一种智能化脑损伤患者手功能康复训练设备

具体实施方式

康复机械手模块

在手功能障碍者在各种肌无力的状态下，康复机械手应当能够辅助手进行抓握和伸展的动作。通过对于各种方案比较，本发明采用结构简单的气缸结构，设计了康复机械手的固定框架，通过气缸的伸缩推拉手指而实现本模块所需要的功能。

手部力信号实时检测MEMS多传感器阵列及其排布方式与封装

本发明引入等级助力补偿理念，在手部布置传感器阵列，以检测手部的运动和力的信息，是实现自适应方式、分级地为患者手功能训练提供外部补偿助力的关键所在。本发明根据实验提出依据神经-肌肉传导理论和手多关节精细的运动域，进行MEMS柔性传感器阵列的最佳空间布局和集成构架方案设计，实现高测量精度、具“夹层”结构的传感器阵列的制作。

在手部布有两种传感器，一种是薄膜压力柔性MEMS传感器及传感器阵列，此种传感器宽量程、高灵敏度、高精度、响应速度快，不仅具有普通阵列式传感器的优点，还具有良好的柔韧性，可以自由弯曲甚至折叠，在不改变患者活动和用力方式的前提下，实时检测手部与康复机械手之间作用力的大小。另外一种是芬兰VTI公司SCA61T-FA1H1G芯片的单轴角度传感器，在手的自由度方向可检测手部的运动位置，为患者神经-肌肉功能状态的评价以及分级助力或阻力反馈控制提供依据。

脑电信号采集、处理模块

本模块是“自主智能控制”的重要核心，也是实现“主动康复”理念的中心环节。引入患者主动运动意念的参与，实时、在体、在线采集脑损伤患者的脑电，提取运动想象的特征信息，作为康复训练的控制信号，用自发脑电信号中的运动意识信息控制康复系统中机械手的运动，不仅有助于肢体神经-肌肉系统的功能恢复，而且有助于脑损伤患者大脑神经功能及其相对应的神经传导通路的功能恢复。

本模块首先利用多个头皮电极用于脑电信号采集，采样频率是128Hz，并将采集的脑电信号进行提取、放大和滤波处理，放大的信号通过12位A/D转换成数字信号后，进行脑电信号预处理、特征提取、与分类。

由于脑损伤患者功能区会发生代偿移位等现象，本装置应用共同空间模式的预处理技术，实现对于脑损伤患者最佳电极位置的选择，以及完成各种伪差信号、噪声的在线降噪处理。通过研究脑-机接口技术和信号处理技术，在线BCI系统中，使用AR模型提取特定频段的频谱特征，然后用线性分类器直接做分类，分类效果好且稳定，适合应用于在线BCI系统且容易实现。所以本发明采用AR模型作为运动想象脑电信号的特征提取方法，Fisher判别式作为分类方法，实现对手部运动意识任务的在线识别，分类精度＞90％。

基于多源信息融合的控制模块

反馈控制电路进行脑电、力信号特征等的多源信息融合，完成基于脑电、压力的康复机械手运动的主动控制，以及基于手部力信号的助力或阻力大小的自适应调节控制。

本发明的软件由以下模块构成；

人-机控制显示界面不但可以向医生和患者实时、动态地显示定量肌力信息、监测训练结果，而且还可由用户自行设定训练时机械手所提供的力量等级，使其在微处理器的控制下可自动调节外部助力或阻力的强度大小。

管理模块，用于对训练进程和受试者信息进行管理，包括训练者信息的创建、查询、修改、删除，以及训练方案的选择，设置反馈训练方案所要求的指标和形式以及资料的存储；

数据库，用于存储训练方案、训练者的信息及其训练的过程存储；

反馈训练模块，该模块中可以由用户自行设定训练时机械手所提供的助力或阻力等级，使其在微处理器的控制下可自动调节助力或阻力的强度大小；

显示模块，由结果打印、脑电显示、脑电分析、肌力显示、肌力分析五部分组成，用于实时监测与显示患者的康复训练状态。

本发明系统的总体设计技术路线图如图1所示，以自发脑电和手部用力信号的实时监测为基础，以自发脑电中手部运动意识特征信息的在线提取与识别技术、手部力信号的检测与分析技术、以及融合多源信息的自适应控制技术为核心，以包含微型薄膜压力传感器单元和分级外部助力/阻力单元在内的机械手为检测和执行模块，构成基于脑-机接口、融合多源信息的自主智能手康复系统。本发明将依据“主动康复”的先进理念，完成一种由患者自发脑电参与控制的、能依据患者肌无力状态、以自适应方式、分等级地提供外部力量的手部康复医疗辅助训练装置。

