一种基于数字孪生的脑机交互神经患者康复训练方法与流程

本发明涉及智能康复与脑机接口，具体涉及一种基于数字孪生的脑机交互神经患者康复训练方法。

背景技术：

1、神经系统损伤所导致的运动功能障碍是全球致残的主要原因之一。现代神经康复理论表明，反复、主动的运动意图激活与感觉反馈的闭环整合是促进神经可塑性重塑、恢复运动功能的核心机制。脑机接口（bci）技术通过实时采集并解码患者大脑神经活动，将运动意图转化为外部设备控制指令，并结合功能性电刺激（fes）提供感觉反馈，已成为神经康复领域最具潜力的干预手段之一。

2、现有基于脑机接口的康复系统存在以下核心瓶颈：

3、其一，神经信号处理的针对性不足。现有系统普遍采用宽带滤波策略，低频段易保留基线漂移与眼电伪迹，高频段引入肌电噪声，严重干扰运动想象核心频段（μ节律与β节律）的提取质量。传统方法依赖预存的固定伪迹模板进行在线剔除，面对康复患者普遍存在的头部微动、吞咽、肢体运动等动态随机伪迹时完全失效，缺乏自适应剔除能力。

4、其二，个体神经模型缺失，训练数据稀缺。运动意图解码模型依赖大量标注数据进行训练，而神经患者受限于运动障碍程度，往往难以完成标准的校准训练范式，导致标注样本严重匮乏。现有数据增强方案缺乏神经生理约束，生成数据与真实患者脑电分布偏差较大，难以有效提升解码性能。

5、其三，训练方案缺乏对神经可塑性时间窗口的量化感知。康复训练的强度与频率未能依据患者神经可塑性状态进行动态调整，训练时机把握不准，影响康复效率与安全性。

6、基于此，本发明设计了一种基于数字孪生的脑机交互神经患者康复训练方法以解决上述问题。

技术实现思路

1、针对现有技术所存在的上述缺点，本发明提供了一种基于数字孪生的脑机交互神经患者康复训练方法。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、一种基于数字孪生的脑机交互神经患者康复训练方法，包括以下步骤：

4、步骤s1：采集神经患者的多通道脑电图信号及功能性近红外光谱信号，经自适应分层预处理后形成神经信号数据帧；

5、步骤s2：以所述神经信号数据帧为驱动，基于多皮层柱节点的神经质量网络模型对患者神经系统构建活性数字孪生体；所述活性数字孪生体包含短时尺度的神经状态与参数联合估计模块和长时尺度的神经可塑性演化模块；

6、步骤s3：依据所述神经可塑性演化模块输出的神经参数演化序列，量化并预测患者的神经可塑性窗口期；对所述神经状态与参数联合估计模块输出的模型参数估计值在神经生理约束域内施加受控虚拟扰动，并结合运动想象脑网络时空激活模板驱动活性数字孪生体正向仿真，生成具有个体神经生理特征约束的带标注合成脑电数据集；

7、步骤s4：利用所述合成脑电数据集对运动意图解码网络进行虚拟预训练，生成个体适配权重，基于所述适配权重对所述神经信号数据帧进行运动意图解码，将解码所得运动意图类别转换为控制指令以驱动外部康复设备执行对应动作；

8、步骤s5：基于所述神经状态与参数联合估计模块输出的神经状态估计值及模型参数估计值，结合所述活性数字孪生体内仿真预测体感皮层对不同功能性电刺激参数组合的响应，通过优化搜索确定使预测体感皮层激活响应强度趋向优化目标值的功能性电刺激参数组合，将所述参数组合下发至外部康复设备施加感觉反馈，并将实测体感皮层响应回馈至所述活性数字孪生体进行误差校正，依据所述神经可塑性窗口期，动态调整后续训练的训练强度和训练频率。

9、进一步地，对脑电图信号依次施加8-13hz与14-30hz双频段级联带通滤波，分别提取μ节律与β节律神经振荡成分，采用在线自适应稀疏成分分析算法（sca），以滑动时间窗口实时更新伪迹字典，对动态随机伪迹进行自适应识别与剔除；对各通道进行z-score归一化处理后以预设帧长和帧间重叠率进行滑窗分帧；对功能性近红外光谱信号基于修正的beer-lambert定律计算氧合血红蛋白和脱氧血红蛋白浓度变化并进行带通滤波；将处理后的脑电图数据帧与功能近红外光谱数据帧经时间对齐后合并为神经信号数据帧。

10、进一步地，基于jansen-rit型神经质量模型，将各节点状态向量、节点内模型参数及节点间连接权重联合构建增广状态向量，基于无迹卡尔曼滤波算法，对所述增广状态向量进行在线状态-参数联合估计，得到短时尺度神经状态与参数的后验估计序列；

