一种基于运动观察的脑机接口技术的康复方法与系统

技术领域

本发明属于生物医学领域，尤其涉及一种基于运动观察的脑机接口技术的康复方法与系统。

背景技术

脑卒中包括脑出血和脑梗塞一类的脑血管疾病，主要是因为脑部血管阻塞导致的脑部神经功能障碍，脑中风经过治疗后大多留有后遗症，表现为运动功能受损、肌肉萎缩等不同程度的肢体运动功能障碍，是造成肢体活动障碍的主要疾病。如果能够重新激活脑部神经，重建运动神经通路，并对肢体进行训练、提升肌力，则患者可以恢复运动功能。

国内外研究证明，对脑卒中患者进行康复护理措施干预可有效降低脑卒中患者的致残率。目前国内对于脑卒中运动功能障碍常规的治疗手段以康复护理为主，包括中医康复护理措施、现代康复护理措施和中西医结合康复护理，依靠疗师或是康复机器人辅助对偏瘫上下肢进行功能训练促进运动功能恢复的物理疗法和作业疗法，现有的康复护理措施对脑卒中患者肢体运动障碍有较好的疗效，对脑卒中患者肢体运动功能改善有一定作用。

但是常规的治疗手段存在许多缺点和不足，进行康复护理训练需要在专业医师指导下进行，耗费大量人力和物力，价格昂贵等因素导致在家庭和社区的推广使用中受到很大的限制。康复护理训练方法多单调重复，患者在进行康复训练时常常处于被动状态，对康复效果缺少及时直观的反馈，导致患者参与度和主动性不高，容易增加患者身体和心理上的痛苦。而且目前各种提高患者运动功能的康复新技术大多需要患者具备一定的运动能力，对于严重运动功能障碍的患者来说目前并没有十分有效的康复训练方法。

运动想象疗法是指在思维过程中不断模拟和重现人体运动的过程，没有明显的身体运动输出。国内外研究均证明，运动想象疗法能改善脑卒中患者的肢体运动功能及提高患者日常生活活动能力。它可以激活受损的神经网络，可建或再造新的神经通路,从而重新恢复患者的运动功能。运动想象疗法是一种与患者的主动运动密切相关的康复治疗手段，但运动想象疗法对脑卒中患者的要求比较高，要求患者具备较高的配合度和想象能力，并且基于此方法的脑机接口技术都需要借助外部康复设备配合使用才能取得一定的疗效，这要求患者具有一定的运动能力，否则会对患者造成一定的痛苦。

运动观察疗法是基于镜像疗法和运动想象疗法的优点而提出的一种身心康复方法，中风患者通过集中注意观看视频或面对面观察健康人执行康复作业任务，无需进行特定动作的想象与额外的输出，就可以激活与患者主动或被动运动相似的脑内感觉运动相关区域，锻炼大脑神经，这种相似性不仅可以见于健康人，也见于脑卒中患者，适用于脑卒中的任何阶段。运动观察疗法对大脑运动区域神经的激活的情况与运动想象有一定的关联性，对患者的配合度和想象能力的要求相对较低，只要尽可能的集中注意力。

脑机接口是一种通过采集和分析人脑生物电信号，在人脑与计算机或其他电子设备间建立起直接交流或控制通道的方法，即可以不依赖于大脑外周神经与肌肉的正常输出通道，直接通过控制脑电来表达意愿或操纵外界设备与外界交流。

发明内容

针对上述现有技术中存在的缺陷，本发明提供一种基于运动观察的脑机接口技术的康复方法，包括以下步骤：

为患者装配脑电数据采集设备；

为所述患者播放运动康复动作多媒体文件；

采集所述患者观看所述多媒体文件的脑电波信号；

将所述脑电波信号预处理后进行特征提取；

将提取后的特征输入康复评估模型；

基于所述康复评估模型的输出结果，调整康复策略。

进一步，所述脑电数据采集设备使用便携式脑电信号放大器，电极位置采用国际标准10–20电极导联定位，脑电帽有35个通道，参考电极设在乳突位置，设置采样频率256Hz。

