阅读说明：本技术 一种经颅直流电刺激和功能性电刺激的运动功能康复方法 (motor function rehabilitation method by transcranial direct current stimulation and functional electrical stimulation ) 是由 陆晟 罗志增 孟明 佘青山 孙曜 席旭刚 于 2019-09-27 设计创作，主要内容包括：本发明提出了一种采用经颅直流电刺激和功能性电刺激的运动功能闭环康复方法。首先对大脑皮层区域进行tDCS刺激,改善皮层活性并且促进神经重塑,提高MI-BCI的准确性。在此基础上采集多通道运动想象的脑电信号,构建通道重要性测度,获得通道特征权值矩阵,为各通道特征向量加权,构造特征加权logistic分类机。最后利用logistic分类机进行运动想象识别,根据识别结果进行FES刺激完成上肢动作,促进本体感觉上行反馈至中枢,与tDCS刺激引发重塑和运动控制的神经冲动下行一起,构成双刺激干预,塑造了“控制下行-感觉上行”的运动功能闭环康复回路,促使患者自然和全面的康复。(The invention provides motor function closed-loop rehabilitation methods adopting transcranial direct current stimulation and functional electrical stimulation, which comprises the steps of firstly carrying out tDCS stimulation on a cerebral cortical area, improving cortical activity, promoting nerve remodeling and improving the accuracy of MI-BCI, collecting multi-channel motor imagery electroencephalogram signals on the basis, constructing channel importance measure, obtaining a channel feature weight matrix, weighting each channel feature vector, constructing a feature weighting logistic classifier, finally carrying out motor imagery identification by using the logistic classifier, carrying out FES stimulation according to an identification result to finish upper limb actions, promoting proprioceptive uplink feedback to a central nervous system, forming double stimulation intervention with nerve impulse downlink of remodeling and motor control caused by tDCS stimulation, forming a motor function closed-loop rehabilitation circuit of 'control downlink-sensory uplink', and promoting natural and comprehensive rehabilitation of a patient.)

一种经颅直流电刺激和功能性电刺激的运动功能康复方法

技术领域

本发明属于模式识别领域，涉及在皮层电刺激后进行运动想象识别，利用上肢康复机器人功能性电刺激实现上肢康复运动，通过双刺激干预的一种运动功能闭环康复方法，特别涉及一种采用经颅直流电刺激和功能性电刺激的运动功能闭环康复方法。

背景技术

脑卒中是世界范围内常见的脑血管疾病之一，患者由于脑出血或缺血造成组织损伤，导致运动皮层控制和感觉功能的缺失或紊乱，出现肌张力异常等运动功能障碍。现代神经生理学的发展与电子信息、机器人、人工智能技术的交叉融合，给脑卒中患者的运动康复带来了新手段，因而基于脑肌融合的运动康复也成为这一领域内热点研究课题。

功能性电刺激(FES)技术作为一种神经肌肉刺激手段常被用于脑卒中患者运动功能的临床康复治疗。FES可帮助患者重建受损的外周神经系统、恢复或改善肌肉动作功能，更为重要的是FES干预措施可通过感觉(上行)传导通路向大脑皮层输入感觉冲动，促进运动皮层的重塑。但从神经可塑性理论来看，患者在康复训练过程中的主观努力也对中枢神经的重塑具有重要影响，其中基于运动想象(MI)的脑机接口(BCI)技术对FES康复训练的改进尤为显著。

由于运动想象过程能够直接激发大脑运动皮层，因此采用运动想象脑电信号(EEG)作为信息源的MI-BCI与FES相结合，可以在体外重建脑卒中患者运动冲动的传导通路，提高运动皮层激活程度。MI-BCI-FES疗法利用患者的主观运动意图来增加其在FES康复训练中的参与度，相比于单独的FES治疗具有更高的效率。

