基于脑肌电同源性模型的运动意图定向复现方法研究

Completely restoring the motion of human’s disabled limb is a challenge in rehabilitation medicine. Studying the movement-assistance technology based on electroencephalogram (EEG) or surface electromyography (sEMG) helps to overcome the difficulty. However, the noise ratio and spatial resolution of EEG signals are low, and sEMG signals depend on muscles and have no-stationary due to muscle fatigue, so it is difficult to develop a stable, universal and easily manipulated movement-assistance system by using the single EEG or sEMG. Current neuroscience reveals that the motion-related EEG and sEMG signals are both derived from the motion intent produced by human brain, so EEG and sEMG have homology. In view of the homology mechanism between EEG and sEMG, this proposal first built a mapping model to relate the nerve activities in hidden layers of EEG and sEMG. Afterwards, the motion intent of human limb/joint can be extracted from EEG and sEMG signals by using the built model, and then the targeted movement can be estimated. Meanwhile, the proposal introduced a fatigue-factor-based adaptive scheme in modeling to ensure the stability of the model and motion estimation. With the proposed methods, this proposal provides a feasible way to reappear the motion intent in human brain by using movement-assistance systems (e.g., artificial limb). The studies in this proposal are meaningful for the development of smart prosthetics and other movement-assistance systems.

完整复现缺失肢体的运动是康复医学面临的一项难题，研究基于头皮脑电（EEG）或表面肌电（sEMG）的运动辅助技术有助于攻克这一难关。由于EEG信噪比低，空间分辨率差；而sEMG依存于肌肉，且会因肌肉疲劳导致非平稳，因此应用单一EEG/sEMG难以开发稳定、普适且操控自如的运动辅助系统。现有神经科学揭示出，与运动相关的EEG与sEMG都是源自人脑产生的运动意图，具有同源性。本课题从脑肌电同源性机理出发，建立EEG与sEMG的隐层神经活跃度映射模型；通过模型提取出脑肌电信号中蕴含的肢体关节/部位的运动意图，实现针对该运动意图的定向估计；同时，建模过程引入基于疲劳因子的自适应策略，以保证模型及运动估计的稳定性。本课题提出的方法可为运动辅助设备（如假肢）复现人脑的运动意图提供一种可行的技术途径，对于开发智能假肢等运动辅助系统具有重要意义。

复现缺失肢体的运动可以极大改善截肢患者的生活质量。但传统电控假肢存在功能单一、环境适应性差、易造成人机交互隔阂等缺点，导致佩戴假肢的残疾人占比低于1/3。利用人体的生物电信号可以识别人体运动意图，编码识别结果能实现假肢的自然控制，形成人机共融系统，从而复现缺失肢体的运动功能。本项目从关联同一运动的脑肌电内在同源生理机理出发，分析激发脑肌电的运动神经电位募集与发放规律，深入研究基于脑肌电的运动意图识别方法。项目主要工作包括：（1）为实现对运动意图的神经电位表征描述，提出用于肌电分解的尖峰检测与模板匹配方法，并实现基于单通道肌电分解的动作识别，识别精度达到80.4%，减少了所需传感器数量。初步建立了脑肌电运动神经电位的关联性模型，提高应用脑肌电进行运动识别的融合度与互补性；（2）针对疲劳、外部动作、数据丢失、多用户等动态干扰导致运动识别精度降低，提出多种自适应方法与模型在线更新机制，提升针对动作定向识别的鲁棒性。提出的自更新混合分类模型能克服肌肉疲劳、电极偏移、外部数据等干扰，动作识别精度大于90%。提出基于LSP-DBN的运动想象脑机接口方法，克服数据丢失影响，运动想象识别精度比普通方法提高5%。提出基于多模型集成及线性迁移的运动想象肌电解码方法，针对多用户的运动想象识别精度比传统方法提高约13%。提出的方法提高了脑肌电交互系统的鲁棒性与实用性；（3）为实现运动辅助设备的连续平滑控制，建立多通道肌电估计多关节连续运动的状态空间方程，关节角的估计误差占比小于7%，提升了运动辅助设备控制的稳定性与自然性；（4）开发了生物电采集、仿生灵巧手、气动人工肌肉仿生手臂等实验系统，完成对提出方法的实验测试，同时系统开发测试也为研发能复现肢体运动的自然假肢提供技术储备。上述成果为进一步建立完善的运动辅助系统提供了坚实的理论与技术基础。