进一步，将所述脑电波信号预处理，包括：

将所述脑电波信号经过放大器放大和A/D转化预处理将其转为离散的数字信号；

根据与大脑运动神经相关区域提取C3、Cz、C4导联信号，使用陷波器滤除50Hz工频干扰，4阶巴特沃斯滤波器提取8-30Hz频带范围内的脑电信号，根据不同事件标签截取每个运动观察任务前2s和后4s的脑电数据；

预处理后的脑电波信号为三维数组(3，6*fs，N)，第一维是提取的导联数，第二维是截取任务事件的采样数据点，fs为采样频点，第三维N是一次实验事件样本数，一次实验中运动观察任务的次数(trail数)。

进一步，所述事件标签指当前播放的康复动作对患者脑部影响的事件标签。

进一步，所述康复评估模型为神经网络模型，包括卷积层、池化层、LSTM、以及全连接层。

进一步，所述神经网络模型在应用前使用若干患者数据进行训练。

进一步，采用如下步骤获取所述若干患者数据：

从采集的若干患者数据提取特征和标签：根据运动观察的事件标签进行6s数据的截取，截取出每一个导联、采样点组成的二维数据；

将每一个截取出来的二维数据组成一个三维数组；

将事件标签转为one-hot编码；

将所有三维数组处理为NxDxS格式，其中N为是一次实验中运动观察任务的次数，D为导联数，S为采样点数。

将所有三维数组分成为60％训练集、20％测试集、20％验证集。

进一步，对提取的特征进行傅里叶变换，获取时频图谱；

按照不同任务分别进行叠加，寻找ERD/ERS明显的特征频段；

根据时频图谱定位出的ERD/ERS特征频段进行功率谱密度的分析，得到的特征导联特征频段任务期脑电的功率随时间变化的曲线图，分析任务动作与导联的对应关系以及不同动作的特征频率，据此判断不同康复动作对大脑运动部位的影响。

进一步，所述基于所述康复评估模型的输出结果，调整康复策略，包括：

增加评估结果大于预设阈值的多媒体文件的播放时间，并驱动模拟康复器具为所述患者辅助动作。

本发明还提出了一种基于运动观察的脑机接口技术的康复系统，其包括：

脑电数采集设备，其用于采集患者的脑电波信号；

播放设备，其用于为所述患者播放运动康复动作多媒体文件；

特征提取设备，其用于将所述脑电波信号预处理后进行特征提取；

特征输入设备，其用于将提取后的特征输入康复评估模型；

调整设备，其用于基于所述康复评估模型的输出结果，调整康复策略。

与现有技术相比，本发明采用基于运动观察疗法的脑机接口可以将患者进行运动观察时脑电波的变化情况通过脑机接口技术用一定的方式反馈出来，这大大提高了患者在进行康复训练时的注意度和积极性，可以进行有效的神经重塑和运动功能的恢复。

本发明采用基于运动观察脑机接口的方法激活大脑运动神经功能区域，收集并设计建立与脑机接口范式相关的运动康复视频库，对采集的脑电信号进行预处理以及短时傅里叶变换和功率谱能量变换，在时频上对运动相关区域导联信号进行分析，通过对相关频段的ERD/ERS现象和值进行定性定量的分析，直观显示运动观察对大脑运动区域激活的作用。对离线采集的大量脑电数据经过截取和划分训练集以及数据集，送入搭建好的CNN+LSTM神经网络进行模型训练，自动提取特征并分类预测，训练出损失误差小、分类效果好的模型进行保存，该模型适应性好、泛化能力强，对不同人的数据也能有较好的分类效果，可实现跨人的识别分类。在线实验时的数据送入神经网络，通过训练模型进行结果预测，预测的分类结果输出控制桌面模拟康复器具完成既定动作，给被试实时反馈，辅助被试更加主动参与训练。所述模拟康复器具包括机械臂，所述机械臂替代为外骨骼运动辅具或义肢帮助病人进行实际运动恢复训练。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示出根据本发明实施例的一种基于运动观察的脑机接口技术的康复方法流程图；

