一种智能型瘫痪病人辅助康复系统的制作方法

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与构造两类平均正则化协方差矩阵，公式如下：

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，为z的特征值对角矩阵，为对应的特征向量矩阵；

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＝u^t·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＝wa^t·xa

fb＝wb^t·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计算残差

其中是由稀疏表示向量得到的新向量，在该向量中，第i类运动想象所对应的元素项与稀疏表示向量中相应的元素项相同，其他元素项均为零；

用残差最小的类别作为最终的运动想象类别的识别结果：是测试样本数据；

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进行预处理，具体包括如下两步：

第一步，对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；

第二步，找出p时刻(p＝0，1，2，…p-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p，q)＝[b1(p，q)，b2(p，q)，…，bm(p，q)]^t，其中

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与构造两类平均正则化协方差矩阵，公式如下：

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，为z的特征值对角矩阵，为对应的特征向量矩阵；

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＝u^t·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＝wa^t·xa

fb＝wb^t·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计算残差

其中是由稀疏表示向量得到的新向量，在该向量中，第i类运动想象所对应的元素项与稀疏表示向量中相应的元素项相同，其他元素项均为零；

用残差最小的类别作为最终的运动想象类别的识别结果：是测试样本数据；

所述控制器对跳频混合信号时频域矩阵进行预处理，具体包括如下两步：

第一步，对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；

第二步，找出p时刻(p＝0，1，2，…p-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p，q)＝[b1(p，q)，b2(p，q)，…，bm(p，q)]^t，其中

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。