董潤霖,張小棟,李瀚哲,李亮亮,史曉軍

(1.西安交通大學(xué)陜西省智能機器人重點實驗室, 710049, 西安; 2.西安交通大學(xué)機械工程學(xué)院, 710049, 西安)

近年來,因意外傷害或疾病導(dǎo)致下肢運動功能障礙的患者不斷增多,除去必要的手術(shù)治療外,患者恢復(fù)期采用科學(xué)的康復(fù)訓(xùn)練方式對于致殘率降低及術(shù)后生活質(zhì)量提高至關(guān)重要[1]。康復(fù)運動訓(xùn)練包含被動運動與主動運動兩種形式,由于主動運動能夠促進運動形態(tài)知覺、運動幅度知覺、身體方位知覺的形成,在目前的康復(fù)臨床治療中,越來越多的康復(fù)理療師提倡以“主動運動為主,被動運動為輔”的康復(fù)模式[2-3]。

主動運動以患者為導(dǎo)向,在運動中促使功能恢復(fù),患者在行走過程中常伴隨著下肢力弱、變形、感覺異常等問題,使得運動過程艱難且痛苦。隨著康復(fù)輔具的開發(fā),外骨骼機器人由于具有人體可穿戴的特點,擁有好的機體適應(yīng)性與安全性,已逐步取代傳統(tǒng)康復(fù)輔具成為新的研究熱點[4-6]。

主動運動康復(fù)模式中外骨骼機器人應(yīng)采用基于患者運動意圖及下肢狀態(tài)的按需輔助控制策略,運動意圖識別作為控制問題的輸入是該研究的關(guān)鍵。大腦是意圖產(chǎn)生的根源,解碼腦電信號是獲取運動意圖最快速最直接的途徑,并從源頭上保證了信號的前置性[7-8]。然而,患者完成康復(fù)運動過程中,常由于要忍受身體帶來的劇烈疼痛而無法產(chǎn)生較為強烈的運動意圖,甚至不具有主動運動意圖,加之腦電信號的非平穩(wěn)性與易干擾性,使得意圖識別的準(zhǔn)確率始終較低。

對于上述問題,傳統(tǒng)指令式的引導(dǎo)不能很好的喚起患者興趣并產(chǎn)生強烈運動意圖,缺乏良好人機交互,有學(xué)者提出在康復(fù)訓(xùn)練中引入虛擬現(xiàn)實(virtual reality,VR)技術(shù),構(gòu)建具有豐富感知的三維視聽一體化虛擬環(huán)境,使患者可在非現(xiàn)實氛圍內(nèi)完成虛擬與現(xiàn)實間的雙向互動[9-12]。針對性的沉浸式體驗感,大腦產(chǎn)生選擇性注意現(xiàn)象,使感知覺對特定目標(biāo)選擇指向和集中注意[13-14]。Alessandra等統(tǒng)計分析了2015—2020年間虛擬現(xiàn)實技術(shù)對骨科患者影響的臨床數(shù)據(jù),多項結(jié)果表明虛擬現(xiàn)實技術(shù)對患者的康復(fù)呈現(xiàn)積極作用[15]。Chillura等的病例研究表明,虛擬現(xiàn)實下的傳統(tǒng)康復(fù)與機器人輔助康復(fù)相結(jié)合可進一步增強功能恢復(fù),聯(lián)合治療后患者的改善效果明顯大于單純常規(guī)康復(fù)治療后的改善效果[16]。統(tǒng)計數(shù)據(jù)表明,虛擬誘導(dǎo)系統(tǒng)對下肢運動功能障礙患者的康復(fù)具有促進作用。然而,當(dāng)前研究大多集中于整體康復(fù)情況的定性分析,缺乏基于數(shù)據(jù)定量分析的虛擬誘導(dǎo)系統(tǒng)對患者運動意圖的影響研究。

本文研究著眼于上述問題,針對現(xiàn)有設(shè)備與技術(shù)缺陷,結(jié)合生物電信息技術(shù)特點與虛擬現(xiàn)實技術(shù)優(yōu)勢,分析患者意圖產(chǎn)生與感知機理,提出一種虛擬誘導(dǎo)患者下肢主動運動意圖及其腦電精準(zhǔn)感知方法。在虛擬現(xiàn)實平臺上設(shè)計開發(fā)針對患者的沉浸式虛擬誘導(dǎo)場景,激發(fā)患者興趣并減弱消極因素影響,誘導(dǎo)患者產(chǎn)生并增強其自發(fā)的主動運動意圖,研究基于自適應(yīng)噪聲完備經(jīng)驗?zāi)B(tài)分解-獨立成分分析(complete ensemble empirical mode decomposition with adaptive noise-indep endent component analysis, CEEMDAN-ICA)的腦電信號偽跡去除方法,以及基于卷積神經(jīng)網(wǎng)絡(luò)的運動意圖識別方法,旨在實現(xiàn)意圖感知準(zhǔn)確率的提升,為外骨骼機器人按需輔助控制奠定基礎(chǔ)。

