一种运动意图精准捕捉的脑肌电信息同步系统及方法与流程

1.本发明属于生机电融合领域，涉及一种运动意图精准捕捉的脑肌电信息同步系统及方法。


背景技术：

2.现有人体下肢运动意图的感知技术按照实现的信号源种类的不同主要分为三类：基于力学信号的识别方法、基于生物电学信号的识别方法以及基于混合信号源的识别方法。基于混合信号源的识别方法由于引入多种信号源进行识别，可较好弥补单一信号源识别过程中稳健性、准确率较低等问题。多种信号源中，力学信号因具有明显的滞后，无法真实反映人体运动意图；脑电信号是大脑神经中枢在头皮的直接反映，具有微弱性、混叠性和信噪比低、可预测性等特点；肌电信号与运动息息相关，具有高信噪比、高空间分辨率、可预测性不明显等特点。由于脑肌电信号特点具有明显的互补，采用脑肌电融合这样一种新型的混合bci(brain computer interface)实现人体运动意图的感知，既可弥补单一使用脑电或肌电信号识别的缺陷，亦可融合二者特性提高识别准确率，实现人体下肢运动意图感知的高准确率及快速响应。
3.而当前围绕脑肌电融合这类混合bci的研究大多针对脑肌电融合层级展开，着重研究特征级或决策级进行脑肌电融合识别人体运动意图的优劣。但在人体运动意图产生过程中，由于传导通路的不一致，脑肌电包含的运动意图信息存在不同步的现象，脑电中的运动意图总是预先于肌电，这一时延导致直接利用同步采集的脑肌电进行融合识别在理论上存在缺陷，无法实现人体运动意图的精准捕捉。脑肌电的信息不同步将降低基于脑肌电融合识别人体运动意图方法的有效性以及系统的可靠性，极大地限制了脑肌电融合识别技术的发展，还亟待脑肌电信息同步方法的突破以提升脑肌电同步性。目前已有大量的研究证明在肌肉进行稳态力收缩或等距收缩中，存在较强的脑肌电相干现象，可利用同步采集的脑肌电数据量化评估脑肌电的关联性从而实现脑肌电同步。


技术实现要素：

4.本发明的目的在于解决现有技术中的问题，提供一种运动意图精准捕捉的脑肌电信息同步系统及方法。
5.为达到上述目的，本发明采用以下技术方案予以实现：
6.一种运动意图精准捕捉的脑肌电信息同步方法，包括以下步骤：
7.采集受试者足底mvc，根据足底mvc计算足底目标力，并根据足底mvc确认目标下肢压力输出区间；
8.采集受试者的脑电信号和肌电信号；
9.对采集的脑电信号和肌电信号进行预处理，得到预处理后的脑肌电数据；
10.对脑肌电数据进行相干性分析，获得受试者脑肌电之间的运动意图信息时延。
11.本发明的进一步改进在于：
12.所述采集受试者足底mvc的方法为：采集若干次，取平均值获得左右腿的下肢足底mvc；
13.所述目标下肢压力输出区间为0.8mvc
±
10n。
14.所述对接收的脑电信号和肌电信号进行预处理的具体方法为：
15.对脑电信号进行基线校准，采用自适应滤波去除工频干扰，独立成分分析算法去除眼电伪迹；对肌电信号进行带通滤波，自适应滤波去除工频干扰，以提升脑肌电信噪比。
16.对脑肌电相干性分析的具体方法为：
17.将脑肌电数据重构为高维数据，采用多元模型拟合脑肌电数据；
18.确定拟合脑肌电数据的多元模型阶数；
19.确定模型阶数后，估算拟合脑肌电数据的模型系数；
20.利用确定参数的模型进行脑肌电相干性分析，确定脑肌电相干频带，并将结果进行脑肌电时延量化。
21.将脑肌电数据重构为高维数据，采用多元模型拟合脑肌电数据的具体方法为：
[0022][0023][0024][0025]
其中，y
t
为重构后高维脑肌电数据；t为脑肌电数据采样点，t＝1，2，
…
t；k为脑肌电数据通道数量之和；m为该受试者所有试次数量；p为模型阶数；a
t
‑
i
为k
×
k维模型系数；e
t
为协方差为∑的拟合后剩余噪声。
[0026]
所述确定脑肌电数据的多元模型阶数的具体计算方法为：
[0027][0028][0029]
其中，p为模型阶数；m为实验试次数量；k为脑肌电数据通道数量之和，n＝ml，l为时窗长度。
[0030]
所述估算拟合脑肌电数据模型系数的具体方法为：
[0031]
确定模型系数矩阵θ：
[0032]
θ＝(a1,a2...a
p
)
ꢀꢀꢀꢀꢀꢀꢀ
(6)
[0033]
其中，p为模型阶数，a的计算方法见式(3)；
[0034]
确定模型数据矩阵w
n
：
[0035]
w
n
＝(y
n
‑1,y
n
‑2...y
