一种基于生成对抗网络的经颅电刺激实时闭环神经调控系统及调控方法

本发明涉及脑机接口（神经调控），具体涉及一种基于生成对抗网络的经颅电刺激实时闭环神经调控系统及调控方法，用于运动障碍患者康复。

背景技术：

1、脑卒中、帕金森病等中枢神经系统损伤常导致患者出现不同程度的肢体运动功能障碍。其病理本质在于大脑运动皮层与肌肉之间的信息通路受损，导致神经肌肉功能耦合异常。因此，重建并强化正常的脑-肌协同模式是康复治疗的核心目标。

2、目前，运动功能障碍患者的康复训练模式以被动驱动为主，缺乏患者的主动参与。现有的四肢联动康复仪、步态训练机器人多采用机械驱动的被动训练方式。通过预设轨迹带动患者肢体运动，患者仅作为被动受力对象，大脑运动意图无法被有效激活，“运动意图-动作执行-感觉反馈”的闭环机制缺失，难以刺激受损神经通路的重塑。

3、另外，经颅电刺激和经颅磁刺激等物理手段逐渐应用于运动障碍患者康复，通过设置仪器的参数，刺激患者的脑区，实现对患者脑功能的调控和干预，从而改善患者的运动障碍。然而，现有经颅电刺激和经颅磁刺激康复系统仍存在以下显著缺陷：

4、调控模式多为开环，滞后且参数固化：传统的经颅直流电刺激或经颅磁刺激康复策略多为开环模式，刺激参数（如电流强度、时长）在治疗前预设后便固定不变。由于缺乏对患者脑神经活动状态的实时采集与解析，这种固定参数无法匹配患者在康复过程中神经功能的动态变化，且无法兼顾个体差异，导致刺激效果“千人一面”，康复效率低下。

5、评估维度单一，无法精准表征脑肌协同状态：目前，闭环神经调控策略正在逐步的进入康复领域，通过采集经颅电刺激前后患者的脑电信号，评估患者的神经功能状态，随后根据状态调整刺激参数，实现刺激-评估-调整的闭环神经调控。但是，目前的闭环调控仅基于单一的脑电信号进行评估。然而，运动功能障碍的本质是神经与肌肉之间交互耦合的异常，仅分析单一的脑电信号无法全面刻画大脑指令下达与肌肉执行反馈之间的协同关系，评估结果存在局限性，难以指导精准调控。

6、例如，专利文献cn117752943a公开了一种基于神经-肌肉耦合模式的闭环神经调控方法，其通过比较健侧与患侧脑肌相干性（cmc）的差异来调整刺激频率。然而，该方法从生理状态到刺激参数的映射是基于简单比较或线性规则，无法处理脑肌耦合状态（尤其是多维、非线性耦合特征）与最优刺激参数之间复杂的非线性关系。其输出的刺激参数是“定性”或“分级”的，难以实现对每位患者、每个康复时刻的“定量”精准匹配。

技术实现思路

1、本发明为解决现有技术的不足，提供一种基于生成对抗网络的经颅电刺激实时闭环神经调控系统及调控方法，以解决现有闭环调控中参数决策机制简单、无法实现个性化精准映射的技术问题。

2、为实现上述目的，本发明提供如下一种技术方案：

3、一种基于生成对抗网络的经颅电刺激实时闭环神经调控方法，以下步骤：

4、s100，通过脑肌电信号同步采集模块，实时同步采集患者大脑运动皮层的脑电信号和患侧目标肌肉的表面肌电信号；

5、s200，对采集到的脑电信号和肌电信号进行数据预处理，并对预处理后的脑电信号和肌电信号进行特征提取，实时计算表征患者神经肌肉功能耦合状态的指标集合；所述神经肌肉功能耦合状态的指标集合包括局部频带耦合指标、异频耦合指标、多尺度耦合指标和时延耦合指标；

6、s300，基于预处理后的脑电信号和肌电信号，利用运动意图识别模型识别患者的运动想象意图；

7、s400，将所述神经肌肉功能耦合指标集合输入至预先训练完成的生成对抗网络刺激参数预测模型中；所述生成对抗网络刺激参数预测模型包括生成器和判别器，通过生成器与判别器的动态博弈训练，使得生成器具备从生理指标到最优刺激参数的非线性映射能力；所述生成器根据输入的指标集合实时输出适配患者当前生理状态的个性化经颅直流电刺激参数；

8、s500，根据所述个性化经颅直流电刺激参数，通过可编程电刺激执行模块将电流施加到患者的大脑患侧区域；

9、s600，在刺激施加后，重复执行步骤s100至步骤s200，将更新后的神经肌肉功能耦合指标集合再次输入至所述生成对抗网络刺激参数预测模型中，通过所述生成器输出调整后的经颅直流电刺激参数；