1 虛擬誘導(dǎo)患者下肢運動意圖及其感知機理分析

1.1 患者運動康復(fù)策略與主動運動意圖產(chǎn)生機理

運動康復(fù)是通過體育運動手段和方法來促進個體的機體、心理、社會性等各方面的恢復(fù)的過程[17]。實踐證明,人類的很多疾病在臨床上雖然已經(jīng)治愈,但是病患者的機體并沒有完全恢復(fù),許多機體功能仍然處在正在恢復(fù)的狀態(tài)之中,運動療法能有效地縮短康復(fù)期,使患者早日獲得身心康復(fù)。目前,運動康復(fù)的重要醫(yī)療價值已經(jīng)被充分承認(rèn),在國內(nèi)外體育領(lǐng)域、醫(yī)學(xué)領(lǐng)域以及社會學(xué)等領(lǐng)域都備受重視。

世界衛(wèi)生組織(WHO)提出“應(yīng)該提倡主動訓(xùn)練技術(shù)和身體體質(zhì)訓(xùn)練”,在康復(fù)過程中,患者自身產(chǎn)生主動運動意圖是康復(fù)運動訓(xùn)練時的關(guān)鍵[18]。人體下肢主動運動意圖的產(chǎn)生受到自身意念、外界環(huán)境刺激以及個體身體感官的影響,產(chǎn)生機理如圖1a所示,外界環(huán)境刺激通過視覺、聽覺神經(jīng)通路傳入大腦,同時其他感覺神經(jīng)通路接收來自外界環(huán)境與人體自身的感官信息,大腦在高級認(rèn)知過程中將外界環(huán)境刺激結(jié)果、人體自身感受與個人意志等因素結(jié)合,最終產(chǎn)生下肢運動意圖。

(a)人體下肢主動運動意圖產(chǎn)生機理

因此,在某時刻產(chǎn)生的運動意圖可用如下方程表示

I(t)=[k(t)+V(t)+A(t)+S(t)]x(t)

(1)

式中:V(t)代表人體感受到的視覺信息因素;A(t)代表人體感受到的聽覺信息因素;S(t)代表人體感受到的感覺信息因素;k(t)代表個人意志;x(t)代表大腦的高級認(rèn)知過程,大腦在高級認(rèn)知過程中融合各部分因素進行信息加工,最終產(chǎn)生運動意圖。由此可見,人體主動運動意圖的產(chǎn)生是多種因素綜合作用的結(jié)果。

1.2 虛擬誘導(dǎo)患者運動意圖機理分析

大腦思維中樞的注意控制環(huán)路由“中腦網(wǎng)狀結(jié)構(gòu)→丘腦板內(nèi)核→端腦皮質(zhì)→丘腦網(wǎng)狀核→中腦網(wǎng)狀結(jié)構(gòu)”構(gòu)成,中腦網(wǎng)狀結(jié)構(gòu)接收各信息通道的非特異性投射信號,通過競爭決定信息通路及神經(jīng)元激活,形成和控制思維的注意指向,并且,皮質(zhì)的神經(jīng)活動通過丘腦網(wǎng)狀核會聚投射到中腦網(wǎng)狀結(jié)構(gòu),調(diào)制和影響對注意的控制,注意指向的形成即思維中樞對思維過程的控制[19-20]。

將促使下肢運動功能障礙患者產(chǎn)生運動意圖的因素視為積極因素,阻礙患者產(chǎn)生運動意圖的因素視為消極因素?；颊哌\動時,大腦的注意指向多集中于痛感即思維中樞被消極因素占據(jù)。對于腦機制正常的人,最易引起注意指向切換的因素為外部感覺信號的傳入,信號強烈時則該通道神經(jīng)元的興奮整合更快并激活,向丘腦發(fā)放激勵脈沖并對當(dāng)前注意通路進行抑制,完成注意指向切換。因此,增強具有積極因素的外部刺激,可以相對性地削弱疼痛對患者帶來的消極影響。