n
‑
p
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0036]
其中，y
n
‑
i
为式(2)所示的重构脑肌电数据，n为当前采样点；
[0037]
[0038][0039]
其中，z
n
为瞬时误差估计矩阵，给出期望输出y
n
与预计输出之间的误差；n为当前采样点；e
n
为累积误差，c为遗忘因子，0<c<1确保遗忘距离当前时刻较远的脑肌电数据；
[0040]
递归算法迭代计算θ|min(e
n
)，确定最终模型系数矩阵θ，根据模型瞬时误差估计矩阵可计算噪声协方差矩阵∑，如下式所示：
[0041][0042]
其中，c为遗忘因子；n为当前采样点；m为实验试次数量；
[0043]
功率谱矩阵的计算方法为：
[0044][0045]
其中，f为当前脑肌电相干频率；f
s
为脑肌电采样频率；a为mvar模型系数；∑为拟合噪声协方差，迭代计算方法见式(10)式；
[0046]
根据式(11)可计算脑肌电各通道相干性如下式：
[0047][0048]
其中，f为当前脑肌电相干频率；i，j为对应脑肌电通道；
[0049]
确定模型拟合后，脑肌电显著相干出现的中心频率f
κ
及时刻t0，并将结果输出至脑肌电时延量化单元。
[0050]
所述进行时延量化的具体方法为：
[0051]
将受试者出现的中心频率及时刻处的脑肌电进行滞后数据人工平移，见式(13)：
[0052]
δ＝max(coh
ij
(f
κ
))
ꢀꢀꢀꢀꢀꢀꢀ
(13)
[0053]
其中δ为最终量化的脑肌电时延；coh
ij
为脑肌电i，j通道的相干性；f
κ
为脑肌电典型相干的中心频率；
[0054]
进行若干次试验后，取平均值，获得受试者对应肌电通道与脑电之间的运动意图信息时延，完成脑肌电运动意图信息同步。
[0055]
一种运动意图精准捕捉的脑肌电信息同步系统，包括稳态力采集模块、脑
‑
肌电采集模块、信号预处理模块和脑肌电信息同步化模块；
[0056]
所述稳态力采集模块用于采集受试者足底mvc，根据足底mvc计算足底目标力，并根据足底mvc确认目标下肢压力输出区间；
[0057]
所述脑
‑
肌电采集模块用于采集受试者的脑电信号和肌电信号；
[0058]
所述信号预处理模块用于对采集的脑电信号和肌电信号进行预处理，得到预处理后的脑肌电数据；
[0059]
所述脑肌电信息同步化模块用于对脑肌电数据进行相干性分析，获得受试者脑肌电之间的运动意图信息时延。
[0060]
进一步的，所述脑肌电信息同步化模块包括脑肌电相干性分析单元和脑肌电时延量化单元；
[0061]
所述脑肌电相干性分析单元确定拟合模型的阶数并估算拟合模型系数，利用确定参数的模型进行脑肌电相干性分析，确定脑肌电相干频带及时刻后，结果输出到脑肌电时延量化单元进行脑肌电时延量化；
[0062]
所述脑肌电时延量化单元用于对脑肌电数据进行时延量化，进行滞后肌电数据人工平移，脑肌电之间出现的平移量即对应脑肌电时延，试验若干次后取平均值，得到受试者脑电及肌电通道所对应的脑区及肌肉的意图信息时延量，时延抵消后的脑肌电数据用于捕捉人体运动意图。
[0063]
与现有技术相比，本发明具有以下有益效果：
[0064]
本发明公开了一种运动意图精准捕捉的脑肌电信息同步系统及方法，采用基于多元模型拟合的脑肌电相干性分析方法，可以有效确定下肢稳态力输出时大脑及肌肉信息交流的中心频率及时刻，并利用其估算脑肌电信号间的时延，同时多元模型的拟合囊括了脑肌电通道间的耦合，将认知作为整体考量，更加符合人体认知过程的生理基础。基于脑肌电相干性分析、多元模型拟合实现了脑肌电运动意图时延估算，时延抵消后的脑肌电将具有更加精准地捕捉人体运动意图的能力，虽然这一时延并不大，但是在肌肉或精神疲劳状态下，这一时延带来的影响将同样增大，消除二者之间的时间差所带来的性能提升就会被放大，经过信息同步化后的脑肌电包含相同运动意图，可用于实现人体运动意图的精准捕捉，将有力奠定脑肌电融合识别运动意图方法的有效性，从而提升脑肌电融合识别系统的稳健性及可靠性，也提高了脑肌电融合识别运动意图这一方法的逻辑性，从而促进生机点一体化技术的推广和发展。
附图说明
[0065]
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0066]