MI-BCI的识别准确性和可靠性对于提高FES治疗中患者的主动参与程度和干预效果至关重要，但是由于脑卒中患者的运动想象能力受到神经损伤影响，因此运动想象任务完成质量不高，导致MI-BCI-FES存在较大的误触发风险，最终康复训练达不到预期效果，所以本发明提出将tDCS与MI-BCI-FES系统相结合，作为一种新的运动功能闭环康复的方法。一方面，tDCS直接对相关脑区进行刺激，提高运动皮层活跃度，使神经振荡向下延伸至脊髓神经网络，促进神经重塑及其长时效应，甚至形成新的功能连接和诱导脊髓束通路重塑神经冲动下行路径；另一方面，依赖tDCS引发的运动皮层活性改善，有助于患者的运动想象脑电信号质量的提升和特征的强化，从而提高MI-BCI的准确性和可靠性，通过给予对应其主观意愿的FES刺激实现肢体动作。正确的运动任务可以令肢体动作本体感觉通过感觉上行通路反馈至运动感知皮层，将进一步增强脑功能区的神经可塑性。通过这样的双刺激干预手段，大大增加了重塑再造运动控制神经传递内闭环的可能性，达到运动功能闭环康复的目的，促使患者自然和全面的康复。

发明内容

本发明提出了一种采用经颅直流电刺激和功能性电刺激的运动功能闭环康复方法。首先对大脑皮层区域进行tDCS刺激，改善皮层活性并且促进神经重塑，提高MI-BCI的准确性和可靠性。然后在此基础上采集运动想象的脑电信号，构建通道重要性测度，获得通道特征权值矩阵，为各通道特征向量加权，构造特征加权logistic分类机。其中各通道特征向量由基于希尔伯特-黄变换的脑电信号特征提取方法可获得。最后利用logistic分类机进行运动想象识别，根据识别结果进行FES刺激，实现上肢运动的同时促进本体感觉上行反馈至中枢，与tDCS刺激引发重塑和运动控制的神经冲动下行一起，构成双刺激干预，塑造了“控制下行-感觉上行”的运动功能闭环康复回路，促使患者自然和全面的康复。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤1.对患者进行经颅直流电刺激tDCS，提升皮层活跃度，使神经震荡向下延伸至脊髓束，促进脑功能网络重组并且改善运动想象的事件相关去同步ERD指标。

步骤2.采集患者在步骤1之后的运动想象脑电信号EEG，采用基于希尔伯特-黄变换的脑电信号特征提取方法对所采集的脑电信号进行特征提取，获得各通道初始特征向量，构建初始特征矩阵M，具体步骤为：

2-1.通过经验模式分解将脑电信号分解为一系列内蕴模式函数IMF。设实验获得的各通道信号为定长的一维时间序列x，对x进行经验模式分解后，x表示为：

式中c_i(t)表示第i个IMF，r_n(t)表示最终的剩余信号，n为IMF的数量。

2-2.对所有的IMF进行Hilbert变换，得到具有良好分辨率的Hilbert谱H(v,t)：

式中v表示频率，t表示时间，a_i(t)为瞬时幅度，为瞬时频率，其中

为瞬时相位。

2-3..现有研究已经证实事件相关同步/去同步现象主要体现在人脑运动感觉皮层的 8～13Hz的mu节律和14～30Hz的beta节律,将8～30Hz频带等间隔划分为z个子频带，子频带的宽度记为h，求每个子带的瞬时能量函数IE(t)为：

式中g＝p*h,p＝0,...,z。

2-4.提取各瞬时能量函数IE(t)的自回归AR模型系数，级联成所采集通道信号的初始特征向量，采集通道数为Q，则构造的初始特征矩阵M为：

步骤3.构建脑电通道重要性测度，采用多阈值策略对各采集通道的重要性分级，从而获得各通道特征权值矩阵K，具体步骤是：

3-1.确定所有两两通道组合之间相关性的强弱。将所采集的各通道EEG用矩阵 X＝{x_q(l)}表示，l＝1,...,L,q＝1,...,Q，L为采样点数。X＝{x_q(l)}的P阶多变量自回归模型为：

其中X(l)表示各通道的EEG信号，A(k)是k阶的自回归系数，U(l)是白噪声。

转到频域后得到：

Y(f)＝H(f)U(f)

