第一章 绪论
脑是由神经细胞组成的神经系统控制中心，是感情、思考、生命得以维持的中枢。脑中风也叫脑卒中，是由于脑部供血液受阻而迅速发展的脑功能损失。它是以猝然昏倒，不省人事，伴发口角歪斜、语言不利而出现半身不遂为主要症状的一类疾病。由于本病发病率高、死亡率高、致残率高、复发率高以及并发症多的特点，所以医学界把它同冠心病、癌症并列为威胁人类健康的三大疾病之一 。传动康复治疗对受损大脑皮质的重建以及外部肢体和大脑之间的功能控制连接修复相对有限，这使得患者虽然进行了较长的康复治疗但效果却不够理想。
脑机接口（brain-compter interface,BCI），有时也称作direct neural interface或者brain machine interface，它是在人或动物脑（或者脑细胞的培养物）与外部设备间建立的直接连接通路。这样一来，可以不依赖于人的周围神经系统和肌肉而控制这些外部设备。运动想象EEG信号是当前流行的脑机接口沟通方式。将基于运动想象的BCI-FES康复训练系统应用于脑中风患者的康复训练一种非常有前途的新运动功能康复训练方式，该方法提供了一种有效地重建运动想象与肢体运动之间的通路的手段。康复训练过程中，脑机接口系统能根据患者运动想象给予对应肢体功能性电刺激（FES）从而有效的帮助患者建立运动想象和外部肢体之间的联系。
本章首先介绍本论文研究课题的背景以及意义，接着阐述了大脑的结构与特点、脑电信号的产生、脑电信号特性与分类等问题。然后介绍了当今世界上比较著名的BCI系统与康复领域相关工作进展，并提出了本论文的研究内容和研究目的。在本章最后，罗列了本论文的组织安排，简单地描述了各章节所述的内容。
..................................
1.1 研究课题的背景以及意义
脑机接口（Brain-Computer Interface，BCI）技术是一种涉及脑科学、信号处理、模式识别、生物信息学、计算机科学等众多学科的综合性交叉科学。在BCI应用方面，最直接的就是在解决肢体残障方面的应用。很多残疾人几乎丧失了所有肌肉活动能力，他们没办法通过传统的肢体辅助设备与外界交互，帮助这些患者控制外部设备重获运动能力具有重大意义。
一般而言，脑卒中幸存者存留的运动功能障碍高达 80% 以上。运动功能障碍者肢体肌肉力量下降，如何增强肌力始终是一个康复治疗的重要问题。
传统的方法是：当肌力≥3 级时可采用主动式渐进抗阻训练，但是当肌力在≤2级时，由于微弱肌力无法对抗阻力，故无法应用主动抗阻训练。因此，对肌力≤2 级的患者，最常采用的康复治疗方法是低频电刺激疗法，即使用属于被动型电刺激治疗仪，缺少主动训练，肌力训练效果不佳。在治疗脑卒中患者时，还会因为中枢失调控，当主动收缩肌肉时，极易引发拮抗肌的痉挛，可能导致肌力训练的失败。
BCI技术实现了大脑与外部设备之间直接连接的通道，以便人类能够直接用自己的思维来完成外部设备的控制。BCI技术可以应用在脑卒中后脑运动功能重建，帮助实现肢体功能的康复。即利用想象运动训练大脑感觉运动区域的神经元细胞，使得神经元细胞连接重组或代偿形成新的网络链接，恢复原来受损的运动功能，是目前国际上的研究热点。
............................
