一种基于脑电信号提升运动技能的康复装置

1.本发明涉及生物医学工程领域，尤其涉及一种基于脑电信号提升运动技能的康复装置。


背景技术：

2.运动康复最早是用于运动员损伤的康复锻炼，随着医学技术的发展，运动康复不再局限于传统的运动损伤，并逐步应用到脑卒中、帕金森等精神疾病中，其常用的康复包括：神经调控、神经反馈、物理训练等等。而像运动技能学习这样的物理训练是最常使用的方式，通过运动训练帮助病人建立神经可塑性和脑功能重建，进而重新获得或者提升对应运动技能，使他们尽快的恢复到正常生活，这对家庭幸福和减轻社会负担都是极为重要的。
3.目前使用的一些运动康复计划在病人之间是没有差异的，没有考虑到病人之间的差异性、病人的康复阶段，导致一些病人康复效果不佳。
4.因此在康复训练时应该了解病人的康复阶段，不同阶段使用不同的提升策略，以达到改善康复效果的目的。


技术实现要素：

5.本发明提供了一种基于脑电信号提升运动技能的康复装置，本发明综合分析运动技能学习过程中产生的行为学数据和脑电信号数据的电生理特征，在线划分运动技能学习阶段，加深了对运动技能学习过程的理解，另外对运动技能学习的不同阶段实施不同的提升策略将有助于运动技能的获得，有望成为提升运动技能学习表现的关键步骤，进一步，为应用于运动康复等医疗领域提供了技术基础，详见下文描述：
6.一种基于脑电信号提升运动技能的康复装置，所述装置包括：
7.运动技能学习任务模块，用于运动技能学习任务，提示被试在特定时间做相应的运动技能学习任务；
8.脑电采集模块，用于使用信号放大器、脑电帽对脑电信号进行采集；
9.行为学数据采集模块，用于记录被试执行任务的反应时间、错误率；
10.电生理指标计算模块，用于将脑电信号经过预处理，进行有关功率、事件相关谱扰动的计算；
11.统计学分析模块，用于筛选异常行为数据、计算出平均响应时间、最快加速度；
12.回溯分析模块，用于对当前的行为学数据、脑电信号和已采集的行为学和脑电数据之间综合分析；基于分析结果决定是否更换提升运动技能学习的策略；如果是，在下一次实验开始之前，改变提升运动技能学习的策略。
13.其中，所述运动技能学习任务具体为：
14.1)在每个session结束时，存储行为学数据和脑电数据；
15.2)每个session将产生160个行为学数据，对行为学数据进行k-s正态分布检验，若行为学数据满足正态分布检验，剔除异常值，并将固定序列的反应时间和随机序列的反应
时间做差，产生128个学习量数据，使用单因素方差计算出该session和之前的session之间在学习量上显著性；若行为学数据不满足正态分布，对反应时间取对数，进行显著性分析；计算出该session和之前session之间的显著性；
16.3)计算出脑电信号对应α频带的erd值，当学习量、错误率均没有出现显著性变化，以及erd值相比之前的session增大，则受试者的学习从快速学习阶段过渡到稳定阶段，否则，受试者处于快速学习阶段。
17.进一步地，所述提升运动技能学习的策略为：调整电刺激的频率、刺激位点、更换神经反馈的实验范式、或改变训练任务的难度。
18.本发明提供的技术方案的有益效果是：
19.1、本发明基于运动技能学习的经典范式序列反应时(serial reaction time task，srtt)说明了具体的在线阶段划分方法，不仅对行为学上的数据做相应的统计学分析，还对脑电信号做了相应的电生理分析，以保证运动技能学习阶段划分的可行性；
20.2、本发明对运动技能学习阶段的划分打破了使用单一策略、固定时间点刺激等传统提升运动技能学习表现的设计方法，根据不同的运动技能学习阶段使用不同的提升策略，这对提升运动技能学习的表现，运动康复都有积极意义；
21.3、使用该运动技能的康复装置可以为脑卒中、帕金森等精神疾病患者的康复治疗提供帮助。
附图说明
22.图1为在线划分运动技能学习阶段结构图；
23.图2为实验场景及脑电采集设备示意图；
24.图3为在线划分运动技能学习阶段流程图；
25.图4为脑电处理流程图；
26.图5为行为学数据处理流程图；
27.图6为序列反应时任务范式设计示意图；
