基于血红蛋白信息的多种行走步态调整意图的识别方法与流程

本发明涉及智能助行、康复训练领域，具体涉及一种基于血红蛋白信息的多种行走步态调整意图的识别方法。
背景技术：
：近些年来，越来越多的人忍受着运动功能障碍的煎熬。这些人或是一些腿脚不便的老人，亦或是一些经历了事故、疾病、自然灾害之后导致残疾的病人。因此，越来越多的科研工作者都致力于开发出助行或是康复训练设备来帮助这些人恢复行动能力。而脑机接口作为一项拥有前景的技术，在康复领域中起着广泛而又深刻的作用。通过脑机接口技术，能够解码使用者的大脑自发运动意图，进而将这些自发运动意图来控制外部的设备，帮助他们进行训练和恢复运动能力。因此对于下肢运动功能障碍的这些特定人群，基于脑机接口技术开发出的助行设备，能更好的弥补当前市场上助行设备的不足，满足下肢运动功能障碍者的迫切需求。下肢运动相对于上肢运动往往具有更大的运动幅度，并且受制于更多的环境因素的影响，下肢的行走运动更是如此。这样的运动方式，可能会使一些技术所采集的脑信号不稳定甚至失效，而并不能运用到实际情况。如脑电技术(eeg)，脑磁技术(meg)，功能性磁共振成像(fmri)等。这些技术往往需要一个稳定的测试环境，并且设备过于庞大不适合随着使用者的行走而进行相应的移动。尽管，目前已有一些研究采用上述的这些技术，来研究行走时的大脑状态，但是这些研究都是在跑步机上进行的，这不符合实际的日常情况。幸运的是，通过近红外脑成像技术(fnirs)，能够有效地适用于这种情况。由于fnirs的便携性以及对环境的低敏感性，在实际应用中，用户能够背着fnirs设备，在自然环境下进行长距离的行走，并同时采集他们在运动时的大脑血红蛋白信息。因此，采用基于fnirs的脑机接口技术，是研究行走时自发的步态调整意图的最佳选择。目前在全球范围内基于脑机接口技术研究自发调整意图的成果并不多，大多数都基于初步阶段。并且在很多研究中，主要集中在研究从静止态到运动态的自发调整意图，如从休息到伸手，从休息到迈腿等。尽管这些研究取得了一定的成果，但是在实际的日常情况中，用户的自发调整意图，往往不是从静止到运动，而是从某个运动状态到另一个运动状态。因此为了注重其实用性，研究的自发的步态调整意图是从一个步态到另一种步态的自发调整意图。传统技术存在以下技术问题：但是如何把建立好的自发调意图的检测模型付诸于实际中时，却存在着另外一个现实难题。传统的脑机接口技术，在实际应用时，需要预先让用户进行相应的测试，以获取大脑信号进行解码建模。这需要大量的准备时间，会引起用的不满情绪。因此，基于已有的用户数据进行解码建模，然后对于新来的用户直接进行测试给出结果，是最佳的解决方案。这样的方法称为inter-bci。但是通过这样的方式建立的模型，往往识别的精度要低于前者。技术实现要素：本发明要解决的技术问题是提供一种基于血红蛋白信息的多种行走步态调整意图的识别方法，以达到对行走时步态调整的识别，其中包括分别为步速增加、步速减小、步长增加和步长减小四种步态调整状态，为实现基于脑机接口技术的智能康复医疗辅助手段奠定基础的目的。为了解决上述技术问题，本发明提供了一种基于血红蛋白信息的多种行走步态调整意图的识别方法，包括：对行走步态调整时刻所记录的脑皮层血红蛋白浓度，进行数据的预处理；其中，所述行走步态调整时刻所记录的脑皮层血红蛋白浓度是指通过“应用近红外光谱脑成像技术(nirs)进行测试实验，受试者在固定区域内完成相应的行走步态调整的任务；”获取的；对于预处理后的脑皮层血红蛋白信息，根据大脑功能区域的分布进行相应的通道划分，并计算和提取出相关参数作为特征；应用模式识别算法，建立四种步态调整意图的检测模型。在其中一个实施例中，“应用近红外光谱脑成像技术(nirs)进行测试实验，受试者在固定区域内完成相应的行走步态调整的任务；”中，步速增加、步速减小、步长增加和步长减小四种步态调整每种都连续执行2遍，且任务与任务之间的休息时间约40秒。在其中一个实施例中，“对行走步态调整时刻所记录的脑皮层血红蛋白浓度，进行数据的预处理；”进行预处理的方法具体如下：采用切比雪夫的低通滤波器，滤波截止频率为0.145hz,滤除信号中的高频成分，保留神经元活动的频率成分；采用形态学滤波的方法，组合闭开滤波和开闭滤波的方法，对信号进行基线的矫正，去除零漂。