系统的硬件与软件构成如下：

系统的硬件构成

手功能康复训练设备系统硬件框图见图2。本发明按任务可以划分为是由三个模块，分别是启动模块、反馈控制模块和人机界面。

启动模块包括三道电集帽、前置脑电放大采集板和下位机DSP信号处理部分组成，负责提取人手运动的主动意识，提供手功能康复训练设备的启动信号。患者佩戴三道脑电采集帽，提取出头部C3、C4和Cz的脑电信号，再将uV级别的脑电信号，经过自制的脑电采集板放大一万倍，送入下位机。在下位机中，脑电信号去噪后，做任务意识分类，可以得到人的主动运动意念，此时手功能康复训练设备得到运动启动信号。

反馈控制模块包括手部机械装置、手部MEMS柔性传感器阵列和下位机反馈控制部分组成。负责依据患者肌无力状态、以自适应方式、分等级地提供外部助力。在得到启动信号后，依据手部的传感器阵列，得到手部实时的运动和力的状态，根据不同的康复模式，控制手部提供助力的大小变化。同时将传感器阵列采集到的信号传输到上位机，作为康复评价的依据。

人机界面是显示在装有手功能康复训练设备软件的PC机上，将下位机传输来的脑电及传感器信号处理后，向医生和患者实时、动态地显示定量肌力信息、监测训练结果，而且还可由用户自行设定训练时机械手所提供的力量等级，使其在微处理器的控制下可自动调节外部助力或阻力的强度大小。实时显示康复训练效果及所提供的外部力量信息，不仅为医生制定康复训练计划提供依据，而且为患者主动意念参与肢体康复训练提供激励源。引入基于虚拟环境技术的实时视觉反馈训练，推出脑部训练与肢体训练结合临床干预模式，设计手功能康复训练指导界面。显示手运动功能状态信息，为临床康复诊疗提供客观、量化的评定方法及指标

1.1康复机械手机械设计及其动力模块

根据产品预期功能和指标进行机械结构的设计，为了达到手功能障碍者在各种肌无力的状态下，能够辅助手做出一些简单的伸张和回握的动作，采用了汽缸控制的方案。由于中风病人手部长期不能运动，手部可能产生一定的畸变，采用结构简单的汽缸结构，通过汽缸的伸缩推拉手指而实现我们需要的功能。

如图3所示，康复机械手模块包括上端带有滑槽7的主体机械框架1，在该主体机械框架1的滑槽7内固定有手腕支架板8，在主机机械框架1的下端两侧对称固定有带有导向槽3的安装板9，在安装板9的导向槽3内安装有横梁2，横梁2的两端分别与弹簧5相连，弹簧5的另一端固定在主体机械框架1的滑槽7内，与下位机DSP相连的汽缸4的输出端与横梁2相连。

手套的手指连接在横梁上，横梁的阶梯孔是为了固定绑手套的粘布，用螺钉压紧粘布。横梁两端在导向槽内活动，弹簧一段连接弹簧横梁连接点连接，另一端连接螺栓安装槽。在横梁中间有连接汽缸的连接点，汽缸做伸缩运动，提供手功能康复训练设备的动力。

弹簧选拉力弹簧(拉力小于250牛，大径小于15毫米，拉伸长度80毫米左右)，另外为达到更好的康复效果可选不同拉力的几款弹簧互换，左右对称。整个手掌距离底平面小于100毫米，因此只要放置位置合适，坐卧都可使用。但是弹簧在运动中与槽接触会发出轻微的声音。整个装置模仿人手的抓放运动，主要根据弹簧提供的弹力做被动抗阻力运动，以达到更好的康复效果。

