基于脑机接口的脑卒中患者康复训练装置实现方法的研究*

张书铭，吴贝贝，徐珂珂，林坤强，史华伟，苗松坤

（新乡医学院三全学院 智能医学工程学院，河南 新乡 453003）

据中国国家卫生健康委员会最新发布的《中国脑卒中防治指导规范（2021 年版）》［1］中的相关数据显示，我国脑卒中患者正在逐年增加，截至到2021 年，我国40 岁以上脑卒中患病人数达1 704 万。脑卒中患者发病后还会伴随着多种后遗症，其中偏瘫作为后遗症之一，发生概率高达55%～75%，意味着我国约有937～1 278 万40 岁以上的偏瘫患者需要进行康复治疗，由于偏瘫患者的康复治疗周期长［2］，治疗后效果不佳，中枢运动神经通路在患者患病后受到损伤，导致患者相应的躯干和肢体运动能力下降或消失，严重影响日常基本活动，难以改善患者的生活质量，所以针对偏瘫患者的康复治疗研究和实践是其中的难点和重点。

现阶段，常规的脑卒中治疗技术多集中在患者的外周治疗技术上，其中有功能性电刺激和各种刺激技术，但是这些治疗技术不能直接干预患者的大脑。如今康复治疗技术和人工智能相辅相成向前发展，而脑机接口（BCI）技术作为在医学、通信工程、计算机等交叉学科共同努力下诞生的新技术，也正在被专家和学者不断研究。BCI可以让患者通过控制脑电活动产生的信号，实现与外界的交互。传统的康复治疗由于其技术与方法的限制，效果具有一定的局限性，而BCI 则可以有效的对其局限性进行弥补，这对于患者有积极的意义。同时因为偏瘫的特殊性，造成其康复治疗的人工成本高昂，所以如何设计出成本低廉且使用效果好的康复设备一直是困扰着我们的问题。基于此，本文将外骨骼与运动想象脑机接口相结合开发出适合脑卒中患者康复训练的新设备，以期为偏瘫患者带来新的福音。

1 实现原理

本文研究的康复辅助设备是基于BCI 系统连接外部辅助骨骼机器人，用以辅助瘫痪、半瘫痪、以及脑卒中等患者进行康复训练。通过脑机接口测量中枢神经系统的活动并将其转换为人工输出，使用此技术可准确捕捉大脑中枢神经系统产生的脑电信号，让使用者准确操纵外部辅助骨骼机器人辅助自身的康复训练，以达到保持其身体健康，防止肌肉萎缩的目的。

本文所设计的脑机接口系统，其基本工作原理为以下四个方面：脑电信号采集，数据处理分析，信号识别，设备输出控制［3］，具体流程如图1所示。

图1 基于BCI 原理的康复设备流程图

2 系统组成

2.1 脑电信号采集系统

脑电信号具有某种节律和空间分布的特征，依靠信号采集系统高性能的生物电信号采集能力，捕捉大脑产生动作意识时发出的脑电信号，并将检测到的脑电信号经过处理，通过A/D 转化为数字信号，然后进行进一步的分析处理，具体脑电信号采集系统工作模型如图2 所示。

图2 脑电信号采集系统工作模型

2.2 信号处理系统

通过脑机接口系统获得脑电波（eletroencephalogram,EEG）［4］，并对EEG 进行滤波和特征提取。然后本文使用1 152×4×140 的三维数据结构的神经网络对EEG 进行进一步处理，神经网络的反向传达过程中利用误差函数，来更新网络节点的权值参数。同时为了提高数据模型的收敛速度，在数据发送之前，需要对数据进行归一化处理，使其符合标准正态分布。标准差的计算，本文使用的计算方式为［5］。要实现模型的深度学习还需要很多的训练数据才能顺利完成，但原始训练数据只有140 组，因此本文通过数据增强来对数据进行扩展，这样可以防止由于数据集过小而导致的模型过拟合问题。因为脑电图信号包含时序信息，所以图像处理领域常用的数据增强方法翻转、剪切、变色等，这些方法并不适合处理EEG 信号。因此本文将原始的信号进行处理时在其中叠加白噪声，用来产生更多的训练数据。

2.3 信号选择分类系统

将处理后获得的特征EEG 归类，并从这些脑电信号特征量中分析出使用者的意图［6］。本文使用一种基于长短期记忆（LSTM）神经网络的运动想象脑电信号二分类方法。LSTM 神经网络通过增加“遗忘门”以避免“长依赖”问题，方法是在其产生当前时刻输出的时候，通过一个状态参量来实现其遗忘功能，LSTM 神经网络结构如图3所示。