图1为本发明的系统结构示意图；
[0067]
图2为本发明的方法流程图。
具体实施方式
[0068]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0069]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0070]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0071]
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0072]
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
[0073]
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0074]
下面结合附图对本发明做进一步详细描述：
[0075]
参见图1
‑
2，本发明实施例公开了一种运动意图精准捕捉的脑肌电信息同步系统，包括稳态力采集、脑
‑
肌电采集、信号预处理、脑肌电信息同步化等5大模块，并利用多元模型拟合所采集的脑肌电数据，基于脑肌电相干性分析进行脑肌电运动意图信息的时延量化，从而通过去时延实现脑肌电信号的运动意图信息同步。
[0076]
稳态力采集模块，用于采集使用者的足底压力，并将其用于评估使用者是否处于稳态力输出状态，结果输出至脑
‑
肌电采集模块，用于截取下肢稳态力输出时的脑肌电信号；
[0077]
脑
‑
肌电采集模块，用于同步采集使用者的脑电信号和肌电信号，并将脑电信号和肌电信号无线发送至信号预处理模块；
[0078]
信号预处理模块，用于对脑电信号及肌电信号进行伪迹滤除，获得高信噪比的脑电信号及肌电信号后，将进行脑肌电信息同步；
[0079]
脑肌电信息同步模块，用于采用多元模型拟合脑肌电数据，进行脑肌电相干性分析，并量化脑肌电时延，输出结果为估算的脑肌电之间的运动意图信息时延。
[0080]
稳态力采集模块包括压力采集单元与稳态力判断单元，压力采集单元用于采集受试者足底mvc，多次采集取平均值为该受试者的足底mvc；稳态力判断单元用于根据足底mvc确认目标下肢压力输出区间，明确受试者下肢输出压力满足目标输出区间的时刻发送至脑
‑
肌电采集模块，用于提取目标输出力区间内同步采集的脑肌电数据；
[0081]
脑
‑
肌电采集模块包括脑电采集单元、肌电采集单元；脑电采集单元包括脑电采集子单元与无线传输子单元，脑电采集子单元与脑电帽连接；肌电采集单元包括肌电采集子单元与无线传输子单元，肌电采集子单元与肌电电极连接；脑电采集子单元、肌电采集子单元均通过无线传输子单元与信号预处理模块进行数据交互；
[0082]
按照国际10
‑
20标准电极安放法定义的位置，用脑电帽采集了运动皮质区的fcz、fc1、fc2、c1、c2、c3、c4、cp1、cp2和cz通道。肌电电极布置在使用者下肢股直肌、股外侧肌、股内侧肌、胫骨前肌、腓肠肌外侧、腓肠肌内侧肌肉上，用于采集对应肌肉的肌电信号；
[0083]
采集得到的脑肌电数据在信号预处理模块中进行预处理，信号预处理模块包含伪
迹去除单元与噪声去除单元，用于对脑电及肌电进行50hz工频干扰的滤除及脑电中眼电伪迹的滤除，最终获得具有较高信噪比的脑肌电数据；
[0084]
脑肌电信息同步模块，包括脑肌电相干性分析单元与脑肌电时延量化单元；
[0085]
脑肌电相干性分析单元包括模型阶数确定子单元和模型系数估算子单元；模型阶数确定子单元确定mvar模型的最优阶数，兼顾了模型的简洁性与拟合准确性；确定模型阶数后，模型系数估算子单元采用带遗忘因子的递推最小二乘算法估算模型系数，并利用估算的参数进行脑肌电相干性分析，确定脑肌电显著相干频带后，结果输出到脑肌电时延量化单元进行脑肌电时延量化；
[0086]
脑肌电时延量化单元基于最大相干性法则对脑肌电数据进行时延量化，进行滞后肌电数据人工平移，脑肌电之间出现最大相干的平移量即对应脑肌电时延，多次试验后取平均值，即获得该受试者脑电及肌电通道所对应的脑区及肌肉的运动意图信息时延量。
[0087]
本发明实施例还公开了一种运动意图精准捕捉的脑肌电信息同步方法，包括以下步骤：
[0088]