1.2康复机械手气动动力模块分级助力或阻力的提供和机械手的可控性实现。具体气动回路如图9所示。康复机械手模块的汽缸4采用医用静音空压机作为气压源，提供0-0.8Mpa的气压，在气缸4与气压源之间的管路上安装有单向阀、储气罐、过滤器、空气干燥润滑器、电气比例阀和三位五通阀，其中电气比例阀与下位机DSP相连。

采用医用静音空压机作为气压源，提供0-0.8Mpa的气压，经过稳压，除尘除油以后，提供给汽缸。三位五通阀控制气体流动路径，实现汽缸的运动方向的控制。当提供高电位电压时，气缸前推，手部做伸展运动；当提供低电位电压时，气缸后缩，手部做蜷缩。电气比例阀可根据电压的变化线性地控制气压变化，0-10V的电压对应0.005-0.5Mpa的气压，可分级地控制外部助力的大小。所有的气功控制元件采购自SMC公司。

康复机械手应当能够辅助手进行抓握和伸展的动作。通过对于各种方案比较，本发明采用气缸结构，由控制推拉手指而实现功能。

1.3MEMS多传感器阵列及其排布方式与封装

手指压力信号通过薄片式压力传感器提取，前期通过多次试验标定得到准确的手指压力与手握力对应关系，DSP A/D采样模块读取信号通过处理计算得到手部握力值，通过串口传入上位机进行进一步处理与信号显示。

本发明引入等级助力补偿理念，在手部布置传感器阵列，以检测手部的运动和力的信息，是实现自适应方式、分级地为患者手功能训练提供外部补偿助力的关键所在。本发明根据实验提出依据神经-肌肉传导理论和手多关节精细的运动域，进行MEMS柔性传感器阵列的最佳空间布局和集成构架方案设计，实现高测量精度、具“夹层”结构的传感器阵列的制作。

在手部布有两种传感器，一种是薄膜压力柔性MEMS传感器及传感器阵列，此种传感器宽量程、高灵敏度、高精度、响应速度快，不仅具有普通阵列式传感器的优点，还具有良好的柔韧性，可以自由弯曲甚至折叠，在不改变患者活动和用力方式的前提下，实时检测手部与康复机械手之间作用力的大小。另外一种是芬兰VTI公司SCA61T-FA1H1G芯片的单轴角度传感器，在手的自由度方向可检测手部的运动位置，为患者神经-肌肉功能状态的评价以及分级助力或阻力反馈控制提供依据。

压力传感器采用压阻式传感器FSR(Force Sensing Resistor)，薄片式，尺寸小(长38.1mm，传感器有效测试部分直径7.6mm)，灵敏度较高，线性度好，如图4所示电阻在压力大于100g时基本呈线性关系，压力测试范围为0-10Kg。将传感器封装在指套内，指套固定于康复机械手上，保证了传感器与手指的良好接触与测试的准确性。压力传感器所受压力与输出的关系如图5所示。

利用角度传感器测量指关节角度变化来判断手部运动情况。角度传感器采用芬兰VTI公司SCA61T-FA1H1G芯片的单轴角度传感器，0-5v模拟信号接口，测量量程为±90°，电压：输出工作方式。压力传感器尺寸为10.48mm*11.31mm*5.08mm。

如图6所示安装位置与传感器电压输出关系当传感器水平时输出电压为2.5V，倾角发生变化输出电压会产生相应线性变化。本系统将角度传感器合理固定于手功能康复训练设备上，根据输出电压值确定指关节角度变化进而判断手部运动情况。当手部握紧或握力不足时，手部停止运动，压力传感器输出电压值保持不变，以此鉴定手功能康复情况。

通过实验，根据被测试者的手部抓握比较，并结合自我测评。确定静态抓握时手掌受影响最大的5个区域。这5个区域集中在中指浅屈肌、拇短屈肌、拇收肌、小指短屈肌等几个部位。根据实验结果，5个区域中1点、2点和3点区域压力最为明显，5点区域压力次之，而4点区域压力最低。手背有三个区域力受影响最大，如图7所示。