10、s700，循环执行步骤s300至步骤s600，通过不断的反馈与迭代，实现针对患者的个性化实时闭环神经调控。

11、本发明技术方案的进一步改进在于：在s100中，所述脑电信号通过8通道脑电帽采集，电极按照国际10-20系统标准放置于c3、c4、cz、fc3、fc4、cp3、cp4、pz位点，覆盖运动皮层及辅助运动区；所述肌电信号通过表面肌电电极放置于患侧肱二头肌和桡侧腕屈肌处采集。

12、本发明技术方案的进一步改进在于：在s200中，所述数据预处理包括：脑电信号和肌电信号均进行1000倍增益放大、0.5-200hz带通滤波及1000hz采样；并将脑电信号分解为alpha节律（8-15hz）、beta1节律（15-25hz）、beta2节律（25-35hz）、gamma1节律（35-45hz）和gamma2节律（45-60hz）。

13、本发明技术方案的进一步改进在于：所述s200中，局部频带耦合指标的计算公式如下：

14、

15、其中是离散频率值，是频率预测值；和分别是向量和在频域点处的和维的延时向量；同理，表示频率值处的时刻的序列基于k时刻序列下的条件熵，则表示频率值处的时刻序列基于k时刻序列和下的条件熵；

16、异频耦合指标的计算公式如下：

17、

18、式中，t是离散时间变量；u是离散的预测时间变量；和分别为序列和的m和n维的时间延迟空间向量；是过程基于自身过去条件的熵；

19、多尺度耦合指标的计算公式如下：

20、

21、式中和分别为时间序列和在频率点处的自谱，是时间序列和在频率点处的互谱；

22、时延耦合指标的计算公式如下：

23、

24、式中表示在给定的条件下的条件熵，表示在给定的条件下的条件熵。

25、本发明技术方案的进一步改进在于：在s300中，将预处理后的脑电信号与表面肌电信号，按固定时间窗口进行分段切片，窗口长度250ms~1000ms，并对信号进行去均值、归一化处理，消除基线漂移与幅值差异；其次，采用双支路一维卷积神经网络，分别对 脑电信号与表面肌电信号进行独立特征提取，分别得到脑电深度特征向量和肌电深度特征向量；随后，在特征层完成多模态信息融合；最后，通过全连接层softmax 函数实现运动想象动作的实时分类识别；

26、其中，运动想象意图包括左手运动想象、右手运动想象、握拳运动想象和休息状态中的至少一种。

27、本发明技术方案的进一步改进在于：在s400中，所述生成对抗网络刺激参数预测模型中的生成器采用多层感知机结构，包括依次连接的输入层、三个隐藏层和输出层；其中输入层的神经元数量为神经肌肉功能耦合指标的总数，输出层的神经元数量为经颅直流电刺激参数的总维度；所述判别器也采用多层感知机结构，用于区分真实刺激参数与生成器输出的预测参数。

28、本发明技术方案的进一步改进在于：在s400中，所述生成对抗网络刺激参数预测模型的训练过程包括：

29、s401. 构建模型：所述生成器采用轻量化全连接网络，输入层神经元数量为耦合指标总数m；第一隐藏层包含64个神经元，采用relu激活函数及批归一化层；第二隐藏层包含32个神经元，采用relu激活函数、批归一化层及0.2的dropout系数；第三隐藏层包含16个神经元，采用relu激活函数；输出层神经元数量为刺激参数维度n，采用sigmoid激活函数；所述判别器同样采用轻量化全连接网络，输入层神经元数量为n；第一隐藏层包含32个神经元，采用斜率为0.2的leakyrelu激活函数及批归一化层；第二隐藏层包含16个神经元，采用斜率为0.2的leakyrelu激活函数及0.2的dropout系数；输出层包含1个神经元，采用sigmoid激活函数；

30、设置损失函数：采用对抗损失与回归损失结合的方式，判别器损失函数：

31、

32、其中x为真实刺激参数标签，z为耦合指标输入，g(z)为预测参数，d(x)、d(g(z))分别为判别器对真实、预测参数的判断概率；

33、生成器损失函数：

34、

35、其中λ=0.8，mse为预测参数与真实参数的均方误差；

36、s402. 交替训练与权重初始化：生成器采用he正态分布初始化权重，判别器采用xavier正态分布初始化权重，偏置项均为0；

37、抽取训练集批次样本，输入生成器得到预测参数，分别计算真实参数、生成参数的判别损失，反向传播更新判别器权重，确保d_loss处于0.5~0.7区间；

38、沿用当前批次输入，计算生成参数的对抗损失与回归损失，反向传播更新生成器权重，确保逐步下降且mse误差＜0.01；

39、s403.验证与终止：每10轮用验证集监控，采用早停策略防止过拟合；满足以下任一条件终止训练：训练轮次达100轮、验证集连续3轮不下降且mse＜0.008、预测准确率≥95%。

