技术摘要：
一种基于便携式脑电采集设备的脑控智能肢体康复系统及，康复系统包括便携式脑电采集设备、运动意图识别模块、运动康复系统，所述便携式脑电采集设备从被试者大脑采集脑电信号，运动意图识别模块对脑电信号进行分析，确定运动意图，运动康复系统基于所述运动意图协助被  全部
背景技术：
脑机接口(BCI)是指人脑与计算机或其他电子设备间建立的交流与控制通道，可 以通过获取脑电信号，提取其中有效信息，进而对连接的其它设备进行控制。BCI系统常见 的范式主要包括稳态视觉诱发电位(SSVEP)，P300和运动想象(MI)。其中，MI是典型的基于 EEG的BCI系统之一，它可以通过分类相应的EEG信号来实现运动意图的识别，无需被试实际 的运动。此过程中得到的脑电特征提取结果与被试者初始思维活动相关，从而可以转化成 与之对应的控制指令，控制被试者穿戴的机械外骨骼带动被试者进行运动。这有助于改善 运动障碍和功能受限的患者的皮质重组能力。 近年来，复杂网络获得快速发展。作为前沿的数据融合、分析理论，复杂网络为复 杂系统的研究提供了新的视角。符号化网络是时间序列复杂网络分析中常用的网络方法。 符号化网络以时间序列中存在的固有波动模式为节点，以节点之间的时间迁移为连边，能 够有效反映时间序列中隐藏的复杂动力学规律。截至目前，符号化网络已经在包括经济、多 相流、交通等诸多领域有了成功的应用。 宽度学习是一种新型的机器学习方法。区别于深度学习理论，宽度学习具有结构 简单、训练效率高等优点。已有工作已经证实宽度学习能够有效实现特征提取和分类。
技术实现要素：
本发明所要解决的技术问题是，提供一种能够实现两个自由度大脑意念控制，辅 助小腿运动困难者进行训练的基于便携式脑电采集设备的脑控智能肢体康复系统及应用。 本发明所采用的技术方案是：一种基于便携式脑电采集设备的脑控智能肢体康复 系统，包括便携式脑电采集设备、运动意图识别模块、运动康复系统，所述便携式脑电采集 设备从被试者大脑采集脑电信号，运动意图识别模块对脑电信号进行分析，确定运动意图， 运动康复系统基于所述运动意图协助被试者进行运动康复。 所述运动意图识别模块，是使用虚拟现实生成两种运动场景，被试者通过虚拟现 实设备分别观察两种不同的运动场景的同时，想象对应的具体动作，诱发运动想象EEG脑电 信号；通过便携式脑电采集设备采集EEG脑电信号，而后结合大脑多层复杂网络和宽度学习 模型，实现对运动想象EEG脑电信号的有效辨识以及分类；以分类结果为基础，生成相应的 控制指令，将控制指令转变为电刺激，刺激被试者相应肌肉实现两个自由度的运动，辅助被 试者完成小腿伸展或小腿弯曲两种运动。 所述运动意图识别模块具体包括如下步骤： 1)设定两种运动场景，分别包括小腿伸展和小腿弯曲两种运动场景，并设定小腿 伸展运动场景为编号1，小腿弯曲运动场景为编号2，通过虚拟现实设备呈现给被试者； 5 CN 111584031 A 说　明　书 2/8 页 2)利用便携式脑电采集设备获取被试者运动想象EEG脑电信号并对运动想象EEG 脑电信号进行预处理，所述的便携式脑电采集设备，获取被试者对应于脑电极帽的C3，C4， Cz三个电极的运动想象EEG脑电信号； 3)通过运动场景的编号，为每一次采集到的运动想象EEG脑电信号设定标签，将两 种运动场景得到的2t个样本，构成样本集，其中，所述样本集中的每一个样本是由采集到的 被试者一次运动想象的运动想象EEG脑电信号以及相应的标签构成； 4)对每个样本的运动想象EEG脑电信号 c＝C3,C4,Cz，其中，L为每个信号 的数据长度，Xc,g表示c电极对应的信号中第g个数据点，采用符号化网络理论构建有向加权 符号化复杂网络Ac，得到大脑多层复杂网络； 5)分别对每一个符号化复杂网络Ac，提取网络指标数据，所述的网络指标数据包 括：网络节点度、网络节点介数、网络节点聚集系数； 6)对于每个样本得到的大脑多层复杂网络，获得一组所述网络指标数据；搭建初 始宽度学习模型，将所有样本对应的标签以及网络指标数据输入初始宽度学习模型，进行 有监督的训练，得到能够用于运动想象EEG脑电信号有效分类、辨识的宽度学习模型。 步骤2)所述的获取运动想象EEG脑电信号，包括： (1)被试者通过虚拟现实设备观察生成的不同运动场景的同时，想象相应场景的 具体动作； (2)在每一种运动场景下被试者进行t次运动想象，当被试者想象相应的具体动作 时，通过便携式脑电采集设备完成t次运动想象EEG脑电信号的采集。 