在其中一个实施例中，“对于预处理后的脑皮层血红蛋白信息，根据大脑功能区域的分布进行相应的通道划分，并计算和提取出相关参数作为特征；”中，对预处理后的脑皮层血红蛋白信息进行特征工程的相关操作。在其中一个实施例中，“对于预处理后的脑皮层血红蛋白信息，根据大脑功能区域的分布进行相应的通道划分，并计算和提取出相关参数作为特征；”具体包括：首先计算各个通道地信息熵，其次以信息熵为基础计算各个通道的权重，最终根据加权平均法得到相应的区域的血氧浓度值；对每个脑区计算血红蛋白相应的参数，包括血氧含量的统计特征、熵特征和相关特征等三大类特征，包含均值、能量、方差、极差、信息熵以及皮尔森相关系数，以此作为原始的特征空间。在其中一个实施例中，“应用模式识别算法，建立四种步态调整意图的检测模型。”具体包括：采用kolmogorov-smirnov检验检验不同状态下的特征是否处于同一分布，如果该特征处于同于分布，则表明该特征没有能力区分状态，应予以剔除，通过此种过滤式的特征选择方式，进行初步的筛选，得到特征子空间；对特征子空间进行主成分分析，对特征进行降维，并选取前95％贡献率的主成分，作为特征的降维空间；采用堆叠的集成学习算法(stacking)，实现两层的堆叠支持向量机模型(stacking-svms)；对于第一层的svm模型，对降维空间，采用退火遗传算法，挑选出最优的15组特征组合，并以此构建15组svm模型；对于第二层的svm模型，则对上一层的15个svm模型以svm为及基分类器stacking算法进行集成，并依然采取退火遗传算法，来寻优svm的超参数如惩罚系数；根据建立的模型进行检测，得出检测结果。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。本发明的有益效果：本发明应用近红外光谱脑成像技术进行测试实验，其操作简便，易于携带，对外部环境的要求不高，对环境噪音的敏感度低，而且不会对受试者产生任何的负作用。整个测试过程中受试者背着nirs设备，处于自然环境下完成相应的步态调整的任务，采集对应的大脑血红蛋白信息，由此得出的状态的识别结果更有利于用于助行/康复设备；步态调整的自主控制使得在认知活动的自然情景下获取脑皮层生物信息，增加了识别算法的实际应用价值，为实现实际可行的基于脑机接口技术的助行设备奠定基础；本发明采用了数学形态滤波结合切比雪夫低通滤波的方法，能够有效地去除低频感兴趣频段的噪音成分，保持低频信号的形态特性，同时也能滤除冗余无效的高频成分，这更有利于保证信号的稳定有效，为后续的识别作好保证；本发明采用熵权法取代了传统的平均法来计算脑区的血红蛋白浓度，由该方法计算出的脑区血红蛋白浓度值，具有更高的鲁棒性，能够有效减弱个体差异的影响；本发明基于stacking的集成算法，提出了两层的svm模型，该模型相对于单svm模型具有更好的泛化性能和更高的识别效果，能够有效地应用到inter-bci的实际应用中。附图说明图1为本发明实施例公开的基于大脑血红蛋白信息的多种行走步态调整意图的识别方法中的四种步态调整状态时序图。图2为本发明实施例公开的基于大脑血红蛋白信息的多种行走步态调整意图的识别方法中大脑皮层运动关联区域及测试通道分布图。图3为本发明实施例公开的基于大脑血红蛋白信息的多种行走步态调整意图的识别方法中采用数学形态学滤波结合切比雪夫低通滤波方法的效果图。图4为本发明实施例公开的基于大脑血红蛋白信息的多种行走步态调整意图的识别方法种的模式识别框架图。具体实施方式下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。参阅图1到图4，表1到表3，一种基于大脑血红蛋白信息的多种步态调整意图识别方法，具体步骤如下：(1).应用近红外光谱脑成像技术(nirs)进行测试实验，受试者在固定区域内完成相应的行走步态调整的任务；(2).对行走步态调整时刻所记录的脑皮层血红蛋白浓度，进行数据的预处理；(3).对于预处理后的脑皮层血红蛋白信息，根据大脑功能区域的分布进行相应的通道划分，并计算和提取出相关参数作为特征；(4).