本发明属于医疗器械技术领域,尤其涉及一种智能型瘫痪病人辅助康复系统。
背景技术:
正常人控制肢体运动的途径为;“大脑——中枢神经系统——外周神经系统——骨骼肌——肢体运动”。而对于瘫痪病人,其中枢神经系统受到损伤,大脑的动作指令无法通过正常的体内通路传达到肌肉,从而丧失了对肢体的控制能力。目前对瘫痪病人的康复治疗主要采用按摩,针灸,电刺激等传统的方法。这些方法在延缓病人残肢肌肉萎缩,辅助康复方面起到了一定的积极作用,但是这些方法治疗流程较长,成本较高,疗效也不是很好,更不能使患者残肢完成其原有的特定动作。
综上所述,现有技术存在的问题是:目前对瘫痪病人的康复治疗存在治疗流程较长,成本较高,疗效也不是很好,更不能使患者残肢完成其原有的特定动作。
技术实现要素:
针对现有技术存在的问题,本发明提供了一种智能型瘫痪病人辅助康复系统。
本发明是这样实现的,一种智能型瘫痪病人辅助康复系统,所述智能型瘫痪病人辅助康复系统包括:
信号采集模块,用于采集瘫痪病人的脑电信号;
步骤一,采集n位实验者想象两类不用运动的eeg信号,分别求得每位实验者的训练数据的协方差;
步骤二,引入正则化参数α和β,在正则化参数的作用下,将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合,构造两类不同运动想象空间滤波器,保留滤波后的训练数据,提取两类特征最大化的向量,构造学习字典;具体包括:
分别求出主试者的a类和b类训练样本的协方差矩阵之和ra与rb,所有次试者a类和b类训练样本的协方差矩阵之和
其中,n为采集通道数,i为n阶单位阵,tr为矩阵的迹,即:矩阵的所有主对角线上的元素之和;
对正则化协方差矩阵之和进行特征值分解,求得白化矩阵p:
其中,
对所得z进行如下变换:
其中,λ为特征值对角矩阵,u为对应的特征向量矩阵,选取对角阵λ中最大特征值对应的特征向量,构造空间滤波器如下:
w=ut·p;
将训练样本的两类eeg信号xa和xb经过相应的滤波器wa、wb,有:
fa=wat·xa
fb=wbt·xb;
再经过傅里叶变换,求取频率在8-15hz的功率谱密度值,作为稀疏表征的学习字典b=[fafb];
步骤三,输入测试运动想象数据,按照步骤二进行空间滤波,并保留滤波后的测试数据;
步骤四,运用信号的稀疏表征方法,对测试运动想象数据进行识别,确定测试样本所属的类别;包括以下步骤:
按下式求解测试样本的稀疏表示向量:
其中,x为待求解的测试运动想象样本的稀疏表示向量,y为待求解的测试运动想象样本数据,ε为误差阈值,b为由两类特征向量构成的学习字典;
针对每一次运动想象i,根据测试样本的稀疏表示向量
其中
用残差最小的类别作为最终的运动想象类别的识别结果:
预处理模块,与信号采集模块usb连接,用于对采集的脑电信号进行滤波、除燥预处理;
控制器,与预处理模块usb连接,用于对预处理的脑电信号进行分析、模数转换等操作;
存储模块,与控制器usb连接,用于实现控制器处理脑电信号的存储,便于医生查看回复治疗效果;
电刺激模块,与控制器usb连接,用于将脑电信号作用于人体的瘫痪的神经元;
反馈模块,与电刺激模块usb连接,用于反馈神经元的生物性反映,便于对治疗效果做出评估。
进一步,所述控制器对跳频混合信号时频域矩阵
第一步,对
第二步,找出p时刻(p=0,1,2,…p-1)非零的时频域数据,用
本发明的优点及积极效果为:可以自动分析瘫痪病人的运动意愿,让患者自主地控制自己地残肢运动,恢复自主运动能力,进而恢复对外界环境的控制能力;同时,通过自主的恢复性运动训练,神经冲动上传到患者的受损的神经部位,使得患者得受损神经系统也得到了相应锻炼的效果,加速患者受损神经系统的康复与体内神经系统的重建,从而从根本上治疗瘫痪病人得运动障碍。
