融合机械手和功能性电刺激的手功能康复双闭环调控系统的制作方法

1.本发明涉及一种融合机械手和功能性电刺激的手功能康复双闭环调控系统，属于康复医疗技术领域。


背景技术：

2.脑卒中因其高发病率、高死亡率、高致残率等特点，严重威胁人类健康和生命。据统计，30％-60％的脑卒中患者遗留上肢尤其是手部运动功能障碍，严重影响患者的康复进程和生活质量，且因其康复训练技术和手段相对落后，研究先进、便捷、高效的手功能康复治疗技术和设备，极具研究价值和现实意义。
3.脑卒中手部功能康复是阻碍患者整体康复进程的重要环节，也是康复领域的痛点和难点。近年来，随着脑卒中患者数量日趋增多及对日常生活能力需求的提高，脑卒中手部精细功能康复势在必行。现有脑卒中手部临床康复手段以神经肌肉本体感觉促通技术、作业疗法、中医疗法等传统康复治疗为主，其技术相对成熟存在医师依赖性、康复针对性等局限；近年来，基于电、磁、超声等物理刺激的康复治疗技术(如功能性电刺激、经颅电刺激、经颅直流电刺激等)不断发展，其具有疗效持续时间长，针对性强等特点，但在有效的调控效果评估及调控策略指导方面相对匮乏。
4.尽管国外手部康复相关的技术和产品有了一定发展，但面向早期的软瘫期、痉挛期患者的康复系统相对较少，在实现手部全周期康复训练，满足不同层次、不同治疗阶段的康复需求等方面仍存在局限。国内在手部康复研究方面与国外差距不大，在研究机构和医院、企业共同构建的良好产学研模式的催动下，部分技术已处于国际领先水平。然而现有手部康复机器人的产业化应用仍存在以下不足：(1)现有系统多以被动式运动康复手段为主，患者主动康复参与不够，在主动诱导神经重塑方面存在局限；(2)针对不同康复阶段、不同程度手部运动功能障碍患者，难以实现具有个体适应性的康复训练及康复模式的自适应控制；(3)基于脑机接口、生物反馈等新型技术的康复机器人技术仍存在成本高、体量大等问题，使其家用化、社区化的普及程度受限。
5.为此，结合机器人、神经调控、虚拟现实等先进技术，充分考虑患者的主观意图和运动能力，融合康复机器人的被动康复及神经调控的主动康复优势，研发融合运动-生理信息反馈和功能电刺激闭环调控的可穿戴手功能康复系统，对于实现智能化、小型化、个性化需求，加速神经可塑性康复进程、恢复脑卒中患者的日常生活能力、推进智能康复技术的发展意义重大。


技术实现要素：

6.本发明的目的是提供一种融合机械手和功能性电刺激的手功能康复双闭环调控系统，充分考虑患者的主观意图和运动能力，融合康复机器人的被动康复及神经调控的主动康复优势，解决现有手部康复策略及系统的训练模式简单、人机交互和个体适应性差、康复训练效果不理想等问题，有助于加速神经可塑性功能恢复及康复进程。
7.为了实现上述目的，本发明采用的技术方案是：
8.一种融合机械手和功能性电刺激的手功能康复双闭环调控系统，包括肌电-惯性信号同步采集及数据预处理模块、手部精细动作特征提取及意图解析模块、手运动功能监测及智能评估模块、可穿戴机械手自适应控制模块、功能性电刺激动态调控模块、信息传输及数据库模块以及可穿戴康复手硬件；
9.所述肌电-惯性信号同步采集及数据预处理模块通过无线通信与手部精细动作特征提取及意图解析模块和手部运动功能监测及智能评估模块连接，所述手部精细动作特征提取及意图解析模块和手部运动功能监测及智能评估模块的数据均通过无线通信存储于数据库，并与可穿戴机械手自适应控制模块和功能性电刺激动态调控模块连接，所述可穿戴机械手自适应控制模块和功能性电刺激动态调控模块均通过无线通信控制可穿戴康复手硬件进而控制手部运动。
10.本发明技术方案的进一步改进在于：所述肌电-惯性信号同步采集及数据预处理模块用于肌电、惯性数据采集和信号预处理；所述信号预处理首先使用自适应高通滤波器和自适应50hz工频陷波滤波器分别去除信号中的基线漂移和工频干扰，再使用巴特沃斯三阶带通fir滤波器进行处理，选取信号的有效频段特征。
11.本发明技术方案的进一步改进在于：所述手部精细动作特征提取及意图解析模块用于精细动作特征提取和意图解析；所述精细动作特征提取基于多尺度熵和小波包分解获取肌电和运动信息的多域动态特征，提取体现手部精细意图的稳定特征指标；意图解析通过所提取的多域动态特征，采用支持向量机算法获取用户精细运动意图。
