具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。

除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。

一种脑电生物反馈得康复方法，所述康复方法包括以下步骤：

获得参考信号REF(n)，参考信号长度大概为诱发电位信号长度的50-1 00倍；采集目标诱发电位信号X(n)；通过IIR干扰相消算法，得到最接近诱发电位信号；

最接近诱发电位信号EP(n)的计算公示如下：

EP(n)＝X(n)-REF(n)

其中x(n)为综合信号，REF(n)为参考信号，

X(n)和REF(n)为自相关函数，所以：

R(m)＝X(n)·REF(n)

其中m为参考信号的序列的活动点数(从左到右)，则最大自相关的序列为REF_M(n)，“·”为相关运算符，R(m)为相关系数组；

求得最大相关系数的值为：

R＝MAX[R(m)]

自适应关系矩阵公示如下：

EP(n)＝S(n)-W*REF_M(n)

其中，W为调节矩阵。REF_M(n)是最大相关参考序列，通过调节W矩阵可使EP(n)获得最佳值，S(n)为采集到的刺激信号数据序列；

根据公式：

W＝∑S(n)*REFM(n)/∑[REF_M(n)]²

求出w的值后，

按照下述公式

EP(n)＝S(n)-W*REF_M(n)

对干扰实现相互消除，可得最接近诱发电位信号EP(n)。

消除的最接近诱发电位信号中的高频和低频噪声，得到诱发电位信号E P(n)。通过加入带通IIR滤波器消除的最接近诱发电位信号中的高频和低频噪声。

将诱发电位信号序列EP(n)按下述频率分段：δ频带为0.5Hz～4Hz，θ频带为4Hz～8Hz，α频带为8Hz～13Hz，β频带为13Hz～30Hz；得到分段诱发电位信号；将分段诱发电位信号进行小波变换、加窗处理，得到分段诱发电位数据；

小波变换(wavelet transform，WT)是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。

在信号处理中，可以说加窗处理是一个必经的过程，因为我们的计算机只能处理有限长度的信号，因此原始信号X(t)要以T(采样时间)截断，即有限化，成为XT(t)后再进一步处理，这个过程序就是加窗处理，对于非整周期采样的情况，必须考虑如何减少加窗时造成的泄漏误差，主要的措施是使用合理的加窗函数，使信号截断的锐角钝化，从而使频谱的扩散减到最少。

根据分段诱发电位数据进行动作分类识别，根据识别到的动作实施FE S电刺激，并进行视频反馈。动作分类识别包括以下步骤：获取分段诱发电位样本数据，并将所述分段诱发电位样本数据加入数据库中；根据数据库中的分段诱发电位样本数据做分类训练，获得多个局部特征；根据获取分段诱发电位数据，采用全连接层将多维局部特征通过矩阵组装成完整的一维特征；根据采用soft-max层将一维特征映射成康复动作的概率，实现动作的识别。采用CART决策树做分类训练。

如图1，一种脑电生物反馈得康复系统，所述康复系统包括：参考信号获取单元，获得参考信号REF(n)，参考信号长度大概为诱发电位信号长度的50-100倍；诱发电位信号获取单元，采集目标诱发电位信号X(n)；干扰相消处理单元，通过IIR干扰相消算法，得到最接近诱发电位信号；高低频噪声消除单元，消除的最接近诱发电位信号中的高频和低频噪声，得到诱发电位信号EP(n)。分段单元，将诱发电位信号序列EP(n)按下述频率分段：δ频带为0.5Hz～4Hz，θ频带为4Hz～8Hz，α频带为8Hz～13Hz，β频带为13Hz～30Hz；得到分段诱发电位信号；处理单元，将分段诱发电位信号进行小波变换、加窗处理，得到分段诱发电位数据，动作识别单元，根据分段诱发电位数据进行动作分类识别，反馈单元，根据识别到的动作实施FES电刺激，并进行视频反馈。

作为一种优选的实施方式，动作分类识别单元包括：获取分段诱发电位样本数据，并将所述分段诱发电位样本数据加入数据库中；根据数据库中的分段诱发电位样本数据做分类训练，获得多个局部特征；根据获取分段诱发电位数据，采用全连接层将多维局部特征通过矩阵组装成完整的一维特征；根据采用soft-max层将一维特征映射成康复动作的概率，实现动作的识别。采用CART决策树做分类训练。

本发明的康复系统中大脑参与自主康复过程，能够缩短康复时间。

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含一个独立的技术方案，说明书的这中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。