选取这8个区域作为测试点，利用传感器提取压力值，通过计算得到压力的电压输出信号，以此反映静态抓握时的手部握力大小。握力大小与肌力信号有着密切关系，当握力增大时，肌力的电信号幅度与频率均会增加。传感器的实物位置排布如图8所示。

将压力传感器封装贴合在柔性手套中，各传感器的位置对应于上面的8个区域集中点，手套可采用弹性可伸缩运动手套，材质主要为：聚酯纤维、尼龙、莱卡，手套设计为双层，将传感器封装固定在夹层中间，外层使用聚酯纤维防磨、耐用，内层为尼龙、莱卡，与手接触柔软、弹性好并且透气，实验被测人员带上测量手套，并将手套固定于放入康复训练机械装置的横梁上，实验提取手部压力电信号以及前臂肌力信号，判定手部康复情况。

1.4脑电信号提取模块

如图10是脑电采集系统的总体结构图。

由于3导脑电就能提取与治疗相关的信息，所以该采集系统有三个通路，分别用于放大3导的脑电信号。采集系统在构成上分为模拟和数字两个部分。(1)模拟部分主要实现脑电信号的放大以及阻抗检测；(2)数字部分主要实现信号的AD转换，信号的预处理并传给上位PC机。由于脑电是十分微弱的信号(uV级别)，因而对外界的干扰十分敏感；而数字部分因为其频率高，会产生很多干扰。为了去除这个干扰，有必要将数字和模拟电路部分隔离。隔离分为两个部分，一是电源的隔离(即数字和模拟部分是不共地的)，通过隔离电源模块实现；二是信号的隔离，通过光电耦合实现。

由于脑电的幅值在10-100uV之间，所以要显示脑电波形，需要将其放大1万倍左右。这么大的放大倍数显然不可能一次实现，因此采用逐次放大的方式。该系统中我们采用三级放大，设计的放大倍数是1万倍。其中前置放大为25倍左右，二级放大为40倍左右，三级放大为10倍左右。由于电极极化电压、运放失调电压以及其他一些直流因素的影响，进行大倍数放大时会使运放饱和，信号在进入DSP中时腰经过保护电路，最后放大后的脑电通过光电隔离电路送至DSP进行A/D转换，其采样率为128Hz，采样精度为12位。

整个系统采用USB供电，因而方便安全。USB能够提供5V电压和500mA的电流，总功率为2.5W，完全能够满足系统的功耗要求。

实现脑电放大的主要困难在于高增益放大的同时去除各种干扰，即保证良好的信噪比；而前置级放大是实现这个目的的核心部分。

1.5多路信号处理模块

信号处理模块是由TI公司的基于TMS320C2xx内核的定点数字信号处理器TMS320F2812DSP及其外围电路实现。模拟信号虽然在进入数字处理模块前经过了模拟滤波处理，去除了工频干扰，但是通过放大器10000倍的放大，由A/D采集进来的信号还有存在一些干扰并存在一些生理伪差(例如：心电、眼电、肌电等等)。为了减少在反馈过程中出现错误判断，需要对采集的信号进行预处理。在DSP内部，我们对信号进行了0-30Hz的低通滤波，进一步去除了工频和其他信号的干扰。经过处理的信号通过AR模型方法进行分类处理，可获得人主动运动的意愿，作为康复训练仪的启动信号。

在获得启动信号后，采集机械手上的力与位移传感器的信号，可判断手部力和运动信息，根据需要提供所需助力或阻力。

软件构成

基于运动想象脑电的手功能康复训练设备的软件主要实现了脑电的采集和处理、脑电的动态显示、特征值提取、Fisher线性分类、肌力的动态显示以及肌力反馈康复训练模块，具体流程见图11。DSP上电后，与上位机通过串口通信，获得用户的各种信息，设置康复模式，初始化完毕后，AD开始工作，采集脑电信，做预处理后，传给上位机，在上位机做任务分类后，如获得启动信号，则进入预设的康复模式，然后AD采集传感器阵列的值，处理后作为反馈，自适应地控制气动回路的气压，从而控制外界助力的大小。同时将各种数据传输给上位机，知道此次运动到终点，开始洗一次循环，判断脑电，做分类。