图2是示出根据本发明实施例的神经网络结构图；

图3是示出根据本发明实施例的运动观察任务期间C3导联的时频图谱；

图4是示出根据本发明实施例的不同触发任务在C3导联的PSD曲线；

图5是示出根据本发明某一实施例的一种基于运动观察的脑机接口技术康复系统结构框图；

图6是示出根据本发明另一实施例的一种基于运动观察的脑机接口技术康复系统原理框图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。

下面结合附图详细说明本发明的可选实施例。

深度学习在图像处理、语音识别等领域有较高的准确率，目前BCI方向也是深度学习、人工神经网络研究的一个领域。脑电信号具有非平稳和随机的特点，传统的脑电信号处理需要进行预处理、特征提取和分类识别，比如使用共空间模式(CSP)、功率谱密度等方法提取特征参数然后分类算法进行分类，相比传统的机器学习的方法，深度学习不需要进行预处理，不需要进行复杂的预处理和特征提取，可以在训练中自动提取特征并完成信号分类，经过不断地调参和优化，可以得到一个准确率较高的训练模型，使用足够大的数据量进行训练，模型的适应性也会更好，使得一个分类器可以对多个信号都能得到较高的准确率。卷积神经网络(Convolutional Neural Networks，CNN)在处理时间序列上有效性更好，使用CNN自动提取脑电数据的特征，然后使用长短时记忆法(Long Short-Term Memory,LSTM)对提取出来的特征进行分类,减小误差。

实施例一、

如图1所示，本发明公开了一种基于运动观察的脑机接口技术的康复方法，包括以下步骤：

为患者装配脑电数据采集设备；

为所述患者播放运动康复动作多媒体文件；

采集所述患者观看所述多媒体文件的脑电波信号；

将所述脑电波信号预处理后进行特征提取；

将提取后的特征输入康复评估模型；

基于所述康复评估模型的输出结果，调整康复策略。

实施例二、

本发明提出了一种基于运动观察的脑机接口技术的康复方法，包括以下步骤：

为患者装配脑电数据采集设备；

为所述患者播放运动康复动作多媒体文件；

采集所述患者观看所述多媒体文件的脑电波信号；

将所述脑电波信号预处理后进行特征提取；

将提取后的特征输入康复评估模型；

基于所述康复评估模型的输出结果，调整康复策略。

进一步，所述脑电数据采集设备使用便携式脑电信号放大器，电极位置采用国际标准10–20电极导联定位，脑电帽有35个通道，参考电极设在乳突位置，设置采样频率256Hz。

进一步，将所述脑电波信号预处理，包括：

将所述脑电波信号经过放大器放大和A/D转化预处理将其转为离散的数字信号；

根据与大脑运动神经相关区域提取C3、Cz、C4导联信号，使用陷波器滤除50Hz工频干扰，4阶巴特沃斯滤波器提取8-30Hz频带范围内的脑电信号，根据不同事件标签截取每个运动观察任务前2s和后4s的脑电数据；

预处理后的脑电波信号为三维数组(3，6*fs，N)，第一维是提取的导联数，第二维是截取任务事件的采样数据点，fs为采样频点，第三维是提取特征的特征数N。

进一步，所述事件标签指当前播放的康复动作对患者脑部影响的事件标签。

进一步，所述康复评估模型为神经网络模型，包括卷积层、池化层、LSTM、以及全连接层。

进一步，所述神经网络模型在应用前使用若干患者数据进行训练。

进一步，采用如下步骤获取所述若干患者数据：

从采集的若干患者数据提取特征和标签：根据运动观察的事件标签进行6s数据的截取，截取出每一个导联、采样点组成的二维数据；

将每一个截取出来的二维数据组成一个三维数组；

将事件标签转为one-hot编码；

将所有三维数组处理为NxDxS格式，其中N为一次实验中运动观察任务的次数，D为导联数，S为采样点数。

将所有三维数组分成为60％训练集、20％测试集、20％验证集。

进一步，对提取的特征进行傅里叶变换，获取时频图谱；

按照不同任务分别进行叠加，寻找ERD/ERS明显的特征频段；

根据时频图谱定位出的ERD/ERS特征频段进行功率谱密度的分析，得到的特征导联特征频段任务期脑电的功率随时间变化的曲线图，分析任务动作与导联的对应关系以及不同动作的特征频率，据此判断不同康复动作对大脑运动部位的影响。