附图说明
图1是本发明实施例提供的智能型瘫痪病人辅助康复系统结构示意图;
图中:1、信号采集模块;2、预处理模块;3、控制器;4、存储模块;5、电刺激模块;6、反馈模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的智能型瘫痪病人辅助康复系统包括:信号采集模块1、预处理模块2、控制器3、存储模块4、电刺激模块5、反馈模块6。
信号采集模块1,用于采集瘫痪病人的脑电信号;
预处理模块2,与信号采集模块1usb连接,用于对采集的脑电信号进行滤波、除燥预处理;
控制器3,与预处理模块2usb连接,用于对预处理的脑电信号进行分析、模数转换等操作;
存储模块4,与控制器3usb连接,用于实现控制器3处理脑电信号的存储,便于医生查看回复治疗效果;
电刺激模块5,与控制器3usb连接,用于将脑电信号作用于人体的瘫痪的神经元;
反馈模块6,与电刺激模块5usb连接,用于反馈神经元的生物性反映,便于对治疗效果做出评估。
所述信号采集模块的脑袋呢信号处理方法包括:
步骤一,采集n位实验者想象两类不用运动的eeg信号,分别求得每位实验者的训练数据的协方差;
步骤二,引入正则化参数α和β,在正则化参数的作用下,将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合,构造两类不同运动想象空间滤波器,保留滤波后的训练数据,提取两类特征最大化的向量,构造学习字典;具体包括:
分别求出主试者的a类和b类训练样本的协方差矩阵之和ra与rb,所有次试者a类和b类训练样本的协方差矩阵之和
其中,n为采集通道数,i为n阶单位阵,tr为矩阵的迹,即:矩阵的所有主对角线上的元素之和;
对正则化协方差矩阵之和进行特征值分解,求得白化矩阵p:
其中,
对所得z进行如下变换:
其中,λ为特征值对角矩阵,u为对应的特征向量矩阵,选取对角阵λ中最大特征值对应的特征向量,构造空间滤波器如下:
w=ut·p;
将训练样本的两类eeg信号xa和xb经过相应的滤波器wa、wb,有:
fa=wat·xa
fb=wbt·xb;
再经过傅里叶变换,求取频率在8-15hz的功率谱密度值,作为稀疏表征的学习字典b=[fafb];
步骤三,输入测试运动想象数据,按照步骤二进行空间滤波,并保留滤波后的测试数据;
步骤四,运用信号的稀疏表征方法,对测试运动想象数据进行识别,确定测试样本所属的类别;包括以下步骤:
按下式求解测试样本的稀疏表示向量:
其中,x为待求解的测试运动想象样本的稀疏表示向量,y为待求解的测试运动想象样本数据,ε为误差阈值,b为由两类特征向量构成的学习字典;
针对每一次运动想象i,根据测试样本的稀疏表示向量
其中
用残差最小的类别作为最终的运动想象类别的识别结果:
所述控制器对跳频混合信号时频域矩阵
第一步,对
第二步,找出p时刻(p=0,1,2,…p-1)非零的时频域数据,用
本发明的工作原理:
信号采集模块采集瘫痪病人的脑电信号;预处理模块对采集的脑电信号进行滤波、除燥预处理;控制器对预处理的脑电信号进行分析、模数转换等操作;存储模块实现控制器处理脑电信号的存储,便于医生查看回复治疗效果;电刺激模块将脑电信号作用于人体的瘫痪的神经元;反馈模块反馈神经元的生物性反映,便于对治疗效果做出评估。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。