2.1DSP中的软件部分

在DSP中主要实现通信功能，数据采集处理功能和反馈控制功能三大块的内容。

2.1.1串口(SCI)数据通信模块

通过与上位机的通信完成用户特征及参数的传输，训练模式的选择，以及脑电和压力传感器信号的传输，以便在上位机建立用户数据库。数据的传输主要由F2812的SCI模块完成，其将ADC采样模块采集的压力传感器数据上传给PC机显示，以供医生实时监测患者康复状况，同时对手部康复状态进行微量化检测。

F2812与PC机的数据传输依靠RS-232接口，这是由电子工业协会(Electronic Industries Association，EIA)所制定的异步传输标准接口。通常RS-232接口以9个引脚(DB-9)或是25个引脚(DB-25)的型态出现，一般个人计算机上会有两组RS-232接口，分别称为COM1和COM2。

串口通信采用的波特率为9600，无校验位，8位数据位，1位停止位，与DSP SCI模块设置的数据格式相同。接收区数据为DSP传输来的6个ADC通道的采样值。其中第一个通道(ADCINA0)接入2Hz的正弦波，第二个通道(ADCINA1)接地，剩余通道悬空，采样值随机。

2.1.2数据采集和D/A电压输出模块

脑电和压力传感器数值的采样工作主要由ADC采样模块完成。脑电信号的数据采集模块主要是由数据采集子线程完成，采样频率是128Hz，脑电信号实时预处理模块对采集到上位机的数字信号做进一步的预处理处理，消除在传输过程中所产生的干扰。

传感器设定每0.1秒采样一次，即采样率设为10Hz。F2812有3个CPU定时器，可以用来方便地实现定时采样。

F2812的AD采样模块具有12位的精度，也就是说误差应该可以减小到0.1％，但实际上其AD的采样值与理论值具有较大的误差，最大可达9％。这显然不能满足精确测量的要求，但通过添加校准电路及在采样程序上进行改进，可以控制转换结果误差在0.1％左右，从而满足设计要求。

2.1.3自适应地分级助力的提供

D/A是负责将数字信号转化成模拟信号，外接电器比例阀。实时采集手部MEMS柔性传感器信号，判断手部的力与位移特征信息，自适应的提供是人手能够运动的最小助力和最大阻力。

如图12所示，为助力康复模式和阻力康复模式下的子程序流程图。在助力康复模式下，首先初始化，传感器调零，读取角度传感器的值，做均值处理，如果发现1s内，传感器的值未变化，即手部静止，则自动按照设定级数增大D/A输出电压ΔV，从而输出气压增大ΔP，助力增大ΔF，接着循环进入下一次的传感器值的判断，进入下一次循环，直到能够产生手部动作，运动到终点，循环结束。

阻力模式正好相反，读取角度传感器的值，做均值处理，如果发现1s内，传感器的值未变化，即手部静止，则自动按照设定级数减小D/A输出电压ΔV，从而输出气压减小ΔP，阻力减小ΔF，接着循环进入下一次的传感器值的判断，进入下一次循环，直到能够产生手部动作，运动到终点，循环结束。

此种方式，没有统一的手部能运动力的标准，因为人手能运动需要的力是因人而异的，此种方法始终在寻找，手部刚好能运动的那个点，让患者始终能够尽自己最大的努力，达到最大的康复训练效果。

2.2上位机中的软件部分

2.2.1开发平台和开发工具

操作系统：Windows XP

开发平台：Microsoft Visual Studio.NET 2008

开发语言：C#

数据库：Microsoft SQL Server 2005

如图13，软件登陆界面，包括数据库管理，特征值提取与处理等，登陆模块用于保证用户数据的安全性。

上位机中的软件部分主要由以下模块构成：

2.2.2脑电信号特征提取与分类模块

对脑电信号的特征提取使用基于burg算法的自回归模型，简称AR(auto-regressive)模型。

不论x(n)是确定性信号还是随机信号，输入u(n)和输出x(n)总有如下的关系：

$x\left(n\right)=-\underset{k=1}{\overset{p}{\Sigma }}{a}_{k}x(n-k)+\underset{k=0}{\overset{q}{\Sigma }}{b}_{k}u(n-k)---\left(1\right)$

