(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211161519.9 (22)申请日 2022.09.23 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市钱塘新区白杨 街道2号大街1 158号 (72)发明人 林虎　孙曜　 (51)Int.Cl. A61B 5/372(2021.01) A61B 5/375(2021.01) A61B 5/386(2021.01) A61B 5/00(2006.01) G16H 50/20(2018.01) G16H 50/70(2018.01) G06N 20/00(2019.01) (54)发明名称 一种面向肢体瘫痪患者的云上脑波分析方 法及系统 (57)摘要 本公开了一种面向肢体瘫痪患者的云上康 复训练方法， 包括如下步骤： S1、 获取患者脑电信 号； S2、 服务端接收脑电信号并预处理； S3、 虚拟 仿真， 在系统中实时传 送对应动作的画面； S4、 根 据仿真结果对患者身体水平以及以往训练结果 进行数据分析， 并最终反馈出一份动态更新的训 练计划， 同时， 将训练结果实时传输至医生端， 医 生也会根据结果提出合理的康复训练意见。 该方 法用以解决现有技术中瘫痪患者因自身条件及 财力人力等原因得不到持续性康复训练而难以 达到最佳康复效果的问题， 给 予患者在家便可训 练的便利性并针对不同患者对于视觉想象康复 训练的需求， 给予患者基于强化学习的模式识别 和数据分析的训练计划和远程视觉引导想象训 练服务。 权利要求书3页 说明书10页 附图2页 CN 115500845 A 2022.12.23 CN 115500845 A 1.一种面向肢体瘫 痪患者的云上脑波分析 方法， 其特 征在于， 包括如下步骤： S1、 获取患者脑电信号 S1‑1、 通过脑电采集帽采集患者的脑电信号； S1‑2、 将采集的脑电信号 通过一用户端经物联网发送至服 务端； S2、 服务端接收脑电信号并预处 理 S2‑1、 服务端接收到脑电信号后通过脑电信号 放大器进行放大处 理； S2‑2、 通过PN N数据模型对脑电信号进行模式识别并建立训练集； S2‑3、 通过训练集以及后续采集的生物电信号对PN N数据模型进行增强学习； S3、 虚拟仿真， 在系统中实时传送对应动作的画面； S4、 根据仿真结果对患者身体水平以及以往训练结果进行数据分析， 并最终反馈出一 份动态更新的训练计划。 2.根据权利要求1所述的面向肢体瘫痪患 者的云上脑波分析方法， 其特征在于， 所述步 骤S1‑1中， 脑电采集帽所采集的是患者在康复训练状态下的脑电信号。 3.根据权利要求2所述的面向肢体瘫痪患 者的云上脑波分析方法， 其特征在于， 所述脑 电采集帽采集的是C 3、 Cz、 C4三个通道的脑电数据。 4.根据权利要求1所述的面向肢体瘫痪患 者的云上脑波分析方法， 其特征在于， 所述步 骤S2‑2中， 通过PNN数据模型对放大后的脑电信号根据患者的不同生物电信号进行模式识 别， 最终得到反应患者的身体水平的脑电信号。 5.根据权利要求3所述的面向肢体瘫痪患 者的云上脑波分析方法， 其特征在于， 所述步 骤S2‑3中增强学习的方法如下： 首先利用模糊C均 值聚类算法将数据集Ω分成H个聚类， 第h(h＝1， …， H)个聚类拥有一 个聚类中心vh， 对于训练样本w∈Ω， FCM通过隶属度uh(w)表示w属于第 h个聚类的程度， FCM 寻找聚类中心J的目标函数如下： 其中， τ 为FC M的模糊度参数， 用来调整隶属度值的权 重, FCM寻找聚类中心的迭代公式如下： 之后生成PN N分类器。 6.根据权利要求5所述的面向肢体瘫痪患者的云上脑波分析方法， 其特征在于， 所述 PNN分类器包括输入层、 模式层、 加 和层和决策层， 其分类方法如下：权　利　要　求　书 1/3 页 2 CN 115500845 A 2(1)在输入层读取未知类别但已进行模式识别后的脑电信号， 即信号向量2 ‑范数为1， 并将其向下传递； (2)模式层具有与脑电信号的样本相同数量的模式神经元， 每个神经元属于一个模式 类别， 假设训练集中有Km个m(m＝1， …， M)类别的神经元， 令wm,k表示第k个m类的训练样本， 对wm,k进行标准化处理后， 每个模式神经 元对于输入x的输出ym,k可由下述公式给 出： 其中， σm,k表示PNN中模式神经 元的平滑参数； (3)加和层神经元数量与分类类别数量相同， 第m个加和神经元的输入为所有属于第m 类模式神经 元的输出ym,k， 具体输出公式如下： 其中， L表示输入样本和训练样本维数， zm表示第m类在特 征空间的一个非参数估计； (4)决策层只包含一个决策神经元， 输入为所有加和神经元的输出， 决策神经元负责确 定输入样本x的所属类别,具体输出公式如下： 其中， pm为第m类出现的先验概 率。 7.根据权利要求6所述的面向肢体瘫痪患者的云上脑波分析方法， 其特征在于， 所述 PNN分类器的训练方法如下： (1)若为首次训练， 便利用随机生成的初始条件执行模糊C均值聚类算法， 在进行连续 地分裂和融合机制后， 根据获得的聚类中心建立 一个新的PN N分类器； (2)若不是 首次训练， 则进行训练数据集的划分： 若标签为已有脑电信号的特征向量， 便利用已有聚类作为初始条件执行模糊C均值聚 类算法， 在进行连续地分裂和融合机制后， 更新PNN分类器中已有神经元从而提高识别精 度； 若标签为新增脑电信号的特征向量， 同样利用已有聚类作为初始条件执行模糊C均值 聚类算法， 在 进行连续地分裂和融合机制后， 在已有PNN分类器中增加新的神经元从而增加 新的分类 类别； 在经历上述 流程后， 输出 经过训练的PN N分类器。 8.根据权利要求7所述的面向肢体瘫痪患 者的云上脑波分析方法， 其特征在于， 所述分 裂和融合机制指可调节模糊聚类算法中的聚类分裂和融合机制， 可调节模糊聚类算法基于 FCM算法所获得 的聚类， 再对每个训练样本进行去聚类化以得到去聚类化 ”量 也即动态 的调整聚类数量和聚类中心， 使得构造误差 足够小， 其中权　利　要　求　书 2/3 页 3 CN 115500845 A 3