11、以每次训练节段为单位从所述后验估计序列中提取节点内突触增益参数及节点间连接权重参数的中位数与四分位距统计量，得到候选长时参数演化样本点；对每一样本点计算其马氏距离异常评分，剔除异常样本后纳入长时参数演化时间序列，对所述参数演化时间序列进行趋势拟合与外推预测，实现周-月级的神经可塑性演化追踪与预测。

12、进一步地，通过无迹卡尔曼滤波算法，将神经质量模型的状态变量向量与模型参数向量联合构成增广状态向量，基于所述增广状态向量生成sigma点集合，将所述sigma点集合通过离散化的非线性状态转移函数进行一步预测后加权求和，得到先验状态估计及先验协方差；继而将先验预测sigma点通过观测函数映射至观测空间，以当前时刻实测脑电图信号为观测量计算卡尔曼增益，对先验估计进行后验校正，循环迭代以追踪脑状态。

13、进一步地，以每次训练节段为单位提取模型参数估计值中突触连接强度参数，形成长时尺度参数演化时间序列；对所述时间序列应用自回归移动平均模型（arma）进行趋势拟合与外推预测，当预测的兴奋性突触增益参数与抑制性突触增益参数及对应连接强度系数所表征的兴奋-抑制比值的变化速率超过预设阈值时，判定患者进入神经可塑性窗口期，向临床医生发出训练强化建议。

14、进一步地，在参数估计均值的后验分布邻域内进行蒙特卡洛采样，生成多组扰动参数向量，其中每组扰动向量服从以零向量为均值、以根据参数后验协方差矩阵对角元素自适应确定的扰动方差为尺度的高斯分布；以左手运动想象、右手运动想象、静息三类运动类别标签对应的丘脑皮层输入均值分别作为外部驱动，依据运动想象神经生理规律，叠加对侧感觉运动区事件相关去同步化（erd）增强、同侧事件相关同步化（ers）增强的节点间连接权重调制模式，驱动所述活性数字孪生体正向仿真，生成携带运动类别标注的多通道合成脑电时间序列，筛选后构成合成脑电数据集；

15、筛选包括：计算合成脑电数据集与当前患者真实脑电数据帧在μ/β频段功率谱密度及弗雷歇（frechet）特征距离上的偏差，当偏差超出预设阈值时，收缩扰动方差尺度并重新采样，直至通过分布一致性校验后纳入数据集。

16、进一步地，计算每次解码输出的置信度分数，仅将置信度超过预设门控阈值的神经信号数据帧及其对应解码标签纳入微调样本池；以所述微调样本池中的样本为监督信号对个体适配权重进行小批量增量式更新，同时以所述虚拟预训练生成的个体适配权重为正则化锚点施加参数漂移惩罚，实现个体适配权重随患者神经状态的动态演化。

17、进一步地，在患者正式康复训练过程中，持续对运动意图解码结果进行置信度评估，对分类概率向量中数值居首位的分量超过预设阈值的解码结果对应样本进行伪标注，累积达到预设的阈值后触发一次对个体专属适配层的在线微调，使解码网络持续向患者当前神经状态收敛。

18、进一步地，提取施加功能性电刺激后体感皮层区对应导联的体感诱发电位峰值幅度及潜伏期作为实测响应指标，将所述实测响应指标与孪生体预测响应指标作差构成残差向量，以残差向量为观测量，采用重尾噪声鲁棒卡尔曼滤波机制对体感皮层子模型的突触增益参数及皮层兴奋性参数进行后验校正，并将校正后参数纳入神经参数演化序列。

19、进一步地，基于所述模型参数估计值中各皮层节点的兴奋性与抑制性突触增益估计值之比的均值，当兴奋-抑制比值变化速率低于可塑性激活阈值时，维持当前训练强度与频率及前次功能性电刺激参数不变；当兴奋-抑制比值变化速率超过可塑性激活阈值时，提升单次训练时长至预设的阈值并缩短训练间隔至预设最小安全间隔，同时触发功能性电刺激参数的全参数空间重优化；当解码置信度均值或体感诱发电位潜伏期延长率超过预设疲劳预警阈值时，降低训练强度并延长休息间隔，同时向临床医生推送疲劳预警。

20、本发明相较于现有技术，其有益效果为：

21、1、通过构建患者神经系统活性数字孪生体，实现脑状态实时追踪与感觉反馈参数的精准动态生成，为激活双向hebbian可塑性、提升神经通路重建效率提供了技术基础。

22、2、通过长时尺度突触参数演化建模与自回归移动平均预测，实现对神经可塑性窗口期的量化识别，为临床医生提供客观的训练时机决策依据，避免因训练时机偏差导致的康复效果下降。

23、3、通过数字孪生驱动的虚拟扰动合成数据生成与零样本个体适配预训练，消除了传统脑机接口系统训练前的强制校准环节，将系统启用时间从数十分钟压缩至分钟级，并显著提升了传统解码方法失效患者群体的系统可用性。