在使用传统的反向传播神经网络以及卷积神经网络（convolutional neural networks,CNN）对脑电波进行特征提取与分类时［7］，相距较长距离的特征信息会被忽视。所以本文使用一种基于LSTM神经网络运动想象脑电信号的二分类方法，LSTM神经网络可作为复杂的非线性单元用于构造更大型的深度神经网络，所以它更适合于处理和预测时间序列中间隔和延迟非常长的重要事件。已有公开实验结果证明LSTM 神经网络训练出的模型具有良好的效果，用BCI 国际竞赛的公开数据对所提出的方法进行验证，LSTM 神经网络分类的平均准确率接近90%，高于传统的反向传播神经网络以及卷积神经网络的准确率［4］。

2.4 外骨骼控制原理

人的大脑具有一定的神经可塑性，如果患者对其进行持续的锻炼，那么它将在一定程度上进行自我重塑，但是患者单独依靠自己对大脑进行锻炼是比较困难的。这时，可以进行一定程度的人工干预引导患者对自己的大脑进行锻炼，这对大脑能否实现自我重塑非常重要［8］。当前已经有相关的机械设备，可以对人的肢体和躯干进行一定的牵引，来对患者的运动功能进行一定程度的康复锻炼，但是这种锻炼是死板的，没有将康复训练与患者的真实意图进行联系［9］。本文设计的装置可以让患者依靠自己的意识以及运动意图，利用外骨骼的辅助对肌体进行重复性的康复训练，这样效果好，而且能够引发更强的神经可塑性。同时由人脑直接将信息传递给机器，由机器直接实现人脑所想，实现穿戴者的真实意图，使患者在进行康复训练时有着更好的体验，其中外骨骼控制流程如图4 所示。

图4 外骨骼控制流程图

2.5 脑电采集系统

由于石墨烯导电能力、生物反应和材料反应较优，不会对人体产生不良作用，同时石墨烯电极比普通的氯化银电极具有更好的导电性、耐久性和稳定性，所以石墨烯电极在采集脑电信号时，可以实现更高的信噪比而且更加准确的采集脑电信号。石墨烯电极可以满足长期磨损所需的耐磨性，这将间接反馈给患者，降低患者的治疗费用。

EEG 在通过滤波预处理后，使用8 通道低噪声PGA、24 位高精度ADC 的ADS1299 的前端模拟［10］，然后把EEG 采集到的信息发送到单片机，再通过SPI 和串口发送给无线模块，最终到监护终端设备，在上机位对获得的数据进行解析。

对采集到信号的处理，先进行去除基线漂移、工频干扰、眼电伪迹等预处理。而信号后期处理，则是在传统的滤波上结合了现代计算机算法技术，通过不同的算法对脑电信号分析处理。算法可以弥补传统滤波分辨不出的高相似脑电信号，在传统滤波的基础上利用大数据算法更加精确的从复杂的脑电信号中分析大脑想象的运动指令。

3 使用说明

测试阶段：使用者需先通过机器训练，使BIC系统能够收集来自大脑的信号，将收集到的信号通过数据处理分析和信号识别后，转化为控制信号，再将信号输出给辅助外骨骼设备。

使用阶段：将病患置于半卧位状态，轻抬患者头部，穿戴信号采集电极帽之后依次穿戴肢体穿戴设备。打开电源后，只需要病患集中精神即可在辅助康复外骨骼的牵引下做出握手、伸指、抬腿等简单的肢体行为动作。

4 总结

通过对脑电信号的采集、分析、识别进而控制机械外骨骼对使用者进行康复行走等训练，进而达到康复治疗的目的，此设计将为40 岁以上的偏瘫患者带来福音。同时此设计使用的是一种基于LSTM 神经网络运动想象脑电信号的二分类方法，用此方法对脑电波进行分类，其准确率高达90%，这也将大幅度提高患者的康复治疗效果与体验。

脑机接口技术作为在医学、通信工程、计算机等交叉学科共同努力下诞生的新技术，相信在未来专家和学者的带领下，会有更多方面的创新和突破。2019 年至2021 年间，脑机接口技术在硬软件和场景的应用等方面取得了迅速发展，也得到极大的运用。随着脑电信号和机械外骨骼在神经和机器等方面深入研究，以及此设备具有的深度自我学习功能、近距离低功耗高速通讯等技术的加持下，在积攒大量偏瘫患者的数据后，可以建立自己的数据库。依靠大数据的分析，此项目的受众患者还可推广到以重症肌无力、因事故导致高位截瘫等重度运动障碍为代表的患者群体。随着国家科技的发展，脑机接口领域在各国都显得十分重要，也越来越吸引各国家人才在这个领域的重视，总体上看，脑机接口技术在未来一定会大放异彩。