12.本发明技术方案的进一步改进在于：所述手部运动功能监测及智能评估模块用于运动功能特征提取、功能状态评估与动作完成度评估；运动功能特征提取结合一致性和非负矩阵分解分解肌电和运动信息的同步耦合特征；功能状态评估基于所提取的肌电和运动信息的同步耦合特征，获取体现手部运动功能状态的客观定量指标，实现手部运动功能状态评估；动作完成度评估基于所提取的肌电和运动信息的同步耦合特征，获取体现手部运动轨迹的客观定量指标，实现手部动作完成度评估。
13.本发明技术方案的进一步改进在于：所述可穿戴机械手自适应控制模块用于康复模式选择和关键参量控制。
14.本发明技术方案的进一步改进在于：所述功能性电刺激动态调控模块用于功能性电刺激动态调控和参量选择，基于深度学习算法构建fes组合参数的在线学习和闭环调整策略，实现其刺激位置、强度等关键参数的动态调控；参量选择基于所提取特征，选择合适的参量进行控制。
15.本发明技术方案的进一步改进在于：所述信息传输及数据库模块包括无线通信与数据库。
16.本发明技术方案的进一步改进在于：所述可穿戴康复手硬件包括可穿戴机械手及功能性电刺激单元。
17.由于采用了上述技术方案，本发明取得的技术效果有：
18.本发明利用肌电-惯性信号与嵌入式系统的特点和优势，通过采集肌电信号和惯性信号，实现对用户手部精细意图的识别和用户的运动功能状态及动作完成度的评估，进一步实现康复机械手康复模式的自适应选择、关键参量的动态控制及fes关键参量的动态
调控；融合康复机器人的被动康复及神经调控的主动康复优势，解决现有手部康复策略及系统的训练模式简单、人机交互和个体适应性差、康复训练效果不理想等问题，有助于加速神经可塑性功能恢复及康复进程。
附图说明
19.图1是本发明的结构框图；
20.图2是本发明的方法流程图；
具体实施方式
21.为了使本技术领域人员更好地理解本发明方案，下面将结合本发明附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
22.融合机械手和功能性电刺激的手功能康复双闭环调控系统，如图1所示，包括肌电-惯性信号同步采集及数据预处理模块、手部精细动作特征提取及意图解析模块、手部运动功能监测及智能评估模块、可穿戴机械手自适应控制模块、功能性电刺激动态调控模块、信息传输及数据库模块及可穿戴康复手硬件。
23.所述肌电-惯性信号同步采集及数据预处理模块通过无线通信与手部精细动作特征提取及意图解析模块和手部运动功能监测及智能评估模块连接，所述手部精细动作特征提取及意图解析模块和手部运动功能监测及智能评估模块的数据均通过无线通信存储于数据库，并与可穿戴机械手自适应控制模块和功能性电刺激动态调控模块连接，所述可穿戴机械手自适应控制模块和功能性电刺激动态调控模块均通过无线通信控制可穿戴康复手硬件进而控制手部运动。
24.所述肌电-惯性信号同步采集及数据预处理模块用于肌电、惯性数据采集和信号预处理；所述手部精细动作特征提取及意图解析模块用于精细动作特征提取和意图解析；所述手部运动功能监测及智能评估模块用于运动功能特征提取、功能状态评估与动作完成度评估；所述可穿戴机械手自适应控制模块用于康复模式选择和关键参量控制；所述功能性电刺激动态调控模块用于功能性电刺激动态调控和参量选择；所述信息传输及数据库模块包括无线通信与数据库；所述可穿戴康复手硬件包括可穿戴机械手及功能性电刺激单元。
25.下面对康复机械手控制系统的各组成部分作详细介绍：
26.一、肌电-惯性信号同步采集及数据预处理模块
27.所述肌电、惯性数据采集是指采集使用者手部的表面肌电信号和惯性信号。
28.所述信号预处理是指对所采集的肌电信号和惯性信息进行滤波处理。首先使用自适应高通滤波器和自适应50hz工频陷波滤波器分别去除信号中的基线漂移和工频干扰；再使用巴特沃斯三阶带通fir滤波器进行处理，选取信号的有效频段特征。
29.二、手部精细动作特征提取及意图解析模块
30.该模块用于手部精细动作特征提取和意图解析。精细动作特征提取基于多尺度熵、小波包分解等方法获取肌电、运动信息的多域动态特征，其中，首先通过小波包分解提
取各频段信号，再通过多尺度熵提取各频段特征；意图解析通过所提取的多域动态特征，采用支持向量机算法获取用户精细运动意图。
31.其中，多尺度熵将样本熵扩展到多个时间尺度，以便在时间尺度不确定时提供额外的观察视角。
