技术领域
本发明属于医疗器械技术领域，尤其涉及一种智能型瘫痪病人辅助康复系统。
背景技术
正常人控制肢体运动的途径为；“大脑——中枢神经系统——外周神经系统——骨骼肌——肢体运动”。而对于瘫痪病人，其中枢神经系统受到损伤，大脑的动作指令无法通过正常的体内通路传达到肌肉，从而丧失了对肢体的控制能力。目前对瘫痪病人的康复治疗主要采用按摩，针灸，电刺激等传统的方法。这些方法在延缓病人残肢肌肉萎缩，辅助康复方面起到了一定的积极作用，但是这些方法治疗流程较长，成本较高，疗效也不是很好，更不能使患者残肢完成其原有的特定动作。
综上所述，现有技术存在的问题是：目前对瘫痪病人的康复治疗存在治疗流程较长，成本较高，疗效也不是很好，更不能使患者残肢完成其原有的特定动作。
发明内容
针对现有技术存在的问题，本发明提供了一种智能型瘫痪病人辅助康复系统。
本发明是这样实现的，一种智能型瘫痪病人辅助康复系统，所述智能型瘫痪病人辅助康复系统包括：
信号采集模块，用于采集瘫痪病人的脑电信号；
步骤一，采集n位实验者想象两类不用运动的EEG信号，分别求得每位实验者的训练数据的协方差；
步骤二，引入正则化参数α和β，在正则化参数的作用下，将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合，构造两类不同运动想象空间滤波器，保留滤波后的训练数据，提取两类特征最大化的向量，构造学习字典；具体包括：
分别求出主试者的A类和B类训练样本的协方差矩阵之和RA与RB，所有次试者A类和B类训练样本的协方差矩阵之和与构造两类平均正则化协方差矩阵，公式如下：
其中，N为采集通道数，I为n阶单位阵，tr为矩阵的迹，即：矩阵的所有主对角线上的元素之和；
对正则化协方差矩阵之和进行特征值分解，求得白化矩阵P：
其中，为Z的特征值对角矩阵，为对应的特征向量矩阵；
对所得Z进行如下变换：
其中，Λ为特征值对角矩阵，U为对应的特征向量矩阵，选取对角阵Λ中最大特征值对应的特征向量，构造空间滤波器如下：
W＝UT·P；
将训练样本的两类EEG信号XA和XB经过相应的滤波器WA、WB，有：
FA＝WAT·XA
FB＝WBT·XB；
再经过傅里叶变换，求取频率在8-15Hz的功率谱密度值，作为稀疏表征的学习字典B＝[FA FB]；
步骤三，输入测试运动想象数据，按照步骤二进行空间滤波，并保留滤波后的测试数据；
步骤四，运用信号的稀疏表征方法，对测试运动想象数据进行识别，确定测试样本所属的类别；包括以下步骤：
按下式求解测试样本的稀疏表示向量：
其中，x为待求解的测试运动想象样本的稀疏表示向量，y为待求解的测试运动想象样本数据，ε为误差阈值，B为由两类特征向量构成的学习字典；
针对每一次运动想象i，根据测试样本的稀疏表示向量计算残差
其中是由稀疏表示向量得到的新向量，在该向量中，第i类运动想象所对应的元素项与稀疏表示向量中相应的元素项相同，其他元素项均为零；
用残差最小的类别作为最终的运动想象类别的识别结果：是测试样本数据；
预处理模块，与信号采集模块USB连接，用于对采集的脑电信号进行滤波、除燥预处理；
控制器，与预处理模块USB连接，用于对预处理的脑电信号进行分析、模数转换等操作；
存储模块，与控制器USB连接，用于实现控制器处理脑电信号的存储，便于医生查看回复治疗效果；
电刺激模块，与控制器USB连接，用于将脑电信号作用于人体的瘫痪的神经元；
反馈模块，与电刺激模块USB连接，用于反馈神经元的生物性反映，便于对治疗效果做出评估。
进一步，所述控制器对跳频混合信号时频域矩阵进行预处理，具体包括如下两步：
第一步，对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；
第二步，找出p时刻(p＝0，1，2，…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p，q)＝[b1(p，q)，b2(p，q)，…，bM(p，q)]T，其中