应用模式识别算法，建立四种步态调整意图的检测模型。本发明应用近红外光谱脑成像技术(nirs)进行测试实验，其操作简便，有着便携的优势，对外部环境的要求不高，对环境噪音的敏感度低，而且不会对受试者产生任何的负作用。整个测试过程中受试者背着nirs设备，处于自然环境下完成相应的步态调整的任务，由此得出的状态的识别结果更有利于用于助行/康复设备；步态调整的自主控制使得在认知活动的自然情景下获取脑皮层生物信息，增加了识别算法的实际应用价值，为实现实际可行的基于脑机接口技术的助行设备奠定基础。作为优选的，步骤(1)中步速增加、步速减小、步长增加和步长减小四种步态调整每种都连续执行2遍，且任务与任务之间的休息时间约40秒。作为优选的，步骤(2)中对采集所得的含氧血红蛋白参数，采用形态学滤波和切比雪夫滤波相结合的方法，来实现信号的预处理。首先采用切比雪夫的低通滤波器，滤波截止频率为0.145hz,滤除信号中的高频成分，保留神经元活动的频率成分。接着，采用形态学滤波的方法，组合闭开滤波和开闭滤波的方法，对信号进行基线的矫正，去除零漂。这样的方法更能保证低频信号的形态特性，有效去除低频感兴趣频段的噪音成分，同时也能滤波冗余无效的高频成分。作为优选的，步骤(3)对预处理后的脑皮层血红蛋白信息进行特征工程的相关操作。作为优选的，步骤(3)具体实施如下：(3-1).根据大脑功能区域的分布进行相应的通道划分，并根据各自包含的通道计算对应区域的血氧浓度值，该值由熵权法计算所得。其计算步骤如下，首先计算各个通道地信息熵，其次以信息熵为基础计算各个通道的权重，最终根据加权平均法得到相应的区域的血氧浓度值；(3-2).对每个脑区计算血红蛋白相应的参数，包括血氧含量的统计特征、熵特征和相关特征等三大类特征，包含均值、能量、方差、极差、信息熵以及皮尔森相关系数等。以此作为原始的特征空间。作为优选的，步骤(4)具体实施如下：(4-1).采用kolmogorov-smirnov检验不同状态下的特征是否处于同一分布，如果该特征处于同于分布，则表明该特征没有能力区分状态，应予以剔除，通过此种过滤式的特征选择方式，进行初步的筛选，得到特征子空间。(4-2).对特征子空间进行主成分分析，对特征进行降维，并选取前95％贡献率的主成分，作为特征的降维空间。(4-3).采用堆叠的集成学习算法(stacking)，实现两层的堆叠支持向量机模型(stacking-svms)。对于第一层的svm模型，对降维空间，采用退火遗传算法，挑选出最优的15组特征组合，并以此构建15组svm模型。对于第二层的svm模型，则对上一层的15个svm模型以svm为及基分类器stacking算法进行集成，并依然采取退火遗传算法，来寻优svm的超参数如惩罚系数。(4-4).根据建立的模型进行检测，得出检测结果。表1进一步划分的子区域通道编号子区域名称通道编号子区域名称通道编号pfclu(1，4，5)pfclw(3，5，8)pfcll(1，3，8)pfcmw(5，6，9)pfclr(1，5，8)pfcwl1(5，8，9)pfcul(1，2，5)prfrw(6，7，10)pfcmu(2，5，6)pfcwr(6，9，10)pfcml(2，5，9)pmcll(11，14，18)pfcmr(2，6，9)smauu(12，15，16)pfcur(2，3，6)small(12，15，19)pfcru(2，6，7)smarr(12，16，19)pfcrl(2，6，10)pmcrr(13，17，20)pfcrr(2，7，10)smaww(15，16，19)表2子区域值的计算公式1.数据归一化，采用最大最小归一化公式：forj＝1tom个通道：2.计算区域内各个通道的权重：forj＝1tom个通道2.1计算每个采样点的概率：2.2计算每个通道的信息熵：2.3计算每个通道的权重.3.计算区域血氧值：表3三大类特征的计算公式一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本
技术领域：
的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。当前第1页12