本发明涉及混合脑机接口，具体为一种基于脑肌电耦合分析的神经康复训练与评估方法。
背景技术：
1、评价判断，制订接下来的训练计划，不仅主观性强而且效率低，同时忽略了人的主体性。近年来，由于计算机技术的迅猛发展以及人类对脑部功能区的研究愈发成熟，目前单纯的运动想象(mi)脑机接口技术，在识别率、模式识别的数量、控制精度等方面仍存在着局限性。
2、目前混合脑机接口(hybrid brain-computer interface,hbci)技术成为研究的热点，将eeg信号与另一种模态的脑电信号或者是其他的生理信号，融合控制的脑机接口系统，多模态信号的脑机接口技术取得了一定的进展，但是基于脑电、眼电或者心电信号的混合脑机接口无法反映脑卒中患者与手部运动功能相关的肌肉状态。相比较而言，脑肌电融合混合脑机接口系统能够更好反映脑卒中患者运动康复状态，并且大脑运动皮层的脑电信号和身体肌肉组织的肌电信号分别反映了运动控制信息和肌肉对大脑控制意图的功能响应信息，因此脑电和肌电信号的同步特征分析能够体现出大脑皮层与肌肉组织之间的功能联系特征。
3、基于上述混合脑机接口优点可以看出，对于脑电和肌电的康复训练系统方法的开发，具有很大的理论和实际应用价值。
技术实现思路
1、本发明的目的在于提供一种基于脑肌电耦合分析的神经反馈康复训练方法，进行神经反馈训练和运动康复训练，并且根据实时采集的脑肌电信号进行耦合分析做出康复效果评估。
2、为解决上述技术问题，本发明采用了以下技术方案：一种基于脑肌电耦合分析的神经康复训练与评估方法，包括如下步骤：
3、s1、设计脑肌电信号采集实验范式，并采集被试的脑电信号和肌电信号；
4、s2、对脑电信号和肌电信号进行预处理；以及
5、提取脑电信号特征和肌电信号特征，并对信号特征采用分类模型进行分类；
6、s3、对分类后的脑电信号特征和肌电信号特征行频带分解，得到不同频段的本征模态函数分量，采用传递熵函数计算本征模态函数分量之间耦合强度；
7、s4、基于计算得到的耦合强度作为反馈信号，分析脑电信号β节律和肌电信号耦合强度值，辅助患者进行康复训练，并根据康复训练前后传递熵值大小进行康复评测。
8、优选的，在步骤s1中，所述实验范式包括被试进行低幅运动、运动尝试、运动想象三类任务，每类任务包含下肢膝关节和踝关节实验试次；以及
9、被试根据界面提示执行相应的任务，采集对应的脑电和肌电信号。
10、优选的，在步骤s2中，预处理包括：采用四阶irr数字滤波器对脑电信号进行5-45hz滤波，采用独立成分分析方法去除生理伪迹，利用巴特沃斯滤波器对肌电信号进行20-250hz滤波处理，并采用50hz陷波滤波器消除工频干扰。
11、优选的，在步骤s2中，肌电信号特征选取时域特征平均绝对值和非线性特征小波奇异熵，并且两个通道提取的特征值构建成特征矩阵作为分类模型的输入；脑电信号特征选取频域特征功率谱密度和非线性特征选取微分熵，并且筛选脑电信号通道进行特征计算，构建特征矩阵作为分类模型的输入。
12、优选的，在步骤s2中，分类模型采用支持向量机模型，肌电信号分为四类，分别为膝关节运动尝试、踝关节运动尝试、膝关节低幅运动和踝关节低幅运动，脑电信号分两类，分别为膝关节运动想象和踝关节运动想象。
13、优选的，在步骤s3中，分解具体为：采用改进的自适应噪声完全集合经验模态分解对脑电c4通道信号和肌电信号进行自适应分解，分别得到imf1、imf2、…、imfn分量，其中，n取决于自适应分解频带数；并且脑电信号和肌电信号各频带分量作为传递熵函数输入变量进行计算。
14、优选的，在步骤s3中，传递熵用于表征两个时间序列信号之间的传递信息量的大小，且在传递熵中，数据离散化成p份，p＝200；用于计算的时间序列长度j＝50。