28.图7为实验范式的block设计示意图。
具体实施方式
29.为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
30.运动技能的获得对脑卒中、帕金森等精神疾病患者的运动康复是极为重要的，人类在运动技能学习的过程中，往往伴随着运动连贯性的改善以及大脑诱发出的特异性脑电信号，通过记录运动技能学习任务过程中的行为学数据和大脑活动的脑电图可以研究人类在运动技能学习过程中的响应机制，进而应用到运动康复中，满足了现实生活中的多种需要。
31.实施例1
32.本发明实施例提出了一种基于脑电信号提升运动技能的康复装置，该康复装置通过行为学数据、脑电数据在线判断运动技能学习阶段，并在不同阶段使用相应的提升策略，以达到提升运动技能的目的，实现了运动能力的康复。
33.其技术流程是：首先提出在线划分运动技能学习阶段的一般方法，然后就运动技能学习的经典范式序列反应时任务(serial reaction time task，srtt)，搭建脑电采集装置，编写数据分析程序，对实时采集的行为学数据和脑电数据在线分析，并划分出运动技能学习阶段。由于不同的运动技能学习阶段，运动技能的掌握程度、被试大脑的神经通路均存在差异，因此在不同的运动技能学习阶段，使用不同的康复策略，这里的策略可以是使用不同参数的神经调控方法，以达到提高运动技能表现、改善康复效果的目的。
34.实施例2
35.下面结合图1-图7对实施例1中的方案进行进一步地介绍，详见下文描述：
36.1、在线划分运动技能学习阶段
37.运动技能学习阶段划分的在线方法主要包括：运动技能学习任务界面模块、脑电数据采集模块、行为学数据采集模块、电生理指标计算模块、统计学分析模块、回溯分析模块。
38.1)运动技能学习任务界面模块是具体的运动技能学习任务的流程展示，提示被试在特定时间做相应的运动技能学习任务。
39.2)脑电采集模块是使用信号放大器、脑电帽等设备对脑电信号的收集。
40.3)行为学数据采集模块是记录被试任务反应时间、错误率等行为学数据。
41.4)电生理指标计算模块是将脑电信号经过预处理后，进行有关功率、事件相关谱扰动(event-related spectral perturbation,ersp)的计算。
42.5)统计学分析模块是通过筛选异常行为数据、计算出平均响应时间、最快加速度等行为学指标。
43.6)回溯分析模块包括：行为学数据、脑电数据和已采集数据之间的对比分析，以及包括行为学数据和脑电数据的综合分析，这一步将决定是否需要更换提升运动技能学习的策略。
44.如果需要，则在紧接着的实验开始之前，改变相应的提升策略，例如：调整电刺激的频率、刺激位点、更换神经反馈的实验范式、改变训练任务的难度等等。
45.其中，脑电数据采集模块：被试静坐在背靠座椅上，双手执行相应运动技能学习任务。将实验任务划分为若干个会话(session)，每个session之间可以适当的休息。头部佩戴脑电帽采集头帽进行训练任务，具体采集设备如图所示。
46.其中，eeg采集电极按照国际标准10-20系统为64个电极导联位置，并采用标准ag/agcl材料的头皮脑电采集电极(quik-cap，neuroscan公司，美国)，头皮与电极之间采用专用脑电介质(quik-gel，neuroscan公司，美国)保证良好导特性，采集过程中阻抗控制5kω以下，采集过程以鼻尖或者双侧乳突为参考。在实验过程中，根据在线系统刺激模块的提示进行相应任务，尽量保持静息，并且避免眨眼和其他肢体活动。
47.本发明系统所需设备主要涉及脑电采集设备。eeg采集部分应用64导脑电采集系统(synamps2，neuroscan公司，美国)及其采集软件(scan4.5，neuroscan公司，美国)，数据采集参数设置为采样率1000hz，0.5～100hz硬件带通滤波，50hz工频陷波。eeg设备与刺激电脑硬件连接(串口/并口通讯模式)，采集过程中支持精准时间标记以保证数据同步。
48.其中，行为学数据采集模块：行为学数据主要记录被试在进行的运动技能学习任务的反应时间、错误率等等。记录方式包括但不限于通过程序记录刺激开始到被试做出相
