一种基于贝叶斯多层线性回归自动选择康复机器人训练策略的方法

技术领域

本发明属于康复机器人训练技术领域，具体涉及一种基于贝叶斯多层线性回归自动选择康复机器人训练策略的方法。

背景技术

训练策略的有效性取决于受试者初始技能水平与学习任务特点，现有研究用叶贝斯方法估计在帮助的反馈策略下受试者运动能力可提升的基线阈值，根据估计出的基线阈值将受试者分为低、中、高技能水平者，研究表明只有低技能水平者在帮助的反馈策略下能提升(TAKAI A,LISI G,NODA T,et al.Bayesian Estimation of Potential PerformanceImprovement Elicited by Robot-Guided Training[J].Front Neurosci-Switz,2021,15.)。

为保证受试者的积极参加、提供适配其运动能力的训练难度，有研究实时监测受试者的心电、皮电、呼吸及面部肌肉等生理响应参数与表现，来感知患者训练过程中的挫败、兴奋、厌烦情绪，来自适应调整任务难度，尽可能使受试者保持在兴奋情绪，任务难度保持在挑战水平。此方法考虑了受试者训练过程中的情绪状态，但运动学习效果不明确(徐国政,宋爱国,高翔,等.基于情绪感知的机器人辅助主动康复训练任务控制方法[J].机器人，2018,40(04):466-73)。还有研究通过生理心理学信号来量化认知负荷的改变，利用经典线性判别分析和卡尔曼自适应线性判别分析实时估计受试者的认知负荷，自适应调整任务难度使受试者的认知负荷既不会过高又不会过低，该方法可以使受试者在训练时处于合适认知负荷下，但运动学习效果不明确(KOENIG A,NOVAK D,OMLIN X,et al.Real-TimeClosed-Loop Control of Cognitive Load in Neurological Patients During Robot-Assisted Gait Training[J].IEEE T Neur Sys Reh,2011,19(4):453-64)。还有研究实时获取受试者的肌电和脑电信号，利用支持向量机分类运动意图，根据患者运动意图与疲劳指数来自适应调整任务难度，该方法可有效缓解受试者疲劳，保证训练过程的主动性和安全性，但未探究训练有效性的提升(WANG L,DU S,LIU H,et al.A virtualrehabilitation system based on EEG-EMG feedback control；proceedings of the2017Chinese Automation Congress(CAC),F 20-22Oct.2017,2017[C])。有研究根据皮肤温度、呼吸速率、皮肤传导率等生理参数与运动表现，利用神经网络算法预测受试者渴望的任务难度，为受试者提供渴望的任务难度，该方法提高了受试者的主动参与度，但缺少关注运动学习能力的提升(SHIRZAD N,VAN DER LOOS H F M.Evaluating the UserExperience of Exercising Reaching Motions With a Robot That Predicts DesiredMovement Difficulty[J].J Motor Behav,2016,48(1):31-46)。还有研究从受试者的神经参与程度、运动控制能力与任务完成情况三个方面量化评估受试者的训练状态，在线调整任务难度并验证了方法的有效性，该方法考虑了受试者脑、肢体与运动任务三方面，但无法保证所选择的任务难度是最优的(舒智林,李思宜,于宁波,等.一种脑肢融合的神经康复训练在线评价与调整方法[J].自动化学报2022,48(05):1209-19)。

综上所述，康复机器人的训练效果亟待提高，迫切需要能提高受试者运动学习能力的自适应训练策略。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于贝叶斯多层线性回归自动选择康复机器人训练策略的方法。

具体技术方案如下：

一种基于贝叶斯多层线性回归自动选择康复机器人训练策略的方法，包括如下步骤：

1)对不同受试者、不同反馈策略在相同的试验流程下的成绩进行信息采集，然后在不同的反馈策略下，根据受试者的基线与短期评估的成绩、基线与从基线到短期评估的成绩改变量之间的线性关系，建立多层线性回归预测模型。