15、优选的，在步骤s4中，康复训练为：将分类结果输入至康复机器人上位机，显示动态图片视觉刺激进行神经训练或者驱动康复机器人对被试进行下肢康复训练，并且对实时采集被试的脑电信号和肌电信号进行耦合分析，评估康复训练效果，并以此为依据辅助下一轮康复训练任务。
16、优选的，在步骤s4中，康复训练包括如下两个阶段：
17、运动想象训练阶段：上位机根据脑电信号分类的结果呈现下肢膝关节或者踝关节运动的动态图片，辅助被试进行对应的想象任务；
18、肌肉康复训练阶段：根据肌电信号分类的结果传输到康复机器人上位机，康复机器辅助患者进行对应的康复训练。
19、与现有的技术方案相比，本发明的有益效果是：本发明中通过设计离线脑肌电信号采集实验范式，对脑电和肌电信号提取特征进行分类，并进行运动想象训练和康复训练；对训练过程的脑肌电信号分析评估康复效果，其中，将脑电和肌电耦合分析引入康复训练评估环节，判断当前神经肌肉康复效果，辅助下一轮康复训练方案。
1.一种基于脑肌电耦合分析的神经康复训练与评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于脑肌电耦合分析的神经康复训练与评估方法，其特征在于：在步骤s1中，所述实验范式包括被试进行低幅运动、运动尝试、运动想象三类任务，每类任务包含下肢膝关节和踝关节实验试次；以及
3.根据权利要求2所述的一种基于脑肌电耦合分析的神经康复训练与评估方法，其特征在于：在步骤s2中，预处理包括：采用四阶irr数字滤波器对脑电信号进行5-45hz滤波，采用独立成分分析方法去除生理伪迹，利用巴特沃斯滤波器对肌电信号进行20-250hz滤波处理，并采用50hz陷波滤波器消除工频干扰。
4.根据权利要求3所述的一种基于脑肌电耦合分析的神经康复训练与评估方法，其特征在于：在步骤s2中，肌电信号特征选取时域特征平均绝对值和非线性特征小波奇异熵，并且两个通道提取的特征值构建成特征矩阵作为分类模型的输入；脑电信号特征选取频域特征功率谱密度和非线性特征选取微分熵，并且筛选脑电信号通道进行特征计算，构建特征矩阵作为分类模型的输入。
5.根据权利要求4所述的一种基于脑肌电耦合分析的神经康复训练与评估方法，其特征在于：在步骤s2中，分类模型采用支持向量机模型，肌电信号分为四类，分别为膝关节运动尝试、踝关节运动尝试、膝关节低幅运动和踝关节低幅运动，脑电信号分两类，分别为膝关节运动想象和踝关节运动想象。
6.根据权利要求1所述的一种基于脑肌电耦合分析的神经康复训练与评估方法，其特征在于：在步骤s3中，分解具体为：采用改进的自适应噪声完全集合经验模态分解对脑电c4通道信号和肌电信号进行自适应分解，分别得到imf1、imf2、…、imfn分量，其中，n取决于自适应分解频带数；并且脑电信号和肌电信号各频带分量作为传递熵函数输入变量进行计算。
7.根据权利要求1所述的一种基于脑肌电耦合分析的神经康复训练与评估方法，其特征在于：在步骤s3中，传递熵用于表征两个时间序列信号之间的传递信息量的大小，且在传递熵中，数据离散化成p份，p＝200；用于计算的时间序列长度j＝50。
8.根据权利要求1所述的一种基于脑肌电耦合分析的神经康复训练与评估方法，其特征在于：在步骤s4中，康复训练为：将分类结果输入至康复机器人上位机，显示动态图片视觉刺激进行神经训练或者驱动康复机器人对被试进行下肢康复训练，并且对实时采集被试的脑电信号和肌电信号进行耦合分析，评估康复训练效果，并以此为依据辅助下一轮康复训练任务。
9.根据权利要求8所述的一种基于脑肌电耦合分析的神经康复训练与评估方法，其特征在于：在步骤s4中，康复训练包括如下两个阶段：