应反应之间的反应时间、正确率，或者在适应任务中记录手部移动角度的专用设备。
49.实验开始设置策略1，采集行为学、脑电数据，并在每个session结束之后，将此session采集的数据和已采集的数据做综合对比，例如：比较行为学上的反应时间是否有显著的缩短；适应任务中错误率是否有显著下降；电生理上的alpha频带的功率是否有显著的下降；脑网络功能连接是否在增加等等。在综合分析之后觉得是否更换策略。如需更换策略，在新的session开始设置策略2。
50.由于受实验环境、受试者、采集设备等因素的影响，原始的脑电信号可能会包含噪音部分，因此为降低这些噪声对后续数据处理带来的影响，将采集的脑电数据导入matlab中的eeglab工具箱，然后进行1-100hz的滤波操作，并进行200hz降采样，使用独立成分分析(ica)算法去除伪迹。在脑电信号预处理之后，选取任务之前的静息状态作为基线，根据任务的时间截取任务态脑电，并进行基线校准。然后计算出脑电任务态的频域、时域、时频特征。频域分析包括：使用快速傅里叶变换，并根据辐值计算相应频带的功率等等。时域上计算出任务态的事件相关去同步化(event related desynchronization，erd)或事件相关同步化(event related synchronization，ers)值。对比已有的数据，结合行为学数据做出是否需要更换策略的决定。
51.其中，行为学数据在采集之后要进行相应的正态分布检验，如果样本量大于50，使用k-s方法检验数据是否满足正态分布，否则使用s-w方法检验。如果数据满足正态分布，那么去除正态分布在
±
3*std之外的数据，之后和已有数据之间进行方差分析、独立样本t检验等统计学方法。
52.如果数据满足了正态分布，那么进行上述方差分析、独立样本t检验等分析方法。当数据不满足正态分布时，首先进行对数、开根号等方法，查看是否数据在变换之后是否满足正态分布，如果数据在变换之后还不满足正态分布，将使用统计学分析方法对应的非参数方法对数据进行处理。最后是结合已有行为学数据、脑电数据，对比分析数据之间差异，做出阶段划分的判断。
53.在本发明实施例中，行为学数据主要是进行统计学分析，包括：数据拟合正态分布并去除异常值，并进行方差分析。
54.对于拟合正态分布，首先进行数据正态分布检验，通常使用的方法包括：k-s和s-w检验，他们之间的区别在于处理的样本量上，一般样本量大于50的采用k-s检验，否则使用s-w检验。
55.1)kolmogorov-smirnov(k-s检验)
56.k-s检验是使用累计分布函数以检验一个经验分布是否符合某种理论分布或比较两个经验分布是否有显著性差异。一般处理的样本个数大于50。
57.首先是累计分布函数：
[0058][0059]
其中，i
|-∞,x|
为indicator function(指示函数)，
[0060]
[0061]
其次是根据样本集的累计分布函数fn(x)和一个假设的理论分布f(x)计算dn，dn定义为：
[0062]dn
＝max|fn(x)-f(x)|
[0063]
基于glivenko
–
cantelli theorem，若xi服从理论分布f(x)，则当n趋于无穷时dn趋于0。
[0064]
2)shapiro-wilk检验(s-w检验)
[0065]
s-w检验一般用于样本量小于50的小样本数据检验是否服从正态分布，对研究的对象先假设认为总体服从正态分布，其主要通过计算统计量w进行判断，w定义如下：
[0066][0067]
其中，n为样本数，ai为样本对应的系数，最后查特定正态性w检验临界值表，比较它们的大小，满足条件则接受假设，认为样本总体服从正态分布的假设，否则拒绝假设，认为总体不服从正态分布。
[0068]
3)单因素方差分析
[0069]
单因素方差分析是通过比较组间离差平方和所占比例来判断控制变量给观测变量带来的显著影响，如果组件离差平方和所占比列比较大，那么说明控制变量给观测变量带来了显著影响，反之没有显著影响，即控制变量没有给观测变量带来显著影响，观测变量值的变动时由随机变量因素引起的。
