一种基于大脑血红蛋白信息的运动速度状态的识别方法与流程

本发明属于智能助行、康复训练技术，特别涉及一种基于脑皮层血红蛋白信息识别下肢运动速度状态的实现方法。

背景技术：

根据残联数据统计显示，我国残疾数量约8500万，其中肢体残疾人数占到29.08％，其中因脑卒中及脑外伤等原因造成的下肢行走障碍越来愈多，其中仅脑卒中每年新发病的患者达到200万左右，且70％～80％左右的患者由于残疾不能独立生活，他们的肢体障碍给家庭和社会带来很大的负担，因此这些肢体障碍患者的预后康复治疗十分重要。由于我国对康复预后训练以及认识较晚，加上目前市面上大多是非智能的被动式训练器械，导致患者康复训练效果不佳，而提供一种带有患者主动意识的康复训练方式将会对患者的预后康复起到很大的积极作用，且为他们重新独立生活，融入社会提供极大的可能性。

为了提高康复训练设备的智能性以及康复训练效果，很多研究机构致力于研发基于脑机接口技术的新型康复训练产品。然而，目前的脑机接口技术还存在以下主要问题：

1、植入式或者半植入式的脑机接口技术已经取得了突破性进展，但是需要将微型电极植入实验者的大脑灰质中或是硬脑膜下的大脑皮层上，可能引发免疫反应和愈伤组织，而且还存在植入后的心理与伦理问题,目前尚不适于广泛应用。

2、非侵入式的脑信息测试技术包括脑电图(EEG)、脑磁图(MEG)、功能性核磁共振图像(fMRI)、正电子发射层析成像(PET)和近红外光谱脑功能成像(NIRS)等技术，其中fMRI和PET技术的空间分辨率较高，但是时间分辨率低，在测试过程中身体常局限在静止状态，有很大的约束性；MEG的应用要求对外部磁场进行充分屏蔽，所以目前主要是EEG和NIRS技术应用于助老助残的产品研发中。但是在基于EEG信号的脑～机接口系统研究中,常用的基于视觉诱发电位(VEP)和事件相关电位(P300)这两类方法需要额外的刺激装置提供刺激来产生诱发电位，并且依赖于人的某种感觉(如视觉)，强迫实验者与外部刺激同步，由于长时间操作容易引起视觉疲劳或是降低P300电位的显著性，对应的脑～机接口操作时间不宜过长。而自发脑电图又依赖于用户自发的精神活动，只有特殊的思考过程才能产生可探测的脑活动，需要实验者进行大量的训练来产生特定模式的脑电，受主观因素影响较大。因此，实验多在特定条件下完成，需要实验者集中注意力，实现的动作简单有限，缺乏自然性与灵活性，实用性不强。

相对而言，NIRS技术的非侵入式、对测试环境以及受试者限制少、在认知活动的自然情景下支持长时间测量、不需要进行大量训练、具有理想的空间和时间分辨率的功能性等优点使其在脑～机接口应用领域具有很大的优势。

技术实现要素：

发明目的：提出一种基于大脑血红蛋白信息的运动速度状态的识别方法，应用非侵入式NIRS技术记录人体运动过程中的脑皮质血红蛋白信息，使得自主控制运动无需外界刺激和前期训练，在自然情境下实现脑生物信息的跟踪测量并实时识别运动速度状态；并进一步融合所识别的运动模式于运动控制中，以提高助老助残的智能性，为智能控制助行/康复训练设备奠定了重要的理论基础。

为了实现上述目的，本发明提供以下技术方案：

一种基于大脑血红蛋白信息的运动速度状态的识别方法，其步骤包括：

1、受试者在低中高三种不同速度状态下自主执行骑行运动；

2、针对运动起始时刻所记录的脑皮层血红蛋白浓度信息，以合氧血红蛋白与脱氧血红蛋白的差值作为分析参数，从第5个采样点开始于每个采样点结合前面第4个采样点的数值计算相应5个采样周期的差值变化速率，分四个频段分别考虑重点通道的参数特征；

具体分析方法如下：

(1)时域角度，应用统计分析方法确定三种速度状态下的重点测试通道；

(2)频域角度，根据三种速度状态下的各测试通道的功率谱密度分布情况，重点观察四个频段(第一频段：0.01～0.03Hz，第二频段：0.03～0.06Hz，第三频段：0.06～0.09Hz，第四频段：0.09～0.12Hz)内各重点测试通道的含氧血红蛋白与脱氧血红蛋白的差值变化速率平均值；

3、识别三种不同速度状态：直接应用四个频段下重点通道的含氧与脱氧血红蛋白的差值变化速率平均值作为特征向量，采用极限学习机ELM算法识别速度状态等级。

有益效果:

1.应用非侵入式的NIRS脑信息获取技术解决了侵入后的心理和伦理问题，在运动过程中开展测试，保证了将运动模式识别结果用于助行设备控制中的一个应用前提；运动自主控制使得在认知活动的自然情景下获取脑皮质生物信息，增加了运动速度状态的实用价值。

2.基于脑皮质血红蛋白浓度的变化速率识别运动速度状态，并且使用合氧血红蛋白与脱氧血红蛋白的相对变化(差值)作为主要的指标，可提高识别速率，减小脑血氧信息滞后于认知活动的负面影响，有利于快速识别模式，为及时给助行设备提供控制信息奠定了重要的前期基础。