視覺刺激是有效的外界刺激方式,結(jié)合虛擬現(xiàn)實技術(shù)為患者搭建一個沉浸式虛擬空間,最大限度減少其他因素的干擾,增強積極因素影響,減弱消極因素影響,使大腦的注意指向集中于渴望運動的意圖上,使患者產(chǎn)生強烈的主動運動意圖。忽略影響下肢運動功能障礙患者主動運動意圖較小的因素,患者虛擬誘導(dǎo)運動意圖產(chǎn)生過程如圖1b所示?？梢钥闯?虛擬誘導(dǎo)系統(tǒng)輸出與人體痛覺的耦合作用決定了下肢運動功能障礙患者大腦的注意指向,即患者主動運動意圖的產(chǎn)生。

在式(1)的基礎(chǔ)上,基于虛擬誘導(dǎo)的患者當(dāng)前時刻意圖可以用如下方程表示

I(t)=[V(t)-P(t)]x(t)

(2)

式中:A(t)為虛擬誘導(dǎo)系統(tǒng)的輸出,即患者即視覺感受器的輸入,A(t)=a(t)s(t),其中a(t)是虛擬誘導(dǎo)場景中的設(shè)定參數(shù);V(t)為視覺神經(jīng)通路的輸出,V(t)=A(t)v(t);P(t)為痛覺神經(jīng)通路的輸出,P(t)=b(t)p(t),其中b(t)為疼痛參數(shù),來自于人體下肢神經(jīng)末梢的痛覺感受器。

1.3 下肢運動意圖的腦電產(chǎn)生及感知機理

科學(xué)研究發(fā)現(xiàn),人體功能在大腦皮質(zhì)上有定位關(guān)系,德國醫(yī)生Korbinian Brodmann在1909年最早提出了布羅德曼分區(qū),成為沿用至今的最為流行的結(jié)構(gòu)分區(qū)方法[21]。參與人體下肢主動運動意圖的產(chǎn)生及運動控制的相關(guān)功能腦區(qū)包含:外界刺激信息處理相關(guān)腦區(qū)(視覺區(qū)、聽覺區(qū)等)、運動皮層區(qū)、前額葉皮層等。

腦電波(electroencephalogram,EEG)是一種使用電生理指標(biāo)記錄大腦活動的方法,可以反映大腦運行狀態(tài)和神經(jīng)細胞活動情況,由大腦活動時大量神經(jīng)元同步發(fā)生的突觸后電位經(jīng)總和后形成[22]。大腦活動時的電波變化,是腦神經(jīng)細胞的電生理活動在大腦皮層或頭皮表面的總體反映,記錄不同分區(qū)內(nèi)的腦電信號并對其分析可以獲得大量包含運動意圖在內(nèi)的生理、心理及病理信息。

2 下肢主動運動意圖虛擬誘導(dǎo)系統(tǒng)設(shè)計

2.1 基于虛擬誘導(dǎo)腦電信號的人機交互策略

虛擬誘導(dǎo)系統(tǒng)既要對患者發(fā)出誘導(dǎo)信息,又要接收患者實時狀態(tài)進行針對性的場景調(diào)整。基于虛擬誘導(dǎo)腦電信號的人機交互策略如圖2所示,在患者個人特質(zhì)基礎(chǔ)上設(shè)計開發(fā)虛擬仿真場景,患者佩戴虛擬現(xiàn)實設(shè)備并通過人體感知系統(tǒng)接收到誘導(dǎo)信息,產(chǎn)生運動意圖后由中樞神經(jīng)系統(tǒng)將信息逐層傳遞至相關(guān)肌肉、肌群,完成人體下肢運動,同時,系統(tǒng)對腦電信號解碼獲得患者運動意圖,并反饋于虛擬誘導(dǎo)系統(tǒng)使其進一步實現(xiàn)針對性誘導(dǎo)。

圖2 基于虛擬誘導(dǎo)腦電信號的人機交互策略 Fig.2 A human-computer interaction strategy based on virtually induced EEG signals

2.2 虛擬場景建模

虛擬場景包含虛擬人物模型和虛擬仿真環(huán)境模型,基于虛擬誘導(dǎo)患者運動意圖機理,在虛擬現(xiàn)實平臺上搭建的仿真場景應(yīng)接近現(xiàn)實環(huán)境以使受試者適應(yīng),并弱化無關(guān)因素的影響,突出誘導(dǎo)因素的作用,本文場景基于Unity3D編輯器實現(xiàn)。