[0070]
其计算时通过计算f值，f值定义如下：
[0071][0072]
其中，msa为组间方差，mse是组内方差，分别定义为：
[0073][0074][0075]
其中，n代表实验次数，m代表水平个数，ssa为组间平方和，sse为组内离差平方和，分别定义为：
[0076][0077][0078]
其中，nj表示第j种水平的观测值次数，表示第j种水平的样本均值，反映了离差平方和的总体情况，x
ij
是第j种水平下的第i个观测值。
[0079]
最后，在给定的显著性水平α，由f分布表查出自由度的临界值f
α
，如果f》f
α
，说明因素对指标起显著影响，否则没有显著影响。
[0080]
2、脑电信号电生理特征计算方法
[0081]
1)短时傅里叶变换与事件相关谱扰动
[0082]
短时傅里叶变换(short time fourier transform，stft)是加了特定宽度的滑动窗的快速傅里叶变换(fast fourier transform，fft)。选定特定宽度的滑动窗，对所采集的非平稳脑电信号按照选定的窗口大小进行截断，对截断的数据进行快速傅里叶变换，就可以获得截取的信号的频谱。
[0083]
设被分析的非平稳信号为x(t)，t∈(-∞, ∞)，观察窗为w(t)，定义的stft为：
[0084][0085]
其中，ω代表角频率，||w(t)||＝1，w
*
(t-t)是w(τ-t)的复共轭函数。
[0086]
首先根据特定步宽将滑动窗w(τ)右移到t处，得w(τ-t)，然后利用该观察窗对原始eeg信号加窗截断，从而得到加窗信号xi(τ)＝x(τ)w(τ-t)，最后利用傅里叶变换来处理加窗信号x(t)，即可得到局部平稳信号的频谱。
[0087]
假设
△
t为观察滑动窗的窗宽，加窗代表截取原始非平稳信号x(t)在[t
‑△
t/2,t
△
t/2]范围内的局部平稳成分。相应的窗函数为：
[0088][0089]
为探究不同任务模式下eeg信号的能量变化，本发明实施例还采用了事件相关谱扰动(event related spectral perturbation，ersp)方法在时域对预处理后的脑电数据进行分析。ersp方法是在多个trial中对时间窗内的能量谱进行平均，反映了相对于基线阶段事件刺激出现以后能量谱的变化，其计算公式为：
[0090][0091]
式中：
[0092]
n表示单类任务模式下trial的数量；fi(f,t)代表在特定频率f与特定时间t处第i个trial的谱估计。本发明实施例通过短时傅里叶变换来计算ersp值，并进行去基线处理，用任务期能量谱值减去基线能量谱均值。通常用二维时频图谱的形式来反映ersp结果，其中像素块颜色代表不同时频点的能量值。本研究主要分析了对应初级运动皮层及感觉运动皮层c3、c4和cp3、cp4四个关键导联处的ersp值，并比较了在不同mi任务模式下的时频变化。
[0093]
2)事件相关去同步化(event related desynchronization，erd)
[0094]
当大脑某个区域被激活时，该区域的血流量和代谢将增加。在进行信息处理时会导致eeg信号的频谱振幅下降，这种生理活动称为事件相关去同步化(event related desynchronization，erd)；反之在静息状态下，脑电信号表现出振幅明显增加的点活动，这一生理现象称为事件相关去同步化(event related synchronization，ers)。已有研究证实了在运动技能学习过程中信息的加工能够引起eeg频谱振荡，从而形成erd和ers。在运动技能学习任务中，由于受试者对任务的熟练程度在不断变化，相应的注意力、信息处理等神经资源将会发生变化，从而大脑相关皮层神经元振荡活动将发生变化，将会出现erd/ers现
象。因此特定频段的erd值将反应皮层激活水平，是反映运动技能学习阶段变更的一个重要指标。erd均值的计算公式如下：
[0095][0096]
其中，n代表特定频带时间范围内时频点的数目，f∈(f1,f2)频段，分析的频率范围上界和下界分别为f1和f2，t∈(t1,t2)，t1和t2是数据的起始时间点。