32.多尺度熵的基本原理包括对时间序列进行粗粒化或下采样，主要是在越来越粗略的时间分辨率下分析时间序列。
33.当scale为1时，粗粒化数据的结果就是原始时间序列；
34.当scale为2时，粗粒化后序列通过计算两连续时间点的平均值形成，即：
35.y1＝(x1 x2)/2；y2＝(x3 x4)/2
36.当scale为3时，粗粒化时间序列为三个连续时间点平均值构成，即定义：
37.y1＝(x1 x2 x3)/3；y2＝(x4 x5 x6)/3
38.依此类推。
39.粗粒化过程分两种形式：一是非重叠式，每次跳跃τ个数据，取τ个数据做平均以产生新数据；二是重叠式，每次跳跃1-τ个数据，取τ个数据做平均。
40.上述粗粒化过程为非重叠式，其数学定义为:
[0041][0042]
其中，τ表示时间尺度，即每次跳跃τ个数据，j表示所采数据的次数，表示第j次所采集的时间尺度为τ的数据。
[0043]
然后，计算与每个尺度或分辨率对应的样本熵，并绘制样本熵－尺度曲线图。曲线下的面积是所选尺度范围内样本熵值之和，是多尺度熵的度量。一个波动较大的时间序列会产生较大的熵值，因此可以认为是具有较高复杂度的信号。同样，具有高度规律性的信号，其熵值也较低。
[0044]
小波包分解既可以对低频部分信号进行分解，也可以对高频部分进行分解，而且这种分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析。
[0045][0046]
式中，i＝0,1,2,
…
,2
j-1，f
j,i
(ti)为小波包分解在第j层节点(j,i)上的重构信号。
[0047]
支持向量机(support vector machines,svm)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；svm还包括核技巧，这使它成为实质上的非线性分类器。svm的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。svm的的学习算法就是求解凸二次规划的最优化算法。
[0048]
三、手部运动功能监测及智能评估模块
[0049]
该模块用于运动功能特征提取、功能状态评估与动作完成度评估。运动功能特征提取结合一致性、非负矩阵分解等方法分解肌电、运动信息的同步耦合特征；功能状态评估基于所提取的肌电、运动信息的同步耦合特征，获取体现手部运动功能状态的客观定量指
标，实现手部运动功能状态评估；动作完成度评估基于所提取的肌电、运动信息的同步耦合特征，获取体现手部运动轨迹的客观定量指标，实现手部动作完成度评估；
[0050]
其中，运动功能特征提取中，一致性分析考证各信号分布变化的一致程度，即x取值变大时，y的取值相应变大还是变小。互抑关系应该是此消彼长，互惠关系则往往亦步亦趋，同高同低。为分布一致性水平，或分布趋势一致性。
[0051]
非负矩阵分解(nmf)的基本思想可以简单描述为：对于任意给定的一个非负矩阵v，nmf算法能够寻找到一个非负矩阵w和一个非负矩阵h，从而将一个非负的矩阵分解为左右两个非负矩阵的乘积：
[0052]
v≈wh
[0053]
在rn空间分布的一堆数据有它们分布的某些规律，那么找一组更能直观反映这种规律的基，再把原来的数据投影到这组基上表示，这样就能便于后续的应用。
[0054]
公式中的v是一个n
×
m维的矩阵，其中每一列就是rn空间中的一个向量，共m个向量；w是一个n
×
k维的矩阵，即k个基；h是k
×
m的矩阵，每一列为v投影到w上得到的向量。
[0055]
四、可穿戴机械手自适应控制模块
[0056]
该模块用于康复模式选择和关键参量控制。康复模式选择模块基于精细意图解析、运动状态功能评估和动作完成度评估，合理选取康复训练模式。关键参量控制基于精细意图解析、运动状态功能评估和动作完成度评估，采用动态反馈算法实现不同模式下康复手控制参数的自适应调整。
[0057]
康复模式选择中康复训练模式包括：主动模式，被动模式，主被动结合模式；关键参量控制所控制的关键参数包括：速度、手指角度、手指力度等。
[0058]
五、功能性电刺激动态调控模块
[0059]
该模块用于功能性电刺激动态调控和参量选择。基于深度学习算法构建fes组合参数的在线学习和闭环调整策略，实现其刺激位置、强度等关键参数的动态调控；参量选择基于所提取特征，选择合适的参量进行控制。