即

$x\left(n\right)=\underset{k=0}{\overset{\infty }{\Sigma }}h\left(k\right)u(n-k)---\left(2\right)$

其中h(k)是u(n)激励产生信号x(n)的系统传递函数。a_k与b_k为对应项的系数。

对上两式两边分别取Z变换，并假定b₀＝1，可得其传递函数为：

$H\left(z\right)=\frac{X\left(z\right)}{U\left(z\right)}=\frac{1+\underset{k=1}{\overset{q}{\Sigma }}{b}_k{z}^{-k}}{1+\underset{k=1}{\overset{p}{\Sigma }}{a}_k{z}^{-k}}=\frac{B\left(z\right)}{A\left(z\right)}---\left(3\right)$

其中X(z)、U(z)分别为x(n)、u(n)的Z域表达形式，而

假定u(n)是一个均值为零，方差为σ²的白噪声序列，由随机信号通过线性系统的理论，令上式中z＝e^jw即傅里叶变换可知，输出序列x(n)的功率谱为：

$P_x\left(e^{\mathrm{jw}}\right)=\frac{{\sigma }^{2}B\left(e^{\mathrm{jw}}\right)B^{*}\left(e^{\mathrm{jw}}\right)}{A\left(e^{\mathrm{jw}}\right)A^{*}\left(e^{\mathrm{jw}}\right)}=\frac{{\sigma }^2{\left|B\left(e^{\mathrm{jw}}\right)\right|}^2}{{\left|A\left(e^{\mathrm{jw}}\right)\right|}^2}---\left(4\right)$

其中σ²为白噪声u(n)的方差，B^*(e^jw)、A^*(e^jw)分别表示B(e^jw)、A(e^jw)的共轭。B(e^jw)、A(e^jw)表示B(e^jw)、A(e^jw)的模。

如果激励白噪声的方差σ²，及模型的参数a₁，a₂，…，a_p，b₁，b₂，…，b_q已知，那么由上式可以计算出输出序列x(n)的功率谱。在式(1)中，如果b₁，b₂，…，b_q全为零，则信号、传递函数、功率谱，即式(1)、(3)、(4)分别可写成：

$x\left(n\right)=-\underset{k=1}{\overset{p}{\Sigma }}{a}_{k}x(n-k)+u\left(n\right)---\left(5\right)$

$H\left(z\right)=\frac{1}{A\left(z\right)}=\frac{1}{1+\underset{k=1}{\overset{p}{\Sigma }}{a}_k{z}^{-k}}---\left(6\right)$

$P_x\left(e^{\mathrm{jw}}\right)==\frac{{\sigma }^2}{{|1+\underset{k=1}{\overset{p}{\Sigma }}{a}_k{e}^{-\mathrm{jwk}}|}^2}---\left(7\right)$

式(5)、(6)、(7)给出的模型称为自回归模型。其中p为模型的阶数，a为AR模型系数，我们选择p＝6，所以该模型中包含6个待定的系数a₁，a₂......a₆，该组系数由burg算法递推给出。Burg算法的递推步骤如下(其中m表示AR模型阶数)：

1)由初始条件m＝1，再由(8)式求出【(其中，f表示前向预测，b标示后向预测)】

${\hat{k}}_m=\frac{-2\underset{n=m}{\overset{N-1}{\Sigma }}{e}_{m-1}^f\left(n\right)e_{m-1}^{b^{*}}(n-1)}{\underset{n=m}{\overset{N-1}{\Sigma }}{\left|e_{m-1}^f\left(n\right)\right|}^2+\underset{n=m}{\overset{N-1}{\Sigma }}{\left|e_{m-1}^b(n-1)\right|}^2},m=\mathrm{1,2},...,p---\left(8\right)$

其中e_m(n)表示根据n时刻外推m时间的预测值，上标f表示向前预测，b表示向后预测。

2)由初始条件得m＝1【求】时e₁^f(n)、e₁^b(n)、k₁以及此时的AR参数估计值

3)由和(9)，(10)式分别求得m＝2时的再由(8)式估计

$e_m^f\left(n\right)=e_{m-1}^f\left(n\right)+k_m{e}_{m-1}^b(n-1),m=\mathrm{1,2},...,p---\left(9\right)$