第二章 脑电模式识别基础
支持向量机已经成为一种倍受关注的分类技术。这种工具具有坚实的统计学理论基础，并且在许多实际应用（如手写数字的识别，分本分类和人脸识别）展示了大有可为的实践效用。此模式分类则采用了支持向量机算法。脑电中信号源和噪声源都有明显的空间分布特性。提高信噪比的一种常用有效方法是共同空间特征法滤波 (Common Spatial Patterns, CSP)。
2.1 公共空间模式特征提取算法
CSP 算法通过计算空间滤波来检测事件相关去同步现象 (ERD)。CSP 能够找到最大化其中一类数据方差而同时最小化另外一类数据方差的空间过滤方向。大方差反映了较强的节律信号，而小方差反映了较弱的节律信号。
设原始数据为N×T的矩阵E，其中N为空间导联数目也就是采集电极数，T是每次任务中的采样点数，则可得到标准的空间协方差为：其中W−1中的列向量就叫做公共空间模式CSP并且可以认为是时不变EEG源空间分布向量,W−1则叫做 CSP 矩阵。
其中I是单位对角矩阵。因为两类的特征值之和恒为1，对应Sl的大特征值的特征向量也就是对应Sr的小特征值特征向量，反之亦然。
这个性质使得可以利用特征向量B来区分两个类别。有因为特征值矩阵对角元素是递减排列，所以特征矩阵B中的第一个和最后一个特征向量是区分两类任务的最佳特征向量，第二个和倒数第二个特征向量是次最佳的特征向量，依此类推。
................................
2.2 支持向量机
SVM可以很好的应用于高维数据，避免维灾难问题。这种方式有一个独特的特点，他使用训练实例的一个子集表示决策边界，称作支持向量（supportvector）。支持向量机属于一般化线性分类器。他们也可以认为是提克洛夫规范化（Tikhonov Regularization）方法的一个特例。这族分类器的特点是它能够同时最小化经验误差与最大化几何边缘区。因此支持向量机也被称为最大边缘区分类器。
2.2.1 线性可分情况
一个线性 SVM 是这样一个分类器，他寻找具有最大边缘的超平面，因此它也经常被称为最大边缘分类器（maximal margin classifier）。由于目标函数是二次的，而约束参数w和b是线性的，因此这个问题是一个凸（convex）优化问题，可以通过标准的拉格朗日乘子（LagrangeMultiplier）方法解决。改写目标函数，该优化的拉格朗日算子：其中参数λi为拉格朗日乘子。拉格朗日算子中的一项与原目标函数相同，而第二项则捕获不等式约束条件。
其中b可以通过求解支持向量方程2–21得到。由于λi是通过数值计算得到的，因此可能存在数值误差，计算出的b值不唯一，这依赖于公式2–21中使用的支持向量。实际中，使用b的平均值作为决策边界参数。
其中C和k使用户指定的参数，表示对误分训练实例的惩罚。为了简化该问题，本节剩余部分假设 k=1.参数 C 可以更具模型在确认集上的性能选择。
它与线性可分数据上的对偶拉格朗日算子相同（参见公式2–19）。类似的，可将乘子带入公式2–31和KKT 条件中，从而得到边界决策参数。
2.3 本章小结
本章介绍了脑电信号特征提取与模式分类算法。临床实验中特征提取使用了共同空间模式算法，模式分类使用了支持向量机。本章介绍了这两种算法的基础知识。
...............................
第三章 康复系统与实验设计.................................17
3.1 BCI 康复系统...................................................17
3.1.1 训练范式...................................................... 19
3.1.2 脑机接口系统框架........................................21
3.1.3 数据可视化.....................................................23
3.1.4 虚拟康复环境................................................23
3.1.5 FES 反馈刺激...............................................28
3.1.6 康复训练系统操作界面...............................30
3.2 实验设置........................................................... 31
3.2.1 入选标准..........................................................31
3.2.2 实验设置........................................................33
3.3 本章小结.........................................................34
第四章 康复系统算法设计.....................................35
4.1 迭代方法..........................................................35
4.2 频率优选方法.................................................. 37
4.2.1 脑中风患者的 CSP 特征表征......................37
4.2.2 算法设计......................................................... 38
4.2.3 算法性能........................................................40
4.2.4 实验结果分析............................................... 41
4.3 本章小结.......................................................... 43
................................
