基于运动想象脑电深度解码模型的单侧肢体多运动模式分类研究

Brain-computer interface (BCI) based on motor imagery has been widely applied in rehabilitation training. Imaging different limb movements can lead to the change of electroencephalogram (EEG). However, due to the low signal-to-noise ratio and individual difference of EEG, most previous studies on MI EEG only can distinguish between left and right hand movement or hand and foot movement, but cannot recognize different motion modes of unilateral limb accurately, i.e., different upper-limb movements, speeds, angles, etc. ..In this project, we try to develop a new MI EEG classification method, to recognize multiple motion modes of unilateral limb. Firstly, we analyze the relation between different people and optimal frequency band, to build the optimal frequency band selection model; then, according to explore the difference of MI EEG between different unilateral limb movements and combine with the time-space characteristic of EEG, we creatively use deep convolutional neural network to extract the high separable complex features of EEG, and construct the deep decoding model of MI EEG; finally, we develop a BCI system on multiple motion modes of unilateral limb, to control an upper-limb exoskeleton in real time. ..Related research findings provide theoretical basis and method support for BCI applications on rehabilitation training, and have important reference value on the fields of pattern recognition and human-computer interface.

基于运动想象的脑机接口技术已经广泛的应用于康复训练中。对不同肢体运动的想象，会使脑电信号产生变化。但是，由于脑电信号的低信噪比、个体差异性等原因，目前大多对于运动想象脑电的研究只限于区分左、右手或手、脚运动，而无法精确识别单侧肢体的不同运动模式，如不同的上肢动作、运动速度和运动角度等。..本项目力图研究一种新型的运动想象脑电信号分类方法，并应用于单侧肢体多运动模式识别。首先，分析不同个体和最佳频率段之间的联系，建立最佳频率段选择模型；其次，探索不同单侧肢体动作之间运动想象脑电的差异，结合脑电信号的时-空特性，创新的使用深度卷积神经网络进行脑电信号的高可分性复杂特征提取，构建运动想象脑电深度解码模型；最后，通过研发单侧肢体多运动模式脑机接口系统，实现上肢康复外骨骼实时控制。 ..相关研究成果对脑机接口技术在康复训练中的应用提供了理论依据和方法支持，在模式识别、人机交互等领域有重要借鉴意义。

基于运动想象的脑机接口技术已经广泛的应用于康复训练中。但是，由于脑电信号的低信噪比、个体差异性等原因，目前大多对于运动想象脑电的研究只限于区分左、右手或手、脚运动，而无法精确识别单侧肢体的不同运动模式。本项目从高可分性复杂特征提取问题切入，探索基于运动想象脑电的单侧肢体不同动作、不同运动速度和不同运动角度的识别方法，对单侧肢体不同运动的ERD/ERS模式分析、最佳频率段选择模型构建、运动想象脑电深度解码模型构建、康复外骨骼实时控制应用评估等问题开展了深入研究，以期患者在主动康复训练中可通过运动想象控制康复外骨骼设备，实现单侧肢体的多运动模式康复训练。本项目取得如下成果：. 1、基于康复训练多模态生理信息的单侧肢体运动意图识别与评估模型构建。采用ERD/ERS模式和脑-肌相干性特征提取方法，针对单侧上肢不同运动构建了两步式单次运动想象脑电分类模型；针对单侧上肢不同颈肩部角度对肘部角度预估精度造成的影响，提出了基于肌电和运动信息多输入传感融合的运动意图识别框架。. 2、基于高可分性复杂特征的运动意图深度解码模型构建。采用LSTM长短期记忆网络对下肢肌肉肌电信号和足底压力信号提取深度时序特征，配合设计的生理信息采集设备对下肢步态各相位实现精确识别；采用基于巴氏距离的最佳频率段选择方法和改进的B-CSP共空间模式方法提取单次运动想象脑电深度高可分性特征，构建肢体运动意图深度解码模型。. 3、基于脑机接口和外骨骼技术的肢体辅助康复策略及方法研究。开发面向单侧上肢康复与家庭式使用场景的Relife脑控上肢外骨骼系统，实现上肢多自由度辅助康复及本项目方法的验证与评估；开发面向肩袖损伤康复的摆动液压阻尼类等速旋肩训练器，并基于目标肌肉的肌电信号实现康复训练的评估与康复策略的优化。. 本项目方法能够有效识别患者复杂运动意图实现与外界的交互，相关成果不仅为外骨骼系统在康复训练中的应用提供方法支撑，也为康复医学、人工智能及人机交互领域提供数据支持及理论依据。