[0060]
功能性电刺激动态调控所调节参数包括：频率、脉冲、占空比、波升/波降、电流强度、刺激部位等。
[0061]
具体训练方案如下：
[0062]
在康复软瘫期，通过优化特征、优选刺激参数等方式，给患者意图动作的任务关联主动肌以正向刺激，诱发患者主动运动，加速早期康复进程；在康复痉挛期，应用fes刺激拮抗肌降低痉挛程度，同时诱发完成简单的单关节运动，诱导异常运动模式向分离、自主运动方向发展；在康复恢复期，通过辨识行为意图、优选刺激参数等方式，完成精细动作功能恢复，以日常任务完成为导向，提高任务难度并增加趣味性，促进其运动相关脑区获得更高水平激活。
[0063]
六、所述信息传输及数据库模块
[0064]
该模块包括通信与数据库，通信通过无线模式实现系统间的信息传递。数据库包含用户个人病例信息、测试信息、评估指标、系统参数等信息，实现多层次数据存储与管理，可视化呈现用户的状态评估和康复进程。
[0065]
七、可穿戴康复手硬件
[0066]
该硬件包括可穿戴机械手和功能性电刺激单元，可穿戴机械手负责接收可穿戴机
械手自适应控制模块发送的指令，产生相应动作；功能性电刺激接收功能性电刺激动态调控模块所发送的指令，调节电刺激参数，输出电刺激，两者相辅相成，实现患者精细运动意图。
[0067]
本发明实施例中的融合机械手和功能性电刺激的手功能康复双闭环调控系统，利用肌电-惯性信号及嵌入式系统的特点及优势，通过采集和分析肌电-惯性信号，实现对用户手部精细意图的识别和用户的运动功能状态及动作完成度的评估，进一步的，实现康复机械手康复模式的自适应选择、关键参量的动态调制及fes关键参量的动态调控；通过将康复机械手与功能性电刺激相结合，有助于加速神经可塑性功能恢复及康复进程。
[0068]
如图2所示，对应于上述实施例中的一种融合机械手和功能性电刺激的手功能康复双闭环调控系统，本发明提供了一种融合机械手和功能性电刺激的手功能康复双闭环调控方法，该方法包括：
[0069]
同步获取患者肌电、惯性信号，并对所述信号进行预处理；
[0070]
基于预处理后的肌电信号和惯性信号进行特征提取；
[0071]
基于提取的特征进行运动意图解析和运动功能状态评估；
[0072]
基于使用者运动意图解析和运动功能状态评估，采用动态反馈算法实现不同模式下康复手控制参数的自适应调整，依据患者功能状态选取康复模式；
[0073]
基于对使用者运动意图解析和运动功能状态评估，选择参量，通过深度学习算法实现fes组合参数的在线学习和闭环调整。
[0074]
本发明实施例提供的一种融合机械手和功能性电刺激的手功能康复双闭环调控方法，利用肌电-惯性信号与嵌入式系统的特点和优势，通过采集肌电信号和惯性信号，实现对用户手部精细意图的识别和用户的运动功能状态及动作完成度的评估，进一步的，实现康复机械手康复模式的自适应选择、关键参量的动态控制及fes关键参量的动态调控；通过将康复机械手与功能性电刺激相结合，有助于加速神经可塑性功能恢复及康复进程。
[0075]
在本发明所提供的实施例中，应该理解到所揭露的技术内容，可通过其它方式实现。其中，以上所描述装置实施例仅仅是示意性的，例如单元划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0076]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0077]
另外，在本发明各个实施例中各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件形式实现，也可以采用软件功能单元形式实现。
[0078]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备
(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器、随机存取存储器、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0079]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。