虛擬人物模型在場景中起主要誘導(dǎo)作用,先建立人物仿真模型,導(dǎo)入3Ds Max中添加骨架如圖3a所示,然后為使患者的信息接收指向更明確,對誘導(dǎo)人物進行單獨動作的局部動畫編輯使動作更加精細如圖3b所示。此處采用數(shù)據(jù)干預(yù)與動畫相結(jié)合的方法,使虛擬誘導(dǎo)具有一定的個體差異適應(yīng)性。進一步,在編輯器中添加貼圖、渲染等使模型視覺效果逼真,添加Rigidbody 3D物理引擎以及材質(zhì)、動力學(xué)等信息,加入碰撞器防止虛擬對象在物理模擬過程中模型互相穿透。

(a)人體骨架仿真

虛擬仿真環(huán)境模型包含燈光、相機以及虛擬空間內(nèi)的其他內(nèi)容等,創(chuàng)建虛擬場景時將相機綁定至虛擬頭盔,光源設(shè)置為天空盒以產(chǎn)生自然光照的效果,使場景更加逼真。

2.3 虛擬誘導(dǎo)系統(tǒng)數(shù)據(jù)通信接口

虛擬誘導(dǎo)系統(tǒng)的數(shù)據(jù)通訊為多源數(shù)據(jù)的跨平臺通訊,故采用數(shù)據(jù)庫通訊方式以保證各數(shù)據(jù)的兼容性。在虛擬誘導(dǎo)場景中構(gòu)建Plugins插件,添加連接數(shù)據(jù)庫所需的動態(tài)鏈接庫,建立全局腳本并添加相應(yīng)的類,連接數(shù)據(jù)庫成功后基于Dataset數(shù)據(jù)集實現(xiàn)對指定數(shù)據(jù)讀取調(diào)用等。本文基于該接口實現(xiàn)虛擬誘導(dǎo)場景數(shù)據(jù)與腦電數(shù)據(jù)的同步打標(biāo),以及虛擬場景參數(shù)調(diào)整。

3 患者下肢運動意圖腦電精準(zhǔn)識別方法

3.1 基于CEEMDAN-ICA的腦電信號偽跡去除方法

經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition,EMD)是一種分析非線性系統(tǒng)非平穩(wěn)信號的時頻域信號處理方法,盡管克服了小波分析中基函數(shù)無自適應(yīng)性的問題,但仍存在“模態(tài)混疊”問題,在腦電信號偽跡去除中的效果較差。集合經(jīng)驗?zāi)B(tài)分解(ensemble empirical mode decom position,EEMD)利用白噪聲頻率均勻分布特性,在信號中多次加入白噪聲抑制端點效應(yīng)和模態(tài)混疊現(xiàn)象,然而EEMD分解后的各模態(tài)分量都不可避免的存在噪聲殘留[23]。自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)是對EMD方法的更進一步改進,克服了EEMD方法存在重構(gòu)誤差的問題。

設(shè)原始信號為s(t),ni(t)是第i次添加均值為0方差為1的白噪聲,σ為信噪比控制系數(shù)。采用CEEMDAN算法,構(gòu)造信號如下式所示

si(t)=s(t)+σni(t),i=1,2,…,N

(3)

(4)

(5)

式中,k=1,…,K-1。計算模態(tài)分量后對余量繼續(xù)分解,直至余量信號不可再分解時算法終止。

獨立成分分析(independent component analysis,ICA)是一種處理盲源分離問題的方法,通過觀測信號估計源信號。ICA模型可表示為

x=As

(6)

式中:x是觀測信號;s是源信號;A是混合矩陣。s、A均未知,ICA方法即為尋找混矩陣W的解

y=Wx=WAs

(7)

用ICA對經(jīng)CEEMDAN分解后形成的模態(tài)分量進行獨立成分分析,得到相應(yīng)的混合矩陣A和解混矩陣W,并通過模糊熵閾值判別式判斷獨立分量是否屬于偽跡成分。將偽跡成分置零,余下分量進行ICA逆變換,得到重構(gòu)EEG信號。

3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的運動意圖識別方法

EEG信號相對于其他生理信號微弱得多,盡管大腦在產(chǎn)生運動意圖時會伴隨有事件相關(guān)去同步化(event-related desynchronization,ERD)和事件相關(guān)同步化(event-related synchronization,ERS)的現(xiàn)象,但作為穩(wěn)定性差且易受干擾的信號,特征提取難度較大,基于特征的模式識別準(zhǔn)確率更低。深度學(xué)習(xí)是一種可以自學(xué)習(xí)數(shù)據(jù)特征的機器學(xué)習(xí)方法,在普通神經(jīng)網(wǎng)絡(luò)中增加了深度屬性,相較淺層網(wǎng)絡(luò),其對于EEG這種復(fù)雜信號的識別效果更好。

