基于腦機接口的腦卒中患者康復訓練裝置實現方法的研究*

張書銘，吳貝貝，徐珂珂，林坤強，史華偉，苗松坤

（新鄉醫學院三全學院 智能醫學工程學院，河南 新鄉 453003）

據中國國家衛生健康委員會最新發布的《中國腦卒中防治指導規范（2021 年版）》［1］中的相關數據顯示，我國腦卒中患者正在逐年增加，截至到2021 年，我國40 歲以上腦卒中患病人數達1 704 萬。腦卒中患者發病后還會伴隨著多種后遺癥，其中偏癱作為后遺癥之一，發生概率高達55%～75%，意味著我國約有937～1 278 萬40 歲以上的偏癱患者需要進行康復治療，由于偏癱患者的康復治療周期長［2］，治療后效果不佳，中樞運動神經通路在患者患病后受到損傷，導致患者相應的軀干和肢體運動能力下降或消失，嚴重影響日常基本活動，難以改善患者的生活質量，所以針對偏癱患者的康復治療研究和實踐是其中的難點和重點。

現階段，常規的腦卒中治療技術多集中在患者的外周治療技術上，其中有功能性電刺激和各種刺激技術，但是這些治療技術不能直接干預患者的大腦。如今康復治療技術和人工智能相輔相成向前發展，而腦機接口（BCI）技術作為在醫學、通信工程、計算機等交叉學科共同努力下誕生的新技術，也正在被專家和學者不斷研究。BCI可以讓患者通過控制腦電活動產生的信號，實現與外界的交互。傳統的康復治療由于其技術與方法的限制，效果具有一定的局限性，而BCI 則可以有效的對其局限性進行彌補，這對于患者有積極的意義。同時因為偏癱的特殊性，造成其康復治療的人工成本高昂，所以如何設計出成本低廉且使用效果好的康復設備一直是困擾著我們的問題。基于此，本文將外骨骼與運動想象腦機接口相結合開發出適合腦卒中患者康復訓練的新設備，以期為偏癱患者帶來新的福音。

1 實現原理

本文研究的康復輔助設備是基于BCI 系統連接外部輔助骨骼機器人，用以輔助癱瘓、半癱瘓、以及腦卒中等患者進行康復訓練。通過腦機接口測量中樞神經系統的活動并將其轉換為人工輸出，使用此技術可準確捕捉大腦中樞神經系統產生的腦電信號，讓使用者準確操縱外部輔助骨骼機器人輔助自身的康復訓練，以達到保持其身體健康，防止肌肉萎縮的目的。

本文所設計的腦機接口系統，其基本工作原理為以下四個方面：腦電信號采集，數據處理分析，信號識別，設備輸出控制［3］，具體流程如圖1所示。

圖1 基于BCI 原理的康復設備流程圖

2 系統組成

2.1 腦電信號采集系統

腦電信號具有某種節律和空間分布的特征，依靠信號采集系統高性能的生物電信號采集能力，捕捉大腦產生動作意識時發出的腦電信號，并將檢測到的腦電信號經過處理，通過A/D 轉化為數字信號，然后進行進一步的分析處理，具體腦電信號采集系統工作模型如圖2 所示。

圖2 腦電信號采集系統工作模型

2.2 信號處理系統

通過腦機接口系統獲得腦電波（eletroencephalogram,EEG）［4］，并對EEG 進行濾波和特征提取。然后本文使用1 152×4×140 的三維數據結構的神經網絡對EEG 進行進一步處理，神經網絡的反向傳達過程中利用誤差函數，來更新網絡節點的權值參數。同時為了提高數據模型的收斂速度，在數據發送之前，需要對數據進行歸一化處理，使其符合標準正態分布。標準差的計算，本文使用的計算方式為［5］。要實現模型的深度學習還需要很多的訓練數據才能順利完成，但原始訓練數據只有140 組，因此本文通過數據增強來對數據進行擴展，這樣可以防止由于數據集過小而導致的模型過擬合問題。因為腦電圖信號包含時序信息，所以圖像處理領域常用的數據增強方法翻轉、剪切、變色等，這些方法并不適合處理EEG 信號。因此本文將原始的信號進行處理時在其中疊加白噪聲，用來產生更多的訓練數據。

2.3 信號選擇分類系統

將處理后獲得的特征EEG 歸類，并從這些腦電信號特征量中分析出使用者的意圖［6］。本文使用一種基于長短期記憶（LSTM）神經網絡的運動想象腦電信號二分類方法。LSTM 神經網絡通過增加“遺忘門”以避免“長依賴”問題，方法是在其產生當前時刻輸出的時候，通過一個狀態參量來實現其遺忘功能，LSTM 神經網絡結構如圖3所示。