进一步，所述基于所述康复评估模型的输出结果，调整康复策略，包括：

增加评估结果大于预设阈值的多媒体文件的播放时间，并驱动模拟康复器具为所述患者辅助动作。

实施例三、

在本发明的某一实施例中，公开了以下方法：

步骤一：建立进行运动观察需要的康复视频库，明确起到不同康复作用的视频类型。

步骤二：对康复任务进行选择和设定实验次数，采集脑电信号。

步骤三：处理采集到的脑电数据，滤除肌电和眼电将其完成预处理。截取与运动区域相关导联(C3、CZ、C4)的刺激事件发生前后数据段。

步骤四：将预处理后的脑电数据进行时频分析，定性定量的分析大脑活动的情况，转换为可以直观显示出大脑运动活跃度的指标。

步骤五：搭建CNN+LSTM神经网络，神经网络包括卷积层、池化层、LSTM、以及全连接层。

步骤六：将预处理后的离线数据使用搭建的神经网络进行训练，建立一个准确率较高的模型并保存。在下次实验中可以实时读取脑电原信号，将采样点的脑电数据输入到神经网络中，调用后用模型进行预测，最后会返回预测的概率值，最终取概率高的类别作为分类结果即可。

步骤七：将神经网络分类结果应用于被试的反馈，分类结果输出不同指令控制桌面模拟康复器具完成相应的运动，较直观地提示被试本次训练是否集中有效。机械臂作为执行外设此处是用来模拟外骨骼运动辅具或义肢可作为反馈提示，还可帮助病人进行实际运动恢复训练

所述步骤一中，运动康复动作视频库为结合医院康复中使用的标准康复动作录制而成的康复运动指导视频，包括针对单独关节、各患侧肢体肌肉的训练动作，比如上下肢各关节内外旋、屈曲及伸展动作；各肢体部位的精细动作，如中指训练，对指训练，拇指捏球，双脚交替点地，脚尖前后点地，一字步等；日常生活中所必须的动作，如翻书、挤牙膏、擦桌子、穿脱衣服、上下楼梯等，包括躺位、坐位、站位的关节活动、平衡功能和步行训练，能够更加全面的对各类肢体运动功能的各个恢复期患者进行康复。本视频库的康复运动训练采用单个关节可动、单块肌肉协调性训练为主，预防肌肉痉挛、增强躯干肌力，逐渐过度到日常生活惯用的复杂动作训练为主。简单动作是对复杂动作的逐项分解，一个动作训练熟练之后再进行下一个动作的训练，将其形成感觉印象和运动程序，等其能熟练的完成分解动作的训练后，便可将其合并在一起进行训练，完成复杂动作的训练，训练肢体平衡性。这样设计康复训练的原则是由脑卒中肢体运动恢复期肌肉与肢体特定决定的，由关节活动到肌肉增强训练，由单块肌肉训练到多块肌肉训练，由简单肢体动作到复合肢体动作过度的训练方法。根据不同恢复期选择更加符合患者的肢体功能训练动作，可以逐渐改善患者大脑对肢体的控制能力，训练大脑各功能区相互整合和协同工作的能力，恢复其的神经通路和身体肌肉的协调性，有效预防并发症，并逐步改善患者的日常生活能力。

所述步骤二中，使用python编程语言搭建的可视化交互平台，选定实验需要训练的任务视频并自动读取任务时长，并设置实验时序和循环次数MI_T，这决定了数据处理的样本次数MI_T和刺激事件时间t，实验过程中不同任务出现次数相同但顺序随机。

所述步骤三中，预处理一般包括滤波和分段。与肢体运动相关的频带为alpha频段和beta频段，使用4阶巴特沃斯滤波器，设置截止频率和阻带频率分别为8Hz和30Hz，提取8-30Hz频带范围内的脑电信号。又因为带通滤波器并不能把截止频率和阻带频率之外的信号全部过滤掉，50Hz的工频干扰信号功率较大，使用过渡带十分陡峭的IIR陷波器，可以较精确地去除50Hz的工频干扰。根据实验中刺激事件开始前打的MARK截取大脑运动区域相关C3、Cz、C4导联的MARK前1s至MARK后4s的有效数据段，把不同刺激诱发的脑电数据段提取出来，将样本按照任务类型分类。