步骤1：采集每位受试者左右腿的足底mvc，受试者保持踝部背伸，用脚后跟底面尽力下压足底压力传感器并保持至少10s，多次采集取平均值获得左右腿的足底mvc。根据左右腿足底mvc可以获得左右腿的目标足底力，即0.8mvc上下浮动的输出区间，浮动区间为0.8mvc
±
10n，其中n表示牛顿。
[0089]
步骤2：分别使用脑电帽及肌电电极同步采集受试者在目标输出区间内进行下肢稳态力输出时的脑电信号和肌电信号，并将脑电信号和肌电信号无线传输至信号预处理模块；
[0090]
步骤3：信号预处理模块对接收的脑电信号和肌电信号进行预处理；对脑电信号进行基线校准，1
‑
100hz带通滤波，采用自适应滤波去除50hz工频干扰，独立成分分析算法去除眼电伪迹；肌电信号进行1
‑
200hz带通滤波，自适应滤波去除50hz工频干扰；
[0091]
步骤4：脑肌电信号同步模块中脑肌电相干性分析单元对预处理后的脑肌电数据进行相干性分析：
[0092]
步骤4
‑
1，将多通道脑肌电数据重构为高维数据，并用mvar模型进行拟合，如下所示：
[0093][0094][0095][0096]
其中，y
t
为重构后高维脑肌电数据；t为脑肌电数据采样点，t＝1,2,
…
t；k为脑肌电数据通道数量之和；m为该受试者所有试次数量；p为mvar模型阶数；a
t
‑
i
为k
×
k维mvar模型系数；e
t
为协方差为∑的拟合后剩余噪声。
[0097]
步骤4
‑
2：模型阶数确定子单元采用赤池信息量(aic)/贝叶斯信息量(bic)准则确定拟合脑肌电数据的高维mvar模型阶数，计算公式如下：
[0098][0099][0100]
其中，p为mvar模型阶数；m为实验试次数量；k为脑肌电数据通道数量之和；n＝ml，l为时窗长度。
[0101]
选取拟合中使aic/bic达到最小时的阶数p作为mvar模型的最终阶数。
[0102]
步骤4
‑
3：确定模型阶数后，模型系数估算子单元采用带遗忘因子的递推最小二乘算法估算拟合脑肌电数据的mvar模型系数，过程如下：
[0103]
确定mvar模型系数矩阵θ如下式所示：
[0104]
θ＝(a1,a2...a
p
)
ꢀꢀꢀꢀꢀꢀ
(6)
[0105]
其中，p为mvar模型阶数，a计算式如(3)所示。
[0106]
确定mvar模型数据矩阵w
n
如下式所示：
[0107]
w
n
＝(y
n
‑1,y
n
‑2...y
n
‑
p
)
ꢀꢀꢀꢀ
(7)
[0108]
其中，y
n
‑
i
为如式(2)所示的重构脑肌电数据；n为当前采样点。
[0109][0110][0111]
其中，z
n
为瞬时误差估计矩阵，给出期望输出y
n
与估计输出之间的误差；n为当前采样点；e
n
为累积误差，c为遗忘因子，0<c<1确保遗忘距离当前时刻较远的脑肌电数据。
[0112]
递归算法迭代计算θ|min(e
n
)，确定最终mvar模型系数矩阵θ，根据mvar模型瞬时误差估计矩阵可计算噪声协方差矩阵∑，如下式所示：
[0113][0114]
其中，c为遗忘因子；n为当前采样点；m为实验试次数量。
[0115]
以及功率谱矩阵如下式所示：
[0116][0117]
其中，f为当前脑肌电相干频率；f
s
为脑肌电采样频率；a为mvar模型系数；∑为拟合噪声协方差，迭代计算方法如(10)式所示。
[0118]
根据式(11)可计算脑肌电各通道相干性如下式：
[0119][0120]
其中，f为当前脑肌电相干频率；i，j为对应脑肌电通道。
[0121]
确定模型拟合后，脑肌电显著相干出现的中心频率f
κ
及时刻t0，并将结果输出至脑肌电时延量化单元；
[0122]
步骤4
‑
4：脑肌电时延量化单元采用最大相干性法则进行时延量化。将每位受试者
显著相干出现的中心频率及时刻处的脑电及肌电数据进行人工平移，脑肌电相干性达到最大值处对应的平移量即为脑肌电时延估算值，如下式所示：
[0123]
δ＝max(coh
ij
(f
κ
))
ꢀꢀꢀꢀꢀꢀ
(13)
[0124]
其中，δ为最终量化的脑肌电时延；coh
ij
为脑肌电i，j通道的相干性；f
κ
为脑肌电典型相干的中心频率；
[0125]
多次试验上进行平均后可获得受试者对应肌电通道与脑电之间的运动意图信息时延，即完成脑肌电运动意图信息同步。
[0126]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。