其中H(f)是变换阵，

且H(f)的对角线元素表示各通道的功率谱，U(f)是U(l)的频谱。

根据多元谱分解定理可得

式中上标H表示埃尔米特矩阵变换。

设a和b为任意两个采集通道，a,b＝1,2,...Q，构建两个通道间基于多元功率谱的相关性强弱定量测度函数：

其中S_ab是通道a和b上的脑电信号的互功率谱。

将各次实验数据所获得C² _ab(f)的均值

定义为多元功率谱相关系数，作为衡量a通道和b通道相关性强弱的指标。

3-2.构建通道特征权值矩阵。以两两通道之间的多元功率谱相关系数为基础，可得各通道重要性测度函数：

利用各通道的

采用多阈值策略，对各采集通道的重要性进行分级，对重要通道赋予较大的特征权值，在此基础上构建各通道的特征权值矩阵：

其中k_a由步骤2中划分的z个子频带的平均频率分别代入

所构建：

其中

表示步骤2中划分的第z个子频带的平均频率。

步骤4.利用步骤3得到的特征权值矩阵K对步骤2中各通道特征向量加权，以特征向量选择的方式实现核logistic分类机的稀疏性，构造特征加权logistic分类机，提高运动想象模式识别的精度，具体步骤为：

4-1.定义特征加权核函数。已知M_α和M_β是训练样本集中任意两个特征矩阵样本，特征权值矩阵为K＝[k₁,k₂,...,k_Q]，Q为采集通道数，得到特征加权Gauss径向基核函数为：

其中，γ为核函数参数，M为输入特征矩阵。

4-2.构造特征加权logistic分类机。预测函数为：

分类规则为：

式中

为模型参数，N是样本数量，τ为类别，Γ为类别数。

4-3.采用极大似然估计进行logistic分类模型的参数拟合。对于有监督Γ类分类任务，给定训练样本集

其中M_μ为特征矩阵；t_μ为Γ维输出向量。当输入M_μ属于类别τ，τ∈{1,2,...,Γ}时，则t_μτ＝1，反之，t_μτ＝0。可得最佳分类模型参数F为：

步骤5.根据步骤4得到的识别结果控制功能性电刺激FES上肢康复机器人，对患者进行FES。FES可将本体感觉上行反馈至运动感觉皮层，与tDCS形成双刺激干预达到重塑运动神经冲动下行控制和上行感觉反馈内闭环系统的目的，实现患者自然和全面的运动康复。

同时FES可将本体感觉上行反馈至运动感觉皮层，与tDCS形成双刺激干预。

本发明所设计的康复训练方法塑造了“控制下行-感觉上行”的运动功能闭环康复回路，利用FES与tDCS形成双刺激干预可以大大增加打通运动神经传递内闭环的可能性，达到患者自然和全面运动康复的目的。

附图说明

图1为本发明实施的原理框图；

图2为基于希尔伯特-黄变换的脑电信号特征提取方法流程图；

具体实施方式

下面结合附图对本发明的实施例作详细说明：

如图1所示，本实施例包括如下步骤：

步骤一，搭建康复实验平台，制定康复训练方案，具体过程如下：

以上肢运动功能康复为对象，搭建电刺激干预脑机融合运动功能闭环康复实验平台。采用多通道FES、tDCS装置分别组成大脑皮层与肢体肌肉两端的电刺激干预通道，利用多通道EEG信号采集装置组成EEG的信号采集通道，获取MI-BCI-FES康复训练过程中的EEG信号。

根据上肢康复训练临床实施方案，本项目选择医学检验和评价方法相对完整的特定上肢动作作为电刺激干预和运动想象的目标动作，包括肘屈、肘伸、腕屈、腕伸、握拳、展拳的基本动作。实验受试者是40例符合入选标准的脑卒中后上肢功能障碍患者。实验方案如下：每次实验包括两个环节，第一个环节是tDCS刺激，每天施加20分钟的tDCS，持续时间为一周；第二个环节是MI-BCI-FES训练，被试者进行动作运动想象，采集运动想象EEG信号，由MI-BCI-FES系统识别被试者的主动运动意图并施加相应的FES进行动作康复训练。

步骤二，采集受试者在tDCS刺激后的运动想象EEG信号,进行特征提取。本发明采用基于希尔伯特-黄变换的脑电信号特征提取方法，首先通过经验模式分解得到一系列内蕴模式函数IMF，对每个IMF作Hilbert变换得到Hilbert谱，再求得每个IMF的瞬时能量函数，提取其自回归AR模型系数，从而得到初始特征向量，特征提取流程图如图2所示，具体过程如下：