40、本发明技术方案的进一步改进在于：在s500中，所述个性化经颅直流电刺激参数包括电流强度、刺激频率、脉冲宽度和刺激时长中的一种或多种；所述电流强度范围为0.5-2ma，电流密度不超过0.08ma/cm2，刺激时长为0-30min。

41、本发明技术方案的进一步改进在于：在首次执行步骤s100前，采用fugl-meyer评定量表对患者的运动功能进行初步评估，根据评分结果，若得分≤35分判定为重度运动功能障碍，自动启用协同调控模式；若得分在35-65分之间判定为中度运动功能障碍，自动启用患侧单侧阳极调控模式；若得分在65-90分之间判定为轻度运动功能障碍，自动启用健侧单侧阴极调控模式。

42、为实现上述目的，本发明提供如下另一种技术方案：

43、所述系统包括：脑肌电信号同步采集模块，用于实时采集患者大脑运动皮层的脑电信号和患侧目标肌肉的表面肌电信号；

44、信号处理与特征提取模块，用于对所述脑电信号和肌电信号进行数据预处理，并实时计算表征患者神经肌肉功能耦合状态的指标集合；所述神经肌肉功能耦合状态的指标集合包括局部频带耦合指标、异频耦合指标、多尺度耦合指标和时延耦合指标；

45、运动意图识别模块，用于基于预处理后的脑电信号和肌电信号，利用运动意图识别模型识别患者的运动想象意图；

46、生成对抗网络刺激参数预测模块，其内部署有预先训练完成的生成对抗网络模型；所述生成对抗网络模型包括生成器和判别器；所述生成器以所述神经肌肉功能耦合指标集合为输入，输出预测的经颅直流电刺激参数；所述生成器和判别器通过动态博弈训练，使所述生成器具备从生理指标到最优刺激参数的非线性映射能力，以输出适配患者当前生理状态的个性化经颅直流电刺激参数；

47、可编程电刺激执行模块，用于接收所述个性化经颅直流电刺激参数，并生成对应的电流施加于患者大脑患侧区域；

48、闭环控制模块，用于在所述可编程电刺激执行模块施加刺激后，控制所述脑肌电信号同步采集模块再次采集信号，通过所述信号处理与特征提取模块更新神经肌肉功能耦合指标集合，并输入至所述生成对抗网络刺激参数预测模块以调整下一次的刺激参数，从而形成闭环调控。

49、由于采用了上述技术方案，本发明取得的技术进步是：

50、实现了患者主动意愿驱动的康复模式：本发明通过引入基于迁移学习的运动意图识别机制，使康复系统能够实时感知患者的主动运动意愿，并在最佳时机触发电刺激。该方法突破了传统被动康复的局限，实现了康复干预与主观意愿的同步响应。从逻辑上，主动参与能够更有效地激活大脑运动相关神经网络，提升神经功能重塑的效率。

51、解决了刺激参数个性化精准预测的难题：本发明创新性地将生成对抗网络（gan）应用于经颅电刺激参数的实时预测。与现有技术中基于简单比较或线性映射的决策机制相比，gan通过生成器与判别器的动态博弈训练，能够深度挖掘多维脑肌耦合指标与最优刺激参数之间的复杂非线性映射关系，能够为不同患者、不同康复阶段实时输出“定量”的、高度适配的个性化刺激参数，显著提升了刺激参数与个体生理状态的匹配度，从根本上解决了参数设置的盲目性和“千人一面”问题。

52、构建了智能融合的实时闭环调控体系：本发明将运动意图识别、多维耦合评估与gan参数预测有机融合，形成了“实时监测-意图识别-参数预测-精准调控-效果反馈”的五环节动态闭环。该方法不仅打破了监测与调控脱节的壁垒，更通过智能决策核心（gan）将精准评估的价值高效转化为精准调控的指令。从逻辑上，该闭环体系能够确保每一次刺激都发生在神经可塑性最强的时间窗口，并与患者当前生理状态最佳匹配，从而最大化康复干预的效果。

53、实现了对脑肌功能状态的多维精准刻画：本发明提出的非线性多尺度评估方法，从局部频带耦合、异频耦合、多尺度耦合和时延耦合四个维度构建了全面的评估指标体系。该方法从逻辑上解决了传统单一指标无法全面反映脑肌协同状态的问题，能够精准刻画刺激前后神经肌肉功能耦合的动态变化规律。这不仅为个性化刺激参数的可靠预测提供了高质量的数据基础，同时也可作为康复效果的量化评估依据，为动态调整康复方案提供客观数据支撑，进一步提高康复效果。