所述步骤四中，

式中：ω是角频率，*表示复数的共轭，W(t)为观察窗，选取了hanning窗作为窗函数，公式(2)如下：

如图3所示，为运动观察任务期间C3导联的时频图谱，其中引入功率谱密度(PowerSpectral Density，PSD)曲线分析法可以定量的分析大脑活动情况。功率谱密度(PSD)同样是基于短时傅里叶变换(STFT)，信号的功率谱密度(PSD)的表达式：

P(ω,t)＝|STFT

如图4所示，为两种任务在C3导联的PSD曲线，其中，分别画出C3、CZ、C4在不同频段的PSD曲线，我们就可以根据时频图谱定位出的ERD/ERS特征时段与频段，对数据进行更为细致的分析。时频图谱和PSD曲线可以定性的分析大脑激活情况，为了在此基础上得到可以定量计算的量化参数，我们引入了ERD/ERS系数。ERD/ERS系数有多种定义与计算方法，本文采用的是频带功率谱定义方法：

其中REP为事件发生后t

所述步骤五中，构建的卷积神经网络包括卷积层(CNN)、池化层、长短时记忆网络(LSTM)、以及全连接层。网络结构参数特征如下：

(1)卷积层使用一维卷积，卷积核数为40，核长为1x20，步长为4，定义的输入格式为(3，1024)，3为特征导联数，1024为截取的每个trail样本的采样点数，由fs*t确定。激活函数使用的是Relu激活函数，运算公式如下：

f(x)＝max(0，x) (5)

(2)在卷积层后面加一层Dropout层，防止数据过拟合，dropout率设置为0.5。

(3)对提取出来的数据特征进行标准化，批标准化是先计算样本均值，然后进行方差的计算，最后进行数据标准化处理。计算公式：

其中x

(4)池化层采用的核长大小为1x4，步长为4，为了减少训练参数的数量，降低卷积层输出的特征向量的维度，同时减小过拟合现象。

(5)长短时记忆(LSTM)模型原理同时在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)。LSTM层的units输出为30。

(6)Flatten压平层，它的作用是将多维数据进行一维化输出，用在卷积层到全连接的过度，并不会影响batch的大小。

(7)全连接层运用softmax函数，通过softmax函数分类进行运动想象的二分类。

步骤六中，对采集到的脑电数据使用神经网络进行模型的训练，其特征如下：

(1)根据运动想象的标签进行时间段数据的截取，截取出每一个导联、采样点组成的二维数据，将每一个截取出来的二维数据组成一个三维数组。

(2)使用mne库将数据的标签提取出来并转换成one-hot编码。

(3)然后将数据划分成为训练集、测试集、验证集。并将数据改为NxDxS格式，其中N为trail个数，D为导联数，S为采样点数。

(4)分别将数据扩大10的n次方倍，防止数据特征过于不明显而导致过拟合。

(5)然后将数据送入神经网网络中进行训练，CNN训练包括两个阶段，起初是经过一些神经网络层进行信号的传递，然后在输出层得到输出的前向传播，最后是利用反向传播来计算真实值与实际值的误差，然后不断更新梯度，朝着梯度小的方向训练误差。误差采用交叉熵作为损失函数，交叉熵损失误差是评估当前训练得到的概率分布与真实值分布的差异情况。它刻画的是实际输出(概率)与期望输出(概率)的距离，也就是交叉熵的值越小，两个概率分布就越接近。其中交叉熵损失函数的公式：

(6)最后调用tensorflow的函数将离线数据训练的模型存到本地用于下次实验每个trail送入神经网络在线预测分类结果。

实施例四、

如图5所示，在本发明的某一实施例中，公开了以下方法：

步骤1：脑电数据采集设备使用Neuroscan Grael便携式脑电信号放大器，电极位置采用国际标准10–20电极导联定位，脑电帽一共有35个通道，参考电极设在乳突位置，设置采样频率256Hz。