在使用傳統的反向傳播神經網絡以及卷積神經網絡（convolutional neural networks,CNN）對腦電波進行特征提取與分類時［7］，相距較長距離的特征信息會被忽視。所以本文使用一種基于LSTM神經網絡運動想象腦電信號的二分類方法，LSTM神經網絡可作為復雜的非線性單元用于構造更大型的深度神經網絡，所以它更適合于處理和預測時間序列中間隔和延遲非常長的重要事件。已有公開實驗結果證明LSTM 神經網絡訓練出的模型具有良好的效果，用BCI 國際競賽的公開數據對所提出的方法進行驗證，LSTM 神經網絡分類的平均準確率接近90%，高于傳統的反向傳播神經網絡以及卷積神經網絡的準確率［4］。

2.4 外骨骼控制原理

人的大腦具有一定的神經可塑性，如果患者對其進行持續的鍛煉，那么它將在一定程度上進行自我重塑，但是患者單獨依靠自己對大腦進行鍛煉是比較困難的。這時，可以進行一定程度的人工干預引導患者對自己的大腦進行鍛煉，這對大腦能否實現自我重塑非常重要［8］。當前已經有相關的機械設備，可以對人的肢體和軀干進行一定的牽引，來對患者的運動功能進行一定程度的康復鍛煉，但是這種鍛煉是死板的，沒有將康復訓練與患者的真實意圖進行聯系［9］。本文設計的裝置可以讓患者依靠自己的意識以及運動意圖，利用外骨骼的輔助對肌體進行重復性的康復訓練，這樣效果好，而且能夠引發更強的神經可塑性。同時由人腦直接將信息傳遞給機器，由機器直接實現人腦所想，實現穿戴者的真實意圖，使患者在進行康復訓練時有著更好的體驗，其中外骨骼控制流程如圖4 所示。

圖4 外骨骼控制流程圖

2.5 腦電采集系統

由于石墨烯導電能力、生物反應和材料反應較優，不會對人體產生不良作用，同時石墨烯電極比普通的氯化銀電極具有更好的導電性、耐久性和穩定性，所以石墨烯電極在采集腦電信號時，可以實現更高的信噪比而且更加準確的采集腦電信號。石墨烯電極可以滿足長期磨損所需的耐磨性，這將間接反饋給患者，降低患者的治療費用。

EEG 在通過濾波預處理后，使用8 通道低噪聲PGA、24 位高精度ADC 的ADS1299 的前端模擬［10］，然后把EEG 采集到的信息發送到單片機，再通過SPI 和串口發送給無線模塊，最終到監護終端設備，在上機位對獲得的數據進行解析。

對采集到信號的處理，先進行去除基線漂移、工頻干擾、眼電偽跡等預處理。而信號后期處理，則是在傳統的濾波上結合了現代計算機算法技術，通過不同的算法對腦電信號分析處理。算法可以彌補傳統濾波分辨不出的高相似腦電信號，在傳統濾波的基礎上利用大數據算法更加精確的從復雜的腦電信號中分析大腦想象的運動指令。

3 使用說明

測試階段：使用者需先通過機器訓練，使BIC系統能夠收集來自大腦的信號，將收集到的信號通過數據處理分析和信號識別后，轉化為控制信號，再將信號輸出給輔助外骨骼設備。

使用階段：將病患置于半臥位狀態，輕抬患者頭部，穿戴信號采集電極帽之后依次穿戴肢體穿戴設備。打開電源后，只需要病患集中精神即可在輔助康復外骨骼的牽引下做出握手、伸指、抬腿等簡單的肢體行為動作。

4 總結

通過對腦電信號的采集、分析、識別進而控制機械外骨骼對使用者進行康復行走等訓練，進而達到康復治療的目的，此設計將為40 歲以上的偏癱患者帶來福音。同時此設計使用的是一種基于LSTM 神經網絡運動想象腦電信號的二分類方法，用此方法對腦電波進行分類，其準確率高達90%，這也將大幅度提高患者的康復治療效果與體驗。

腦機接口技術作為在醫學、通信工程、計算機等交叉學科共同努力下誕生的新技術，相信在未來專家和學者的帶領下，會有更多方面的創新和突破。2019 年至2021 年間，腦機接口技術在硬軟件和場景的應用等方面取得了迅速發展，也得到極大的運用。隨著腦電信號和機械外骨骼在神經和機器等方面深入研究，以及此設備具有的深度自我學習功能、近距離低功耗高速通訊等技術的加持下，在積攢大量偏癱患者的數據后，可以建立自己的數據庫。依靠大數據的分析，此項目的受眾患者還可推廣到以重癥肌無力、因事故導致高位截癱等重度運動障礙為代表的患者群體。隨著國家科技的發展，腦機接口領域在各國都顯得十分重要，也越來越吸引各國家人才在這個領域的重視，總體上看，腦機接口技術在未來一定會大放異彩。