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)是具有深度結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)如圖4所示。卷積層在輸入數(shù)據(jù)中提取特征,池化層降低數(shù)據(jù)維度以減少計算量,各隱層交叉連接計算,全連接層輸出分類結(jié)果。與其他神經(jīng)網(wǎng)絡(luò)相比,CNN對于EEG信號這種樣本數(shù)量較少的輸入數(shù)據(jù)更容易培養(yǎng)出好的網(wǎng)絡(luò)模型。

圖4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 The structure of convolutional neural network

VGG-16是由University of Oxford的Visual Geometry團隊提出的深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò),其相關(guān)工作證明了增加網(wǎng)絡(luò)的深度能夠在一定程度上影響網(wǎng)絡(luò)最終的性能[24]。該網(wǎng)絡(luò)采用連續(xù)幾個小卷積核代替最初網(wǎng)絡(luò)中的較大卷積核,這樣可以在保證在相同感知野的條件下以多層非線性層增加網(wǎng)絡(luò)深度來保證學(xué)習(xí)更復(fù)雜的模式,并且參數(shù)更少[25]。本文基于上述網(wǎng)絡(luò)框架,有13個卷積層,5個池化層,3個全連接層,1個歸一化層,將輸入數(shù)據(jù)用“same”操作填充,保證卷積操作后輸入輸出大小相同,卷積核大小為3×3并使用tanh函數(shù)激活,池化層采用最大池化方法,步長為2×2。

4 實驗及結(jié)果分析

4.1 實驗平臺搭建

為驗證虛擬誘導(dǎo)系統(tǒng)的有效性,搭建實驗平臺如圖5所示。實驗平臺包含虛擬誘導(dǎo)模塊、腦電信號采集模塊和上位計算機,其中采用HTC VIVE Pro虛擬頭盔進行虛擬誘導(dǎo),采用Neuracle博?？档?2導(dǎo)腦電帽進行腦電信號的采集,其采樣頻率為1 000 Hz,上位計算機主要完成接收并存儲EEG信號,并利用MATLAB進行信號處理。

(a)實驗原理框圖

4.2 實驗設(shè)計與安排

為防止虛擬頭盔與腦電帽摩擦而產(chǎn)生信號干擾,本次實驗將佩戴虛擬頭盔改為手持,該實驗除下肢產(chǎn)生運動其余身體部分無任何運動,故手持頭盔不會對實驗結(jié)果產(chǎn)生影響,本實驗在國際10/20系統(tǒng)下腦電測點為FP1、FP2、FZ、F3、F4、F7、F8、FC1、FC2、FC5、FC6、CZ、C3、C4、T3、T4、A1、A2、CP1、CP2、CP5、CP6、PZ、P3、P4、T5、T6、PO3、PO4、OZ、O1和O2。

實驗選取6名在校大學(xué)生作為受試者(標(biāo)記為S1～S6),包含5名男性,1名女性,年齡在22～28歲之間,均無感覺運動缺陷或任何心理障礙史,實驗開始前與受試者簽訂了實驗知情同意書。

抬腿動作是下肢運動的重要基本動作,由于本實驗的受試者均為右利腳,故本實驗選擇抬右腿動作為下肢運動的起始動作進行研究。本次實驗為對照實驗,實驗組采用虛擬誘導(dǎo)系統(tǒng)引導(dǎo)受試者完成動作,對照組不使用虛擬誘導(dǎo)系統(tǒng)改為單音提示。實驗過程中受試者需始終保持自然站立狀態(tài),實驗開始后,受試者保持靜止5 s,然后根據(jù)提示完成動作,動作完成后休息5 s并為下次實驗做準(zhǔn)備,其時序圖如圖6所示。實驗每次采集9 000×32個樣本數(shù)據(jù)點,受試者需進行多次重復(fù)試驗,本文采集每位受試者的實驗組和對照組數(shù)據(jù)各50次。

圖6 實驗時序圖Fig.6 Experimental sequence diagram

虛擬場景的構(gòu)建如圖7所示,模擬光源為天空的顏色,并將場景相機綁定至虛擬頭盔,當(dāng)場景中的虛擬人物開始運動時,受試者跟隨其一起發(fā)生動作。