步骤2：打导电膏降低电极与头皮之间的阻抗，选择需要进行训练动作的康复训练视频，设定实验次数，本发明采用一种视频诱导的实验范式，通过让患者观看标准的运动康复动作视频和语音提示诱导患者进行运动观察，实验需要在安静的环境下进行，患者坐在距离电脑显示器1m左右的椅子上，尽量避免眼动和身体的运动。脑电采集设备采集到的实验过程中原始脑电波信号经过放大器放大和A/D转化处理将其转为离散的数字信号送入计算机，采集软件将其保存到本地。

步骤3：根据采集到的离线数据做预处理离线特征提取与分析。

步骤3-1根据与大脑运动神经相关区域提取C3、Cz、C4导联信号，使用陷波器滤除50Hz工频干扰，4阶巴特沃斯滤波器提取8-30Hz频带范围内的脑电信号，根据不同事件标签截取每个运动观察任务前2s和后4s的脑电数据，预处理后的脑电数据是三维数组(3，6*fs，N)，第一维是提取的导联数，第二维是截取任务事件的采样数据点，第三维是提取的样本数N(实验trail数)。

步骤3-2：利用短时傅里叶变换进行时频图谱的分析，对每组实验20个trail的时频图谱按不同任务分别进行叠加，寻找ERD/ERS明显得的特征频段。

步骤3-3：根据时频图谱定位出的ERD/ERS特征时段与频段进行功率谱密度的分析，得到的特征导联特征频段任务期脑电的功率随时间变化的曲线图，分析任务动作与导联(主要是C3、Cz、C4)的对应关系以及不同动作的特征频率，据此可以判断不同康复动作对大脑运动部位的激活情况。

步骤4：将采集的多人数据提取数据和标签，根据运动观察的标签进行6s数据的截取，截取出每一个导联、采样点组成的二维数据，将每一个截取出来的二维数据组成一个三维数组；将标签转为one-hot编码。

步骤5：将提取的数据划分成为60％训练集、20％测试集、20％验证集。并将数据改为NxDxS格式，其中N为trail个数，D为导联数，S为采样点数。

步骤7：送入神经网络模型，神经网络包括卷积层、池化层、LSTM、以及全连接层。整体结构如图2所示，具体实施步骤如下：

步骤7-1：先将数据送入一维卷积层，卷积核数为40，核长为1x20，步长为4。每一个卷积核带有权重参数，b为偏置参数，一维卷积输入的数据维度为1024*3，过滤器的维度为256*1。使用relu激活函数。

步骤7-2：卷积层后接Dropout层，防止训练过程中数据过拟合，dropout率设置为0.5。

步骤7-3：最大池化层采用的核长大小为1x4，步长为4。

步骤7-4：使用LSTM层，在输入时不仅仅有原始的数据集，同时还加入了上一个数据的输出结果，也就是h(t-1)，为了解决长序列训练中梯度爆炸和梯度消失问题。

步骤7-5：全连接层运用softmax函数，通过softmax函数多分类进行运动观察任务的二分类。

步骤7-6：将训练好的模型使用tensorflow模块保存到本地，格式.h5文件。

步骤8：下次做相同任务实验时将每个trail的数据实时提取出来送入神经网络，调用之前保存到本地的模型，进行实时的预测。

步骤9：根据预测出来的结果，取概率值较大的一方作为最终分类的结果，不同分类结果控制外部模拟康复器具(但不仅限于桌面机械臂)完成对应的活动。

实施例五、

如图6所示，本发明还提出了一种基于运动观察的脑机接口技术的康复系统，其包括：

脑电数据采集设备，其用于采集患者的脑电波信号；

播放设备，其用于为所述患者播放运动康复动作多媒体文件；

特征提取设备，其用于将所述脑电波信号预处理后进行特征提取；

特征输入设备，其用于将提取后的特征输入康复评估模型；

调整设备，其用于基于所述康复评估模型的输出结果，调整康复策略。

实施例六、

本公开实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行如上实施例所述的方法步骤。

以上介绍了本发明的较佳实施方式，旨在使得本发明的精神更加清楚和便于理解，并不是为了限制本发明，凡在本发明的精神和原则之内，所做的修改、替换、改进，均应包含在本发明所附的权利要求概括的保护范围之内。