$e_m^b\left(n\right)=e_{m-1}^b(n-1)+k_m^{*}{e}_{m-1}^f\left(n\right),m=\mathrm{1,2},...,p---\left(10\right)$

4)按照(11a)、(11b)及(12)式的【Levinson】递推关系，求出m＝2时的及

${\hat{a}}_m\left(k\right)={\hat{a}}_{m-1}\left(k\right)+{\hat{k}}_m{\hat{a}}_{m-1}^{*}(m-k),k=\mathrm{1,2},...,m-1---\left(11a\right)$

${\hat{a}}_m\left(m\right)={\hat{k}}_m,k=m---\left(11b\right)$

${\hat{\rho }}_m=(1-{\left|{\hat{k}}_m\right|}^2){\hat{\rho }}_{m-1}---\left(12\right)$

5)重复上述过程，直到m＝p，即可求出p阶AR模型的参数【求出了所有阶次时的AR参数】。

每个导联可以计算得到6个参数，由于系统同时采集三导脑电，程序需要并行处理三导脑电信号，共计得到18个参数，所以表征每个时段的脑电信号特征就是一个十八维的向量a＝(a₁，a₂，......a₁₈)。

脑电特征的分类包括两个步骤，即训练过程和使用过程。在接下来的过程中，用x＝(x₁，x₂，......，x₁₈)代替a＝(a₁，a₂，......a₁₈)，训练过程和使用过程分别说明如下：

1)训练过程

训练过程的主要目的是确定特定患者的分类权向量和分类阈值。

在训练过程中，计算机调用图形提示界面，如图14所示，随机给出“左”、“右”、“加号”等提示图像，患者要做出“动左手”、“动右手”、“放松”等运动想象，同时利用多线程技术接收脑电信号。训练过程结束后，对得到的脑电信号进行处理。

对提示图形的要求为：提示图形等时间间隔随机出现，总提示次数为4*N，“左”、“右”、“加号”出现次数分别为N，N，2*N。我们选择N＝30，即总的提示图形为120幅，“左”、“右”、“加号”分别为30，30，60；

数据过程为：将三导脑电信号并行分为等长度的120段，对每一段进行特征值提取，得到120个形式为x＝(x₁，x₂，......，x₁₈)的特征向量，将对应“左”、“右”提示图形得到的特征向量分为一组，共计60个，将对应“加号”提示图形的特征向量分为一组，共计60个，利用这两组特征值进行Fisher分类，得到分类权向量a＝(a₁，a₂，......a₁₈)和分类阈值。将分类权向量和分类阈值存入数据库，以备调用。

2)使用过程

使用过程中，需要对脑电信号进行实时处理，每采集5秒的数据，进行一次特征值提取，得到特征向量x＝(x₁，x₂，......，x₁₈)，调用该用户在训练过程中得到分类权向量a＝(a₁，a₂，......a₁₈)，计算下式

y＝a^Tx＝a₁x₁+a₂x₂+......+a₁₈x₁₈

通过该值与分类阈值的大小比较，即可得出“动”与“不动”的分类结果。

图14，训练提示界面，该界面中需要输入图片时间间隔，设置好换帧时间，点击“开始”之后，进入全屏模式，屏幕中间会随机出现提示画面，提示用户进行相关的运动想象。软件同时记录提示图形的顺序，用于样本分类；利用多线程接收脑电信号并存盘，训练过程结束后自动调用脑电信号进行特征值提取和分类，并将得到分类权向量和分类阈值存入数据库。

2.2.3反馈训练模块

该模块根据患者的肌无力状态，用于根据训练者选定的方案对训练者进行主动恢复训练。针对不同损伤程度的患者，我们可以给康复仪设置不同的康复模式，助力模式和阻力模式(流程图如图12所示)。助力模式主要针对0-3级的肌无力，患者完全的肌无力或只能进行无负载的轻微运动。阻力模式针对已经4级以上的肌无力状态，主要帮助恢复手部肌肉力量。

