IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

一种脑肢融合的神经康复训练在线评价与调整方法

已有 1963 次阅读 2022-4-28 10:00 |系统分类:博客资讯

用本文


舒智林, 李思宜, 于宁波, 朱志中, 巫嘉陵, 韩建达. 一种脑肢融合的神经康复训练在线评价与调整方法. 自动化学报, 2022, 48(5): 1209−1219 doi: 10.16383/j.aas.c200452

Shu Zhi-Lin, Li Si-Yi, Yu Ning-Bo, Zhu Zhi-Zhong, Wu Jia-Ling, Han Jian-Da. A brain-limb fusion approach to online assessment and adjustment of rehabilitation trainings. Acta Automatica Sinica, 2022, 48(5): 1209−1219 doi: 10.16383/j.aas.c200452

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200452?viewType=HTML


文章简介


关键词


神经康复训练, 脑肢融合, 量化评价, 在线调整, 神经参与度


摘   要


在神经康复训练中, 保持患者积极主动参与、提供适配其运动能力的训练难度, 对于取得良好的康复效果至关重要. 针对患者在长期康复训练过程中容易懈怠甚至出现惰性效应、运动能力有波动等挑战, 系统提出了一种脑肢融合的神经康复训练在线评价与调整方法. 首先, 从脑、肢体以及训练任务三个层面, 基于脑电信号(Electroenc ephalo graphy, EEG)、肢体运动数据和任务评分, 建立了对患者神经参与程度、运动控制能力和任务完成情况的量化评价方法. 进而, 在任务操作难度、辅助或干扰力场以及视觉辅助等方面, 设计了康复训练任务内和任务间的在线调整方法. 通过一个针对手功能康复的灵巧操作任务, 实现了基于所提出的脑肢融合在线评价与调整方法的闭环神经康复训练. 开展实验, 招募16名受试者参加, 对比分析开环训练和闭环训练两种情况下的实验结果, 验证了所提出方法的可行性和有效性. 该工作可推广应用到脑功能障碍患者的运动康复训练, 进一步提高康复效果.


引   言


“脑卒中”又称“中风”, 是脑部血管破裂或因血管阻塞导致血液不能流入大脑而引起脑组织损伤的疾病, 发病率高、复发率高、死亡率高、致残率高. 我国脑卒中患者数量众多, 而且近年来随着人口老龄化在快速增加. 2011年《中国脑卒中康复治疗指南》估计我国每年新发脑卒中200万例, 2017年北京天坛医院的流行病学调查估计我国每年新发病例达240万, 是致残的首要疾病之一. 由于康复资源受限、后期康复不力等原因, 我国的脑卒中致残比例远高于发达国家, 60% ~ 70%的患者会产生运动功能障碍, 带来沉重的家庭、社会和经济负担. 基于神经系统可塑性, 康复训练可以帮助病人部分甚至全部恢复曾经丧失的功能, 这已经被循证医学和神经科学研究所证实. 机器人技术进入康复领域, 通过末端牵引式、外骨骼式等本体系统, 示教式和“按需辅助”等康复方法, 为患者提供高强度、可重复、可量化的康复训练, 已经成为神经康复的重要力量.


在脑卒中患者康复训练中, 保持患者积极主动参与、提供适配其运动能力的训练难度, 对于取得良好的康复效果至关重要. 但是, 病人的神经康复过程具有动态性的特点, 即使在同一阶段其运动控制能力也会出现波动. 而且, 康复训练过程一般较长, 患者容易懈怠甚至出现惰性效应, 这已经成为抑制临床康复效果的瓶颈因素. 特别是康复机器人依照“按需辅助”适应性算法为患者提供帮助的情况, 虽然可以帮助患者完成更多的重复性训练, 但患者的主动参与程度却可能会降低, 因为“按需辅助”适应性算法无法准确区分患者究竟是运动能力较弱还是主动参与程度降低. 因此, 如何检测并量化患者的状态和表现、确定其实际的辅助康复需求, 进而实现对训练任务的在线调整, 就成为当前神经康复的一个关键问题.


