摘要
脑机接口(BCI)技术能够将大脑与外界相连接，逐渐应用于医学领域的疾病治疗，而脑电处理算法实时性、准确性均有所不足。同时，随着上肢康复训练需求的提升，经典运动想象范式主要包含四肢和舌头的训练，导致无法针对特定关节进行训练。患者进行长时间的经典运动想象范式训练时，注意力会持续降低，使得训练质量下降。虚拟现实(VR)技术具有高沉浸感的特点，能够改善训练环境。因此，设计针对于上肢各关节精细运动想象的实验范式，研究脑电解码的鲁棒算法，开发结合VR技术的在线上肢康复训练系统具有重要的研究意义。 首先，设计了一种针对单侧上肢肩关节、肘关节的精细运动想象范式，并采集了 20例健康人的脑电数据。其次，提出了结合共空间模式(CSP)和改进多尺度排列熵(IMPE)的多域特征融合算法，将CSP、IMPE特征矩阵以矩阵拼接的方式进行融合，得到多域融合特征;然后，使用树(Tree)、线性判别分析(LDA)、朴素贝叶斯(Naive Bayes)、支持向量机(SVM)、K最近邻(KNN)、集成学习(Ensemble)六种传统分类器对CSP、IMPE和多域融合特征分类，并与时频共空间模式(CTFSP)算法进行对比。最后，设计研制在线上肢康复训练系统。利用Unity 3D,设计三种针对上肢肩、肘、腕关节的上肢康复VR游戏;使用深度学习EEGnet模型，构建在线脑电处理模块;利用TCP/IP协议将在线脑电处理模块与VR游戏相连接。 实验结果表明:20名健康人的CSP、IMPE和多域融合特征在六种传统分类器中，最高分类精度分别为98.3％、67.5％、99.2％。多域融合特征分类平均精度为90.415％,CTFSP算法特征分类平均精度为89.89％,发现本文所提出的多域特征融合算法比CTFSP分类精度高0.53％。选取10名健康被试先进行VR游戏离线训练，建立EEGnet离线特征分类模型，再进行在线上肢康复VR游戏训练，得到最高73％的分类精度。 本文设计的面向基于上肢康复的VR-BCI训练系统包含离线训练模块和在线训练模块，满足了上肢运动功能康复的多样化需求，实现了上肢康复的在线化，为上肢康复提供了新思路。
NETL