基于脑电与肌电运动意图识别的脑卒中主动康复训练模式与系统研究

Rehabilitation of post-stroke movement dysfunction is a vital issue that would be faced by our country. Current rehabilitation strategy and system in clinical uses are passive, thus the rehabilitation performance is very low. Aiming at the active and high performance rehabilitation highly expected by post-stroke patents, this project proposes to use brain-computer interface, muscle-computer interface, information fusion theory, and virtual reality (VR) technology to distinguish the motion intentions from electroencephalography (EEG) and/or electromyography (EMG) recordings. By modeling biomechanics and body movement with biological information, we will explore the driving mechanism of multiple muscles. With these achievements, the major scientific issues associated with the EEG and EMG fusions will be addressed for an active rehabilitation system that will center on the post-stroke patients. By developing a new and active movement function rehabilitation robotic system, our goal is to make the patients actively participate in the rehabilitation progress, which will improve the rehabilitation efficiency of their movement functions and speed up the recovery progress. The successful implementation of this project will provide theoretical basis and technical support for developing a new and high-efficiency robot system for post-stroke rehabilitation.

脑卒中（脑中风）患者的运动功能康复是我国面临的重大民生问题。目前，临床使用的康复模式与系统远达不到脑中风患者主动康复的目的，康复效果不佳。本项目针对脑中风后肢体运动功能障碍者对主动、高性能康复训练模式与系统的需求，拟采用脑-机接口、肌-机接口及多模式融合的信息识别与虚拟现实等技术与方法，通过采集患者的脑电信息与肌电信息，识别其运动意图；实现生物信息与人体运动及生物力学建模、了解肌肉协同的多肌肉协同驱动机制；解决脑电、肌电信息以及脑-肌融合在脑中风主动康复系统应用中的关键科学问题。建立以脑中风患者为中心的、主动式多层次康复训练模式，实现主观运动意愿康复治疗的目的。通过研发新型、主动式运动功能康复机器人系统，提高脑中风患者的主动参与程度，改善运动功能的康复效果，加速康复进程。本项目的成功实施将为研发新型、高效的脑中风主动康复机器人系统提供理论基础和技术支持。

我国每年新发脑中风患者约200万人，患者对中风康复的需求逐年增加。针对目前临床使用的康复机器人训练诸多瓶颈问题，项目意在为研制基于多信息融合的上肢康复系统提供理论和技术指导。项目研究主要包括：基于运动想象脑电信息的运动识别与主动康复训练模式研究、基于自主运动/肌电信息的运动识别与主动康复训练模式研究、基于脑电与肌电信息融合的运动识别与主动康复训练模式研究和运动支持、康复机器人及康复环境建立与实验研究等。其中，在脑电信号分析处理方面，给出了基于运动想象和听觉诱发想象的脑电信号的分类识别算法，分类识别率可达95.7%、80%以上；在肌电信息处理方面为提高手指精细动作识别精度，采用模板匹配方法对16类手指动作进行分析，识别精度大幅提高到93%以上，显著高于LDA所得的结果（80.8%）。另外通过对23例脑卒中/脑外伤运动功能障碍患者在执行若干手臂动作时的信号模式分类分析，证明相较于传统的EMG控制方法，运动学信号也可以用于手臂精细运动的识别，并取得了良好的离线和实时分类性能；在脑电与肌电信息融合运动识别及参与主动康复训练模式方面，通过信号级别的信息融合方法显著提高肘关节以上截肢者的动作意图识别，平均提高率达到10.5%和14.6%。通过电极通道的优化选择，只需要使用10EMG+20EEG，平均结果相比32导EMG可提高10%，体现了脑肌融合在运动识别中的显著优势；在康复机器人设计及其实验研究方面，为患者提供一种具备多种手臂精细运动功能，兼顾趣味性和沉浸性的人机交互康复训练平台。项目研究利用虚拟现实康复平台及一台基于EMG的上肢康复机器人系统样机，实现患者与康复功能之间的互动；针对不同康复期患者提供不同强度、模式的训练，激励患者主动运动意识。最后研究给出人-机主要参数间的数学模型，为人体上肢康复机器人具有量化训练性能以及智能型上肢康复机器人的研制，提供新的理论依据和技术指导。