(a)虛擬誘導(dǎo)場景

4.3 數(shù)據(jù)處理與實驗結(jié)果分析

將采集的腦電數(shù)據(jù)降采樣到300 Hz,利用濾波器進行0.1～64 Hz的帶通濾波并去除趨勢項,然后進行基于CEEMDAN-ICA的腦電信號偽跡去除,之后對腦電信號數(shù)據(jù)進行時域和頻域分析。

代表性受試者S2和S3的腦電信號α波段(8 Hz～13 Hz)時域圖如圖8所示。

(a)S2受試者結(jié)果

為深入研究在α頻段所產(chǎn)生的ERD現(xiàn)象,計算6名受試者該頻段的平均功率值,對數(shù)處理后得到腦電能量隨頻率變化曲線圖如圖9所示。

由圖9可知:①不同受試者同一實驗條件下的頻域能量變化曲線趨勢是一致的;②從能量衰減的角度看,采用虛擬誘導(dǎo)系統(tǒng)后比不采用虛擬誘導(dǎo)系統(tǒng)能量衰減更多(p<0.05),該結(jié)果顯示出使用虛擬誘導(dǎo)系統(tǒng)后α頻段的去同步化更多,則表明受試者的注意力更為集中,大腦信息流向更加清晰,產(chǎn)生意圖的目標(biāo)指向性更強;③6名受試者使用虛擬誘導(dǎo)系統(tǒng)時均產(chǎn)生了一個明顯的特征頻率,表1所示為6名受試者使用虛擬誘導(dǎo)系統(tǒng)的α特征頻率。

(a)S1受試者結(jié)果

由表1統(tǒng)計結(jié)果看出,6名受試者腦電能量變化的峰值均在12 Hz附近,由于個體差異,其平均頻率為(12.074±0.254) Hz,該現(xiàn)象表明在α頻段,特別是頻率為12 Hz時的腦電信號,相較于不使用虛擬誘導(dǎo)系統(tǒng)特征頻率靈敏度更高,更進一步說明虛擬誘導(dǎo)系統(tǒng)不僅使受試者注意力集中,主動運動意圖增強,克服了傳統(tǒng)方法特征不明顯的問題,并且,該特征頻率的出現(xiàn)為下一步運動意圖的準(zhǔn)確識別奠定了基礎(chǔ)。

表1 受試者使用虛擬誘導(dǎo)系統(tǒng)的α特征頻率

進一步,采用基于VGG-16的卷積神經(jīng)網(wǎng)絡(luò)對受試者主動運動意圖進行識別,其統(tǒng)計結(jié)果如表2所示。

由表2可知,一般情況下靜息狀態(tài)的識別準(zhǔn)確率為70.17%,產(chǎn)生意圖的識別準(zhǔn)確率為71.67%,使用虛擬誘導(dǎo)系統(tǒng)后各受試者意圖識別準(zhǔn)確率有了明顯的提升,靜息狀態(tài)的識別準(zhǔn)確率達到80.5%,提高了10.33%,產(chǎn)生意圖的識別準(zhǔn)確率達到92.17%,提高了20.5%,維持在較高水平,驗證了虛擬誘導(dǎo)場景動態(tài)調(diào)整的有效性以及意圖識別方法的有效性。

5 結(jié) 論

本文針對下肢運動功能障礙患者康復(fù)過程中遇到的實際問題,根據(jù)患者意圖產(chǎn)生與感知機理,提出了虛擬誘導(dǎo)患者下肢主動運動意圖,搭建了虛擬場景并誘導(dǎo)患者產(chǎn)生強烈的主動運動意圖。對采集的腦電信號采用基于CEEMDAN-ICA的方法去除偽跡,并基于深度學(xué)習(xí)實現(xiàn)對患者運動意圖的感知。實驗結(jié)果表明:虛擬誘導(dǎo)系統(tǒng)能夠有效誘導(dǎo)患者產(chǎn)生運動意圖,誘導(dǎo)后的腦電信號較不使用虛擬誘導(dǎo)系統(tǒng)產(chǎn)生強烈的ERD現(xiàn)象,特征更明顯,使用虛擬誘導(dǎo)系統(tǒng)后受試者意圖識別準(zhǔn)確率維持在較高水平,驗證了虛擬誘導(dǎo)方法及意圖識別方法的有效性,同時也為下肢輔助行走外骨骼機器人的控制奠定了基礎(chǔ)。