[0097]
3、序列反应时任务(srtt)在线划分阶段方法
[0098]
1)序列反应时任务(srtt)
[0099]
srtt是研究内隐学习的经典范式，用以研究人们对序列技能的习得。实验中，屏幕自左向右显示四块矩形，每块矩形对应一个按键。实验范式只要包括固定序列和随机序列，固定序列始终序列内容保持不变，反应时间是逐渐下降的，而随机序列的序列内容是发生改变的，反应时间是保持稳定。通过计算在固定序列下的操作成绩和随机序列下的操作成绩之差来表示内隐学习的学习量。
[0100]
2)实验范式
[0101]
受试者在实验开始练习10个blocks的随机序列，其目的是让受试者熟悉任务，选用随机序列是为了在实验开始之前，避免受试者学习到序列知识。正式实验开始，是1个blocks的随机序列和4个blocks固定序列组合的重复。正式实验开始采集eeg数据。
[0102]
每个session包括20个blocks，即4个随机blocks和16个固定序列。其中每个session以空格按键触发实验，紧接着是2s的十字架，被试保持静息；之后是连续的20个blocks，每个block包括8个trials，每个trials开始界面会出现4块的矩形，在等待0.4s之后有一个箭头指向某个矩形，受试者按下箭头指向矩形所对应的按键，0.6s之后进入下一个trial。
[0103]
计算指标
[0104]
1)学习量：在该实验任务中将学习量定义为固定序列的反应时间减去随机序列的反应时间。
[0105]
2)错误率：被试的按键与提示矩形随对应的按键不相同被视为错误，错误的试次次数和全部试次的次数之比是错误率。
[0106]
3)erd值：α节律反映了记忆和注意过程，在程序性学习中，快速获取知识的阶段，α频带将会出现erd现象，相应的erd值将随之下降。而当序列学习到达稳定阶段，学习水平将保持较高水平，所需要的注意资源将减少，即出现ers现象，相应的erd值将变大。
[0107]
4、在线划分运动技能学习阶段方法
[0108]
1)存储数据
[0109]
在每个session结束时，存储行为学数据和脑电数据。
[0110]
2)行为学数据统计学处理
[0111]
每个session将产生160个反应时间行为学数据，对行为学数据进行k-s正态分布检验，若数据满足正态分布检验，剔除异常值，即去除在u
±
3*std(均值加减三倍标准差)之外的数据。并将固定序列的反应时间和随机序列的反应时间做差，将产生128个学习量数据，最后使用单因素方差分析计算出次session和之前的session之间学习量上显著性p值。若数据不满足正态分布，将对反应时间的取对数的处理，再进行显著性分析。计算出此
session的错误率。
[0112]
3)脑电数据
[0113]
计算出脑电信号对应α频带的erd值。
[0114]
4)做出判断
[0115]
当学习量上、错误率都没有出现显著性变化，以及erd值相比之前的session在增大，就认为受试者的学习从快速学习阶段过渡到了稳定阶段。如果没有出现上述的指标变化，那么认为受试者还处于对应的快速学习阶段。
[0116]
在判断出不同的运动技能阶段，对下一阶段的康复治疗实施不同的提升策略，可以是不同参数的神经调控、不同难度的运动技能学习任务。以达到提升运动技能、改善康复效果的目的。
[0117]
本发明设计了一种基于脑电信号提升运动技能的康复装置，通过在线划分运动技能学习阶段，不同阶段使用不同的技能提升策略，以达到提升运动技能的目的。该项发明进一步研究有望用于提升运动技能学习、医疗康复等领域。有望获得客观的社会效益和经济效益。
[0118]
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
[0119]
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0120]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。