在助力模式下，实时采集手部MEMS柔性传感器信号，判断手部的力与位移特征信息，自适应的提供是人手能够运动的最小助力。如果发现手部未运动，则自动按照设定级数增大助力，知道能够产生手部动作。阻力模式正好相反，如按照传感器信号，发现手部无法动作，则逐步减小外部阻力，直到能够动作，此时提供的是人手能够动作的最大阻力。

反馈训练可以最大程度地调动患者的主动参与性，有助于患者神经通路的再次建立和肌肉恢复。手部和气缸的部位放置力传感器和位移传感器，实时地获取手部主动参与的力量及手部运动的状态。根据不同情况，提供分级，可调节手部运动，使之获得相应的助力或阻力。

2.2.4脑电、肌力显示

脑电显示是做出接受反馈训练的患者的动态脑电图，是将接受训练者的脑电信号波形动态实时地显示在显示器上，本系统实现了脑电图动态无笔描记。

肌力信息的采集与处理主要是提供用户的手功能状况信息，这些信息可以用于手功能康复训练方案的设计，同时也可以作为训练方案效果的评价参数。

如图16，镜像神经元系统不只在动作执行时被激活，当一个人观察另一个人完成同样的动作或是自己想象该动作时也会被激活。在该界面中，如果选择“运动想象任务”模式，右上角的手模型会根据脑电特征信号的分类进行运动或停止；如果选择“运动观察任务”模式，手模型会根据预先设定的程序完成一系列的收缩和伸展运动。所以，脑卒中患者通过想象和观察动作时镜像神经元系统就可以被激活，从而起到恢复运动功能缺损的作用。界面中包括脑电信号显示界面三个，肌电信号显示界面一个，手部压力信号显示界面一个；控制信息面板可以进行任务选择，信号显示界面的选择；状态信号显示选定脑电信号的各波段能量值。

2.2.5数据库模块

首先，用户需要输入基本信息，如编号、姓名、性别、年龄、接受训练的方案、接受训练的次数、联系地址等。然后，医生指导用户接受康复训练前的脑电信号训练过程，训练过程中，用户需要根据提示完成相应的运动想象任务，系统实时接收由DSP芯片传输的脑电信号，进行特征提取，得到分类的参数，将该用户的分类数据存入数据库；在康复训练过程中，使用数据库中已储存的脑电信号训练参数，对用户的运动想象脑电信息进行实时的特征提取和分类，输出分类结果，驱动手部的运动，同时接收康复机械手上的微力传感器信号，测量手部肌力，实时传输给主机，用于康复方案的确定与实时力的提供。

数据库模块存储用户基本信息、脑电特征值、分类参数、微力信息、反馈训练信息等，通过对病例管理模块和反馈治疗模块中所需数据的结构化创建、存取和查询，实现病例系统的统一、高效的管理，便于设计较为完善的康复训练方案和进行手功能康复状况的评估。

如图15，数据库管理模块，用于管理患者的基本信息、脑电信息、肌电信息和肌力信息等，输入用户账号或者姓名即可查看该用户的相关信息。可以将脑电分类权向量和与之传递给DSP，用于运动想象脑电的分类；可以将肌电和肌力信息调出，用于康复方案设计和康复评估。

2.2.6康复评估和趣味化游戏模块

握力的评估是肌肉功能定量较普通的测量之一。对于急性中风患者，可记录握力的恢复，是最初上肢恢复和准确预测将来功能恢复的敏感的评价之一。它也说明对中风的上肢运动功能损伤，使用握力测量是较好的评价。用握力评价慢性中风患者的“信度”“效度”和“敏感性”，以及握力与影响上肢功能损伤关系的资料都已得到证实。我们同样以健肢的最大自主握力作为对比。

在反馈训练环节，利用小游戏增强训练的趣味性。如图17所示，该游戏为钓鱼小游戏，界面上方有等级选择按钮，选择不同等级的鱼，代表不同的阻力信息。游戏开始后，主窗口会给出鱼儿上钩的信息，提示用户开始用力，左上角的手模型也会根据用户的给力程度进行变化。界面右侧的信息窗口分为游戏信息和康复信息，康复信息窗口包括阻力信息，肌力信息，助力信息，手部压力信息等，并对康复情况进行评级。该界面既能增加康复训练的趣味性，有能对康复训练进行合理的指导。