检索历史 清除

摘要脑-机接口技术为人和外部设备建立了一个新的连接通路，可以代替、增强、改善人体自然的机体响应，广泛应用于医疗、军事、教育和娱乐等领域。其中，将脑-机接口技术融入卒中康复系统中，有助于提升患者的训练主动性，为卒中患者完全康复带来了希望。本课题基于深度学习技术，针对视觉诱发电位和运动想象范式下的EEG数据发展计算模型来完成其分类任务，同时设计了一个基于运动想象的卒中康复系统，为改善卒中患者的康复训练提供了一个新的解决方案。<br>　　本文首先提出了一个多级融合卷积神经网络用于辨识运动想象信号。多级融合卷积神经网络在结构上采用加和的方式将所有级别的特征图进行融合，进而提升模型的鲁棒性。然后针对脑电数据的数据短缺问题，设计了一种辅助训练策略。辅助训练策略通过使用其他被试者的数据进行扩充，同时应用修正的L2正则化抑制过拟合。我们的方法在运动想象公开数据集BCICompetitionIV2a数据集取得了80.3%的平均准确率，显著优于其他先进方法，为运动想象脑电信号分类任务提供了一个有效的解决方案。<br>　　针对视觉诱发电位下的疲劳脑电信号，本文提出了一个基于注意力机制的多尺度卷积神经网络。考虑到疲劳状态下视觉诱发电位的频率响应变弱，我们使用一大一小的卷积核提取多尺度特征，增强模型学习特征的多样性，进而增强模型的鲁棒性。此外，考虑到人在疲劳状态下注意力不集中，易发生精神涣散，本文使用注意力机制根据输出相关性对不同时间步的特征进行加权融合。我们的方法在两个疲劳数据集上均取得了优于其他方法的准确率。<br>　　此外，本文还设计了一个基于运动想象的卒中康复系统。该系统主要包括便携式脑电信号采集设备、上位机软件和电刺激模块。该系统通过便携式脑电采集设备采集患者的脑电信号，通过上位机软件进行实时存储分析，将分析结果反馈至电刺激模块给予患者患肢处的肌肉电流刺激，以促使患肢进行运动。我们通过在线实验以及离线数据分析对系统性能进行了验证，结果表明本文设计的系统可有效辅助患者进行手部运动，为卒中康复提供了一个新的途径。