步骤2)所述的对运动想象EEG脑电信号进行预处理，是对运动想象EEG脑电信号进 行带通滤波并去除伪迹，得到如下能够用于实现运动想象状态辨识的运动想象EEG脑电信 号： c＝C3,C4,Cz 其中，L为每个信号的数据长度，Xc,g表示c电极对应的信号中第g个数值。 步骤4)具体包括： (1)将c电极的运动想象EEG脑电信号 的幅值范围[αc,βc]等间隔的划分为 n个幅值段，第i个幅值段为Di: 其中αc表示运动想象EEG 脑电信号 中的最小值，βc表示运动想象EEG脑电信号 中的最大值； (2)对c电极的运动想象EEG脑电信号 通过长度为l的滑动窗口进行数据 分割，滑动窗口的滑动步长为b，得到一系列滑动窗口数据，第j个滑动窗口数据表示为 其中 表示c电极对应的第j个滑动窗口中的第g1个数 据点； 6 CN 111584031 A 说　明　书 3/8 页 (3)对任意一个滑动窗口数据 根据其中l个数据点的幅值分布，映射到 一个符号 其中 表示滑动窗口数据中的第g1个数据点落在了第 i个幅值段Di； (4)对所有的滑动窗口对应的符号，根据先后顺序建立有向连边，得到有向加权符 号化复杂网络Ac； (5)分别重复第(1)步到第(4)步，得到对应C3，C4，Cz三个电极的3个有向加权符号 化复杂网络AC3,AC4,ACz，从而得到大脑多层复杂网络{AC3,AC4,ACz}。 步骤6)所述的初始宽度学习模型包括依次串接的： 一个数据输入层：输入数据即为样本对应的网络指标数据，所述的输入数据是具 有标签信息的数据； 一个隐藏层：包括N1个特征节点，N2个增强节点； 一个输出层：输出分类结果。 对于已经训练完成的宽度学习模型，无需初始化，只要输入新获取的样本数据，直 接进行训练就能够得到新的宽度学习模型。 一种基于便携式脑电采集设备的脑控智能肢体康复系统的应用，包括如下步骤： 1)设定两种运动场景，编号为场景1，场景2，分别对应小腿伸展和小腿弯曲，被试 者在不同场景下，想象相应的具体的动作；获取运动想象EEG脑电信号并对运动想象EEG脑 电信号进行预处理； 2)利用运动意图识别模块对采集到的运动想象EEG脑电信号进行处理，判断出该 信号对应的是何种运动想象，以分类结果为基础生成脑控指令，并传输到主控制器； 3)利用肌电信号采集和多通道电刺激输出模块中的肌电信号采集点获取被试小 腿的肌电信号并传输到主控制器； 4)主控制器根据脑控指令和小腿的肌电信号，决策出对于小腿的刺激电流、刺激 脉宽、刺激频率和刺激时间，进一步控制肌电信号采集和多通道电刺激输出模块中的电刺 激点对被试者小腿施加电刺激； 5)小腿的运动与被试者的想象过程保持一致，形成被试者对小腿伸展和小腿弯曲 控制的闭环回路，促进肌体康复。 一种基于便携式脑电采集设备的脑控智能肢体康复系统的应用，包括如下步骤： 1)设定两种运动场景，编号为场景1，场景2，分别对应小腿伸展和小腿弯曲，在不 同场景下，想象相应的具体的动作；获取运动想象EEG脑电信号并对运动想象EEG脑电信号 进行预处理； 2)利用运动意图识别模块对采集到的运动想象EEG脑电信号进行处理，判断出该 信号对应的是何种运动想象，以分类结果为基础生成脑控指令，发送给与人体小腿连接的 机械外骨骼，控制机械外骨骼运动带动人体小腿运动。 本发明的基于便携式脑电采集设备的脑控智能肢体康复系统及应用，能够实现对 运动想象EEG脑电信号的准确获取、有效辨识和正确分类，并转化为脑控指令，实现对电刺 激器的控制；本发明能够实现两个自由度大脑意念控制，辅助小腿运动困难者进行训练。 7 CN 111584031 A 说　明　书 4/8 页 附图说明 图1是本发明的基于便携式脑电采集设备的脑控智能肢体康复系统的框图； 图2是本发明中运动意图识别模块的流程图； 图3是本发明中宽度学习模型结构示意图； 图4是本发明中便携式脑电采集设备的框图； 图5是本发明基于便携式脑电采集设备的脑控智能肢体康复系统的应用示意图； 图6是本发明基于便携式脑电采集设备的脑控智能肢体康复系统的应用装置的示 意图； 图7是肢体功能性电刺激设备的结构示意图。 图中 1：便携式脑电采集设备              2：运动意图识别模块 3：运动康复系统                    3.1：主控制器 3.2：肌电信号采集和多通道电刺激输出模块 3.21：电刺激点                     3.22：肌电信号采集点 4：座椅