同的运动神经元通路和相似的关联性脑激活。利用脑机接口技术(Brain Computer Interface,BCI)识别患者的运动想象脑电信号(Motor Imagery electroencephalography,MI-EEG),可将患者运动意愿翻译成控制命令驱动康复装置动作,帮助患者完成主动康复训练,有利于改善运动功能恢复效果。本文以上肢运动功能康复为目标,对MI-EEG的眼电伪迹去除方法、自适应模式识别方法以及上肢运动功能康复系统设计等内容进行系统研究,取得的主要研究成果如下:(1)基于局域均值分解与典型相关分析的眼电伪迹去除方法为消除眼电伪迹(Ocular Artifact,OA)对脑电信号造成的严重影响,提出一种基于局域均值分解法(Local Mean Decomposition,LMD)与典型相关分析(Canonical Correlation Analysis,CCA)的眼电伪迹自动去除方法,记为LMDC法。首先,利用LMD将每导脑电采集信号自适应地分解为一系列具有物理意义的PF(Production Function,PF)分量,并利用CCA去除PF分量之间的相关性,获得相应的典型变量;其次,计算每导脑电信号与多导眼电信号间的相关系数矩阵,实现眼迹成份的自动识别;进而,将典型相关变量中对应眼迹成份的部分随机变量置零,其余随机变量不变,得到新的典型相关变量;最后,基于CCA逆变换将新的典型相关变量投影返回得到眼迹去除后的PF分量,并进一步重构出眼迹去除后的脑电信号。基于BCI竞赛数据库进行实验研究,结果表明,LMDC法相对其他常用方法获得了较好的眼迹去除效果,并对多位实验者和多种眼迹表现出较强的自适应性。(2)基于改进GHSOM神经网络的脑电信号识别方法为解决运动想象脑电信号的识别方法泛化能力受限和自适应性差等问题,对传统的生长、分层自组织映射神经网络(Growing Hierarchical Self-Organizing Map,GHSOM)进行改进,并提出一种主成分分析法(Principal Component Analysis,PCA)与改进的GHSOM神经网络(Improved GHSOM,IGHSOM)相结合的脑电自适应识别方法。由于IGHSOM能够根据上一层扩展神经元的量化误差进行自动分层判断,使得其不仅对数据映射更加准确和详细,而且增强了网络的稳定性和自适应性。基于BCI竞赛数据库,利用PCA进行特征提取,以IGHSOM为分类器进行实验研究。实验结果证明了GHSOM改进策略的正确性及IGHSOM识别方法的有效性。(3)基于MI-EEG设计手臂运动功能康复系统为了验证上述研究方法的正确性,并将MI-BCI技术早日应用于实际康复领域,基于Qt跨平台的C++图形用户界面应用程序框架设计想象上肢伸/屈运动脑电信号采集界面,并结合g.MOBIlab+的C++API函数完成MI-EEG的实时采集;然后,基于MatlabR2010a仿真软件平台,利用本文提出的基于LMD和CCA自动去除眼电伪迹的方法和基于改进GHSOM的脑电信号自适应识别方法处理脑电信号;最后,基于S3C2440A处理器搭建机械手臂控制装置,通过Matlab和C++混合编程实现脑电信号实时控制机械手臂的伸/屈运动,以期帮助上肢运动功能障碍患者完成主动康复训练。实验结果验证了基于MI-EEG的上肢功能康复系统设计的正确性,并展现了其在康复领域的应用前景。研究成果对于推动BCI技术在脑卒中患者肢体运动康复中的临床化进程具有积极的作用。