第五章 康复数据分析
我们采集了10个脑中风患者的脑电信号，其中总共7名患者依从性良好，包括2个右肢瘫痪，5个左肢瘫痪。由于病例数目有限，没有EEG信号的对照组。在两个月的康复训练者会后，五名患者有了显著的恢复，其余两名没有显著的改善。我们猜测这可能与这两名患者脑中风超过八个月有关。另外有7名患者被选入作为常规康复训练的对照组。
5.1 临床指标对比
为了评估 FES-BCI 康复训练系统对受脑中风影响的肢体康复恢复改善的情况，我们针对每个患者进行了：Fugl-Meyer Motor Assessment(FMA)，ActionResearch Arm Test ( ARAT )。FMA 的规模等级为0-66，测量运动功能障碍对上肢和手的影响。ARAT 被用于评估脑中风患者的上下肢的功能限制。每个患者每周都会由华山医院派遣的同一个经过专业训练的独立研究人员进行相关指标的评估。
图5–1的临床指标上看到，使用 BCI-FES 康复训练的系统的实验组患者恢复情况优于对照组。结果在一定程度上证明了 BCI-FES 康复训练系统的可行性。
5.2 康复数据分析与挖掘
临床测试中，我们收集了海量数据，其分析过程实质上是一个大数据的挖掘过程。为了能够揭示机理，本文首先采用可视化手段分析，分析单个患者的康复数据，通过图表发现一些中分病人数据特点，然后再有针对性的深入分析。
5.2.1 康复训练效果
通过对比不同时间段的 ERSP 图，可以看出ERD现象是否有所增强，从而观察到康复训练情况是否改善。展示了第5天和第48天的数据ERD现象。红色表示较高能量，而蓝色部分代表较低能量。从图中我们可以看出，随着康复训练的进行ERD间隔增长，去同步现象明显，呈现较强的ERD现象。Alpha 频带的ERD现象在康复训练后48天比康复训练后5天有了明显的突出，表现为频带能量的降低。可以看出经过我们系统平台训练后，频谱能量的表征更接近于正常人的频谱能量表征。这暗示训练和康复过程效果良好。
..........................
总结
随着社会的发展，物质生活越来越丰富，同时也增加了心脑血管疾病的患者数量。脑溢血、脑血栓患者抢救治疗后很多都留下了运动功能障碍，另外车祸和意外事件也往往容易导致运动功能的部分或者全部丧失，给家庭和社会造成巨大的压力。大部分脑中风治疗后会有运动功能障碍遗留，部分瘫痪或者全部瘫痪，给患者造成生活障碍。另外外伤性脑出血、脊髓损伤、肌萎缩性脊髓侧索硬化症和肌肉萎缩等也常常留下不同程度的运动功能障碍症状。本论文详细介绍了基于运动想象的 BCI-FES康复训练平台的设计与实现，此平台可以用于运动功能障碍患者平时的康复训练中，以帮助患者恢复或改善原本受限的运动功能，从而提高患者自主运动能力，同时这是也一种新的运动功能康复训练方式。
为了实现脑运动功能的重建与康复，利用想象运动训练大脑感觉运动区域的神经元细胞，使得神经元细胞连接重组或代偿形成新的网络链接，恢复原来受损的运动功能。具体训练方法是，患者通过想象运动自主的训练大脑运动区域的神经元功能链接。同时借助脑机交互系统（BCI 系统）实时地分析从患者头皮上采集的脑电信号，通过特征提取和模式分类算法得到患者想象运动的状态，把分析得到的患者想象运动的状态转化为一种患者易懂的神经反馈信号，从而患者可以根据反馈的信号主动的调节自己的脑电状态。整个训练方式是一个循环调节的过程，结合了自上而下的主动训练方式和自下而上的被动训练方式。自上而下是患者自主地通过运动想象来刺激大脑运动区皮层，训练大脑的功能链接，然后把控制肢体的信号通过脊髓和外周神经发送给肢体。...........
参考文献（略）