第1步：通过经验模式分解将脑电信号分解为IMFS。设实验获得的各通道信号为定长的一维时间序列x，对x进行经验模式分解后，x表示为：

式中c_i(t)表示第i个IMF，r_n(t)表示最终的剩余信号，n为IMF的数量。

2-2.对所有的IMF进行Hilbert变换，得到具有良好分辨率的Hilbert谱H(v,t)：

式中v表示频率，t表示时间，a_i(t)为瞬时幅度，

为瞬时频率，其中

为瞬时相位。

2-3..现有研究已经证实事件相关同步/去同步现象主要体现在人脑运动感觉皮层的 8～13Hz的mu节律和14～30Hz的beta节律,将8～30Hz频带等间隔划分为z个子频带，子频带的宽度记为h，求每个子带的瞬时能量函数IE(t)为：

式中g＝p*h,p＝0,...,z。

2-4.提取各瞬时能量函数IE(t)的自回归AR模型系数，级联成所采集通道信号的初始特征向量，采集通道数为Q，则构造的初始特征矩阵M为：

步骤3.构建脑电通道重要性测度，采用多阈值策略对各采集通道的重要性分级，从而获得各通道特征权值矩阵K，具体步骤是：

3-1.确定所有两两通道组合之间相关性的强弱。将所采集的各通道EEG用矩阵 X＝{x_q(l)}表示，l＝1,...,L,q＝1,...,Q，L为采样点数。X＝{x_q(l)}的P阶多变量自回归模型为：

其中X(l)表示各通道的EEG信号，A(k)是k阶的自回归系数，U(l)是白噪声。

转到频域后得到：

Y(f)＝H(f)U(f)

其中H(f)是变换阵，

且H(f)的对角线元素表示各通道的功率谱，U(f)是U(l)的频谱。

根据多元谱分解定理可得

式中上标H表示埃尔米特矩阵变换。

设a和b为任意两个采集通道，a,b＝1,2,...Q，构建两个通道间基于多元功率谱的相关性强弱定量测度函数：

其中S_ab是通道a和b上的脑电信号的互功率谱。

将各次实验数据所获得C² _ab(f)的均值

定义为多元功率谱相关系数，作为衡量a通道和b通道相关性强弱的指标。

3-2.构建通道特征权值矩阵。以两两通道之间的多元功率谱相关系数为基础，可得各通道重要性测度函数：

利用各通道的

采用多阈值策略，对各采集通道的重要性进行分级，对重要通道赋予较大的特征权值，在此基础上构建各通道的特征权值矩阵：

其中k_a由步骤2中划分的z个子频带的平均频率分别代入

所构建：

其中

表示步骤2中划分的第z个子频带的平均频率。

步骤4.利用步骤3得到的特征权值矩阵K对步骤2中各通道特征向量加权，以特征向量选择的方式实现核logistic分类机的稀疏性，构造特征加权logistic分类机，提高运动想象模式识别的精度，具体步骤为：

4-1.定义特征加权核函数。已知M_α和M_β是训练样本集中任意两个特征矩阵样本，特征权值矩阵为K＝[k₁,k₂,...,k_Q]，Q为采集通道数，得到特征加权Gauss径向基核函数为：

其中，γ为核函数参数，M为输入特征矩阵。

4-2.构造特征加权logistic分类机。预测函数为：

分类规则为：

式中

为模型参数，N是样本数量，τ为类别，Γ为类别数。

4-3.采用极大似然估计进行logistic分类模型的参数拟合。对于有监督Γ类分类任务，给定训练样本集

其中M_μ为特征矩阵；t_μ为Γ维输出向量。当输入M_μ属于类别τ，τ∈{1,2,...,Γ}时，则t_μτ＝1，反之，t_μτ＝0。可得最佳分类模型参数F为：

步骤5.根据步骤4得到运动脑电信号识别结果，控制FES上肢康复机器人，给予患者对应其主观意愿的功能性电刺激来实现肢体动作。若FES刺激后完成正确的肢体动作，本体感觉将上行反馈至运动感觉皮层，将进一步增强脑功能区的神经可塑性。