3.结合时域和频域信息，有利于更全面地提取典型特征并提高识别率。

附图说明

图1为本发明的实验过程运动时序图；

图2为本发明中大脑皮层运动关联区域及测试通道分布图；

图3为本发明中三种不同的骑行速度状态下运动前后各测试通道内合氧血红蛋白与脱氧血红蛋白的相对变化示意图(T1，T2为运动前的两个时间段，T3为运动后的时间段，每个时间段为1.04s)；

图4为本发明中三种不同的骑行速度状态下各测试通道主功率密度对应的频率分布图；

图5为本发明中三种骑行速度状态的频段特征(I,II,III,IV分别代表四个频段为0.01-0.03Hz,0.03-0.06Hz,0.06-0.09Hz和0.09-0.12Hz)。

具体实施方式

实施例：

1、实验设计：受试者在低中高(如低速:30rpm,中速:60rpm,高速:90rpm)不同速度状态下自主执行骑行运动；给被试者讲解实验的整个流程及注意事项，在自然状态下，先后分别以不同的速度完成骑行运动；整个实验过程中，应用近红外光脑成像设备FORIE-3000采集被试的脑皮层血红蛋白信息，每一个采样周期为0.13秒。

实验具体流程：在任务开始前，被试保持静息状态2分钟左右，之后开始骑行任务，任务段和休息段交替进行；骑行的速度顺序先后分别是低速，中速和高速；三个任务结束后，三种速度的骑行任务再重复一遍。

任务的开始和结束完全由被试自己控制，处于自发的状态，并且休息时间也是由被试控制，在实验前告知被试休息足够多的时间，至少在25秒以上(但是不能通过数数来控制)。

实验操作者在实验过程中用标记点标记被试任务的开始和结束。

进行脑血红蛋白信息采集的过程中将附有光纤的头套固定在被试者头顶，过程中需要头部不能有太多晃动，任务1、任务2和任务3分别代表低速骑行段、中速骑行段以及高速骑行段(如图1)。

2、针对运动起始时刻所记录的脑皮层血红蛋白浓度信息，以合氧血红蛋白与脱氧血红蛋白的差值作为分析参数，从第5个采样点开始于每个采样点结合前面第4个采样点的数值计算相应5个采样周期的差值变化速率，分四个频段分别考虑重点通道的参数特征；

①时域Step1：针对每一个测试通道，基于每个采样点计算合氧血红蛋白与脱氧血红蛋白的差值(CZ)，作为基础的表征指标；

②时域Step2：针对每一个测试通道对应的差值(CZ)，从第5个采样点开始于每个采样点结合前面第4个采样点的数值计算相应5个采样周期的差值变化速率(CZ_K)，即在0.65(0.13*5)秒内对数据进行平滑处理；

③时域Step3：以运动起始点(图1中第2个标记点位置)为转折，运动前取两个时间段T1和T2，运动后取一个时间段T3，每个时间段间隔8个采样周期、9个采样点(8个采样周期共计0.13*8＝1.04秒)；

④时域Step4：通过分析统计方差(ANOVA1)，如果某一个测试通道的T1和T2内所测得的差值变化速率平均值(CZ_K)没有显著性差异，且T3分别与T1和T2之间的差值变化速率平均值(CZ_K)有显著差异，则确定选择为重点测试通道；各运动速度对应的重点测试通道如表1和图3所示；

⑤频域Step1：针对每一测试通道的差值(CZ)进行功率谱密度分析，在≥0.01Hz的频段范围确认主功率密度，排除直流成分的影响，分别记录主功率密度对应频率值；

⑥频域Step2：根据三种运动速度的主功率密度对应频率值的分布范围(图4)，截取四个频段信息(滤波：0.01-0.03Hz,0.03-0.06Hz,0.06-0.09Hz，0.09-0.12Hz，由于个别被试的某些通道主功率谱密度对应频率值在0.09-0.12Hz范围内，所以该频段保留)，并针对运动后T3时间段内数据，分析四个频段的统计方差(ANOVA1)，进一步得出结论：不同速度状态下各频段能量的大小关系以及统计差异特性明显不同(图5所示)；低速状态：频段0.09-0.12Hz内的数据平均值明显大于其他三个频段，同时，频段0.01-0.03Hz内数值明显大于频段0.06-0.09Hz内数值；中速状态同样满足，频段0.09-0.12Hz内的数据平均值明显大于其他三个频段；高速状态：频段0.01-0.03Hz内的数据平均值明显小于其他三个频段。

3、识别三种不同速度状态：

①模式识别(训练)：应用9个重点通道在四个频段的CZ_K平均值作为特征向量(4*9＝36)，随机选用7个人的测试数据共42组(7人*3状态/人*2次重复)进行训练；

②模式识别(判别)：使用ELM模式识别方法判别另外两人的12种状态(2人*3状态/人*2次重复)，根据每种状态下的特征向量进行判别，并与实际结果比对计算出识别率；

③计算平均识别率：重复①②步骤10次以上，每次随机选取7人数据进行训练，另外2人进行验证，基于10次以上的识别结果计算平均识别率：低、中、高速三种运动状态的平均识别率分别是72.2％,66.7％,83.3％，总平均识别率可达74.1％。

表1低中高三种骑行速度状态的时域特征