本发明的优点及积极效果为：可以自动分析瘫痪病人的运动意愿，让患者自主地控制自己地残肢运动，恢复自主运动能力，进而恢复对外界环境的控制能力；同时，通过自主的恢复性运动训练，神经冲动上传到患者的受损的神经部位，使得患者得受损神经系统也得到了相应锻炼的效果，加速患者受损神经系统的康复与体内神经系统的重建，从而从根本上治疗瘫痪病人得运动障碍。
附图说明
图1是本发明实施例提供的智能型瘫痪病人辅助康复系统结构示意图；
图中：1、信号采集模块；2、预处理模块；3、控制器；4、存储模块；5、电刺激模块；6、反馈模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的智能型瘫痪病人辅助康复系统包括：信号采集模块1、预处理模块2、控制器3、存储模块4、电刺激模块5、反馈模块6。
信号采集模块1，用于采集瘫痪病人的脑电信号；
预处理模块2，与信号采集模块1USB连接，用于对采集的脑电信号进行滤波、除燥预处理；
控制器3，与预处理模块2USB连接，用于对预处理的脑电信号进行分析、模数转换等操作；
存储模块4，与控制器3USB连接，用于实现控制器3处理脑电信号的存储，便于医生查看回复治疗效果；
电刺激模块5，与控制器3USB连接，用于将脑电信号作用于人体的瘫痪的神经元；
反馈模块6，与电刺激模块5USB连接，用于反馈神经元的生物性反映，便于对治疗效果做出评估。
所述信号采集模块的脑袋呢信号处理方法包括：
步骤一，采集n位实验者想象两类不用运动的EEG信号，分别求得每位实验者的训练数据的协方差；
步骤二，引入正则化参数α和β，在正则化参数的作用下，将主试者的协方差矩阵之和与次试者的协方差矩阵之和相结合，构造两类不同运动想象空间滤波器，保留滤波后的训练数据，提取两类特征最大化的向量，构造学习字典；具体包括：
分别求出主试者的A类和B类训练样本的协方差矩阵之和RA与RB，所有次试者A类和B类训练样本的协方差矩阵之和与构造两类平均正则化协方差矩阵，公式如下：
其中，N为采集通道数，I为n阶单位阵，tr为矩阵的迹，即：矩阵的所有主对角线上的元素之和；
对正则化协方差矩阵之和进行特征值分解，求得白化矩阵P：
其中，为Z的特征值对角矩阵，为对应的特征向量矩阵；
对所得Z进行如下变换：
其中，Λ为特征值对角矩阵，U为对应的特征向量矩阵，选取对角阵Λ中最大特征值对应的特征向量，构造空间滤波器如下：
W＝UT·P；
将训练样本的两类EEG信号XA和XB经过相应的滤波器WA、WB，有：
FA＝WAT·XA
FB＝WBT·XB；
再经过傅里叶变换，求取频率在8-15Hz的功率谱密度值，作为稀疏表征的学习字典B＝[FA FB]；
步骤三，输入测试运动想象数据，按照步骤二进行空间滤波，并保留滤波后的测试数据；
步骤四，运用信号的稀疏表征方法，对测试运动想象数据进行识别，确定测试样本所属的类别；包括以下步骤：
按下式求解测试样本的稀疏表示向量：
其中，x为待求解的测试运动想象样本的稀疏表示向量，y为待求解的测试运动想象样本数据，ε为误差阈值，B为由两类特征向量构成的学习字典；
针对每一次运动想象i，根据测试样本的稀疏表示向量计算残差
其中是由稀疏表示向量得到的新向量，在该向量中，第i类运动想象所对应的元素项与稀疏表示向量中相应的元素项相同，其他元素项均为零；
用残差最小的类别作为最终的运动想象类别的识别结果：是测试样本数据；
所述控制器对跳频混合信号时频域矩阵进行预处理，具体包括如下两步：
第一步，对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；
第二步，找出p时刻(p＝0，1，2，…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p，q)＝[b1(p，q)，b2(p，q)，…，bM(p，q)]T，其中
本发明的工作原理：
信号采集模块采集瘫痪病人的脑电信号；预处理模块对采集的脑电信号进行滤波、除燥预处理；控制器对预处理的脑电信号进行分析、模数转换等操作；存储模块实现控制器处理脑电信号的存储，便于医生查看回复治疗效果；电刺激模块将脑电信号作用于人体的瘫痪的神经元；反馈模块反馈神经元的生物性反映，便于对治疗效果做出评估。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。