解读丧失语言功能且肢体瘫痪病人的真实行为意图,对患者与外界环境进行交互至关重要。脑机接口(BCI)技术可实现思维解码,极大地改善患者的生活质量。另外,由于大脑神经的可塑性,运动想象脑电(MI-EEG)信号参与下的康复训练效果更好。因此,研究MI-EEG的信号处理、分类识别及实时应用,具有重要的研究价值和意义。开展了基于Open Vi BE进行双侧下肢MI-EEG信号的分类算法研究。针对共空间模式(CSP)特征提取算法存在噪声敏感和容易过拟合的问题,采用Tikhonov正则化(TR)进行优化和改进,以构建Tikhonov正则化共空间模式(TRCSP)滤波器。分别利用支持向量机(SVM)和线性判别分析(LDA)算法完成分类识别。基于统计学方法对TRCSP+SVM、TRCSP+LDA、CSP+SVM及CSP+LDA四种分类方法的性能进行测试和比较。最终,TRCSP+SVM方法的分类性能取得了最佳效果且显著优于其他组合,平均准确率高达97.28%±0.97%,平均Kappa系数高达0.91±0.06,平均AUC值高达0.98±0.01。相较于CSP+SVM方法,TRCSP+SVM方法在准确率方面有10%的提升。充分证明了改进的TRCSP特征提取方法与SVM算法相结合的分类方法在提升下肢MI-EEG信号的分类识别率方面具有优势。根据课题组已发现的不同极性脉冲刺激信号作用到中枢模式发生器(CPG)位点上可诱发双侧下肢步态模式发生翻转的调控机制,本文将运动想象脑机接口(MI-BCI)与功能性电刺激(FES)技术相结合,设计了一套刺激电极较少,时序控制相对简单的步态控制器,构建“所思”即“所动”的肢体康复训练模式。选定TRCSP+SVM识别方法作为整个在线康复训练系统的控制策略。分类识别的结果数据将通过虚拟现实外围网络(VRPN)协议稳定传输至步态控制器,生成触发不同模式刺激信号的对应指令。当受试者执行想象“迈左腿”任务时,大鼠下肢产生左屈右伸的步态运动;当受试者执行想象“迈右腿”任务时,大鼠下肢产生右屈左伸的步态运动。成功实现在FES作用下与受试者意图相对应的下肢期望运动。为了测试基于运动想象(MI)的瘫痪双下肢实时运动控制系统在康复训练中的功能及效果,开展了为期三周的大鼠动物实验。与脊髓损伤(SCI)组大鼠相比,施加MI控制下电刺激的SCI(SCI+MI-ES)组大鼠BBB量表评分高出了4分左右,后肢最大抓力高出了5N左右,下肢运动功能的恢复情况有了更为显著提升。验证了基于MI的瘫痪双下肢步态控制系统在康复训练应用场景中的有效性。为SCI等偏瘫患者重建运动功能提供了新的思路与方法,推动MI-BCI系统在康复医学领域的实用化进程。
暂无评论