在当前的研究中已经有国内外学者针对这一问题进行了探索. 瑞士苏黎世联邦理工学院Metiger等设计了基于任务完成情况对训练任务难度进行调整的方案, 可以使患者的训练表现维持在一定区间. 美国南加州大学Choi等在6种抓取任务的基础上, 根据受试者完成前一个任务的表现来调整当前任务难度, 并针对5位中轻度脑卒中患者开展了可行性实验. 清华大学和荷兰代尔夫特大学Li等设计了一个对运动控制、感知、认知和情绪等方面主动参与水平进行监测的系统. 中科院自动化研究所Wang等通过面部表情和肌肉疲劳度来检测心理和生理状态并对训练任务进行调整. 南京邮电大学Xu等基于面部肌电、心电、皮肤电传导和呼吸等情绪生理响应, 设计分类器, 对受试者执行任务时的情绪进行识别, 并根据其焦虑程度对任务难度进行调节. 但是, 在目前研究中的康复训练任务尚没有将受试者的脑激活情况与肢体运动情况进行综合考虑, 没有建立系统的在线调整策略.


上肢远端腕手的灵巧操作需要神经系统的精细运动控制能力和感知运动协调能力, 这是康复训练的重点和难点. 在执行运动控制任务时, 视觉和触觉等信息通过神经通路传递到大脑. 中枢神经系统将信息进行综合、处理并发送运动控制命令, 从而以最小的误差、最优的努力, 高质量完成任务. 脑电(Electroenc ephalo graphy, EEG)检测以时间分辨率高和采集设备便携易用等优点, 已经被广泛应用于神经系统活动的分析, 可以通过EEG信号来分析人在任务执行过程中的大脑活动, 获得其神经参与程度. 另一方面, 归一化急动度和任务评分的指标能够客观评价患者在康复训练中的肢体运动控制能力和任务完成情况.


在本文工作中, 我们设计上肢灵巧操作任务. 从神经参与程度、运动控制能力和任务完成情况三个方面对受试者的状态和表现进行在线量化评价, 进而基于评价结果, 在任务级和任务内两个层次对任务操作难度、辅助或干扰力场以及视觉辅助等参数进行在线调整, 从而为提升神经康复训练效果提供了一种脑肢融合的解决方案.


10.16383-j.aas.c200452-Figure1.jpg

图 1  系统整体设计示意图


10.16383-j.aas.c200452-Figure2.jpg

图 2  操作任务虚拟场景和辅助视窗


作者简介


舒智林

南开大学人工智能学院博士研究生. 主要研究方向为上肢神经康复, 脑功能网络.

E-mail: shuzhilin2017@outlook.com


李思宜

南开大学人工智能学院硕士研究生. 主要研究方向为康复和辅助机器人.

E-mail: lisiyitt@outlook.com


于宁波

南开大学人工智能学院教授. 主要研究方向为医疗康复机器人, 医疗人工智能. 本文通信作者.

E-mail: nyu@nankai.edu.cn


朱志中

天津市环湖医院康复医学科副主任医师. 主要研究方向为脑血管病和帕金森病的康复治疗及评估.

E-mail: zhu36121209@sina.com


巫嘉陵

天津市环湖医院神经内科和康复医学科主任医师. 主要研究方向为人工智能在神经系统疾病上的应用.

E-mail: wywjl2009@hotmail.com


韩建达

南开大学杰出教授. 主要研究方向为机器人自主行为与人机协作/共融方法, 医疗康复机器人, 地面移动及飞行机器人技术与系统.

E-mail: hanjianda@nankai.edu.cn


相关文章


[1]  姚军财, 申静, 黄陈蓉. 基于多层BP神经网络的无参考视频质量客观评价. 自动化学报, 2022, 48(2): 594-607. doi: 10.16383/j.aas.c190539

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190539?viewType=HTML


[2]  刘进博, 朱新新, 伍越, 杨凯, 陈卫. 基于神经网络和支持矢量机的多机动车车牌在线检测方法. 自动化学报, 2021, 47(2): 316-326. doi: 10.16383/j.aas.c180753

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180753?viewType=HTML


[3]  左国玉, 徐兆坤, 卢佳豪, 龚道雄. 基于结构优化的DDAG-SVM上肢康复训练动作识别方法. 自动化学报, 2020, 46(3): 549-561. doi: 10.16383/j.aas.c170724

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c170724?viewType=HTML


[4]  蒙西, 乔俊飞, 韩红桂. 基于类脑模块化神经网络的污水处理过程关键出水参数软测量. 自动化学报, 2019, 45(5): 906-919. doi: 10.16383/j.aas.2018.c170497

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170497?viewType=HTML


[5]  饶川, 陈靓影, 徐如意, 刘乐元. 一种基于动态量化编码的深度神经网络压缩方法. 自动化学报, 2019, 45(10): 1960-1968. doi: 10.16383/j.aas.c180554

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180554?viewType=HTML


[6]  蒋栋年, 李炜, 王君, 孙晓静. 基于故障可诊断性量化评价的传感器优化配置方法研究. 自动化学报, 2018, 44(6): 1128-1137. doi: 10.16383/j.aas.2017.c160776

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160776?viewType=HTML


[7]  符方舟, 王大轶, 李文博. 复杂动态系统的实际非完全失效故障的可诊断性评估. 自动化学报, 2017, 43(11): 1941-1949. doi: 10.16383/j.aas.2017.c160393

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160393?viewType=HTML


[8]  王朝云, 蒋刚毅, 郁梅, 陈芬. 基于流形特征相似度的感知图像质量评价. 自动化学报, 2016, 42(7): 1113-1124. doi: 10.16383/j.aas.2016.c150559

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2016.c150559?viewType=HTML


[9]  于宁波, 杨卓, 孙玉波, 邹武林, 王喆. 一种面向步态和平衡康复训练的单绳悬吊主动减重系统设计与控制方法研究. 自动化学报, 2016, 42(12): 1819-1831. doi: 10.16383/j.aas.2016.c160215

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2016.c160215?viewType=HTML


[10]  李文博, 王大轶, 刘成瑞. 动态系统实际故障可诊断性的量化评价研究. 自动化学报, 2015, 41(3): 497-507. doi: 10.16383/j.aas.2015.c140428

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2015.c140428?viewType=HTML


[11]  徐小良, 汤显峰, 葛泉波, 管冰蕾. 基于量化新息的容积粒子滤波融合目标跟踪算法. 自动化学报, 2014, 40(9): 1867-1874. doi: 10.3724/SP.J.1004.2014.01867

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2014.01867?viewType=HTML


[12]  王行愚, 金晶, 张宇, 王蓓. 脑控: 基于脑——机接口的人机融合控制. 自动化学报, 2013, 39(3): 208-221. doi: 10.3724/SP.J.1004.2013.00208

http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2013.00208?viewType=HTML


[13]  郝红卫, 蒋蓉蓉. 基于最近邻规则的神经网络训练样本选择方法. 自动化学报, 2007, 33(12): 1247-1251. doi: 10.1360/aas-007-1247

http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-1247?viewType=HTML


[14]  王四春, 张泰山, 殷志云, 张楚文. GP算法中适应度函数的光滑拟合与调整参数方法研究. 自动化学报, 2006, 32(3): 393-399.

http://www.aas.net.cn/cn/article/id/15825?viewType=HTML


[15]  张志华, 郑南宁, 张淮峰, 于海霞. 熵约束广义学习矢量量化神经网络和软竞争学习算法. 自动化学报, 2002, 28(2): 244-250.

http://www.aas.net.cn/cn/article/id/16412?viewType=HTML


[16]  席裕庚, 谷寒雨. 有约束多目标多自由度优化的可行性分析及软约束调整. 自动化学报, 1998, 24(6): 727-732.

http://www.aas.net.cn/cn/article/id/16794?viewType=HTML


[17]  韦巍. 一种回归神经网络的快速在线学习算法. 自动化学报, 1998, 24(5): 616-621.

http://www.aas.net.cn/cn/article/id/16819?viewType=HTML


[18]  汪镭, 周国兴, 吴启迪. 基于人工神经网络在线参数跟踪的自适应交流传动系统. 自动化学报, 1997, 23(4): 543-546.

http://www.aas.net.cn/cn/article/id/16982?viewType=HTML


[19]  史忠科. 非线性规划U-D分解方法及其在神经网络训练中的应用. 自动化学报, 1995, 21(6): 734-738.

http://www.aas.net.cn/cn/article/id/17218?viewType=HTML


[20]  张承福, 赵刚. 联想记忆神经网络的训练. 自动化学报, 1995, 21(6): 641-648.

http://www.aas.net.cn/cn/article/id/17205?viewType=HTML




https://blog.sciencenet.cn/blog-3291369-1336000.html

上一篇:基于自适应LASSO先验的稀疏贝叶斯学习算法
下一篇:结合语义和多层特征融合的行人检测
收藏 IP: 103.254.68.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-3-29 00:21

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部