其中信息采集过程的具体操作过程为：将不同受试者随机分成无误差调控组、基于误差增大的视觉反馈和基于误差减小的力学反馈组、基于误差减小的视觉反馈和基于误差增大的力学反馈组，所有受试者包括多组训练，训练过程依次为熟悉阶段、基线分组阶段、基线阶段、基线泛化阶段、训练阶段、短期评估阶段、短期泛化评估阶段、长期评估阶段以及长期泛化评估阶段，然后对成绩进行分析。其中熟悉阶段的具体过程为给与没有误差调控的视力觉反馈，使受试者熟悉康复机器人与轨迹追踪任务；基线分组阶段的过程为给与没有误差调控的视力觉反馈，测试受试者的初始技能水平；基线阶段的过程为给与没有误差调控的视力觉反馈；基线泛化阶段的过程为给与没有误差调控的视力觉反馈，并将轨迹追踪任务旋转90°，测试受试者泛化试验的初始技能水平；训练阶段的过程为无误差调控组受试者给与没有误差调控的视力觉反馈，视大力小组受试者给与基于误差增大的视觉反馈和基于误差减小的力觉反馈，视小力大组受试者给与基于误差减小的视觉反馈和基于误差增大的力觉反馈；短期评估阶段的过程为给与没有误差调控的视力觉反馈，测试受试者训练后的技能水平；短期泛化评估阶段的过程为给与没有误差调控的视力觉反馈，并将轨迹追踪任务旋转90°，测试受试者训练后技能转移水平能力；长期评估阶段的过程为给与没有误差调控的视力觉反馈，测试受试者技能的长期保留效果；长期泛化评估阶段的过程为给与没有误差调控的视力觉反馈，并将轨迹追踪任务旋转90°，测试受试者技能转移的长期保留效果。

其中成绩分析的过程为记录受试者每圈的成绩数据，当一圈内实际点(x

与目标点(x

当一圈内平均追踪误差小于允许的最大误差时，成绩由两者差值与允许的最大误

差的比值计算得到

/>

其中预测模型建立的具体过程为受试者的基线与短期评估的成绩之间存在线性关系，

y

个受试者的基线成绩，β

而且，受试者从基线到短期评估成绩的改变量与基线成绩之间存在线性关系

α

对未知参数引入先验分布，y

y

σ～half-Cauchy(σ

α

β

θ～uniform()(9)

γ～uniform()(10)

具体步骤如下：

使用pm.sample()设置参数的采样个数；

使用az.plot_trace()画出参数的后验概率密度图；

使用pm.summary()获得参数的估计值；

为使参数估计得更准确，以及验证该模型的预测准确率，利用交叉验证的方法，得到参数估计的平均值用于预测。

2)在建立好的预测模型的基础上，计算出模型中的未知参数，三个反馈策略组分别得到参数不同的三个贝叶斯线性回归预测模型。对新来的受试者进行基线训练，将受试者的基线成绩放入不同反馈策略的预测模型中，比较预测出的不同反馈策略下受试者的短期评估成绩，为受试者选择潜在学习益处最大的反馈策略进行训练。

本发明的有益效果在于：

1)相比于实时感知患者情绪、量化估计认知负荷、根据运动意图与疲劳指数来自适应调整任务难度、神经网络算法预测受试者渴望的任务难度、考虑脑、肢体与运动任务三方面在线调整任务难度的方法无需患者佩戴额外传感器实时检测训练状态，只需获取患者初始技能水平，就可预测出患者在不同反馈策略的运动提升量，更加方便临床使用。

2)相比于神经网络算法预测受试者渴望的任务难度的方法无需间接通过提高受试者的主动参与度来提高运动学习能力，而是基于挑战点理论，直接为受试者提供潜在学习益处最大的反馈策略，此时任务难度与初始技能水平匹配，受试者处于挑战水平，从而提高运动学习能力。

3)相比于考虑脑、肢体与运动任务三方面在线调整任务难度的方法可保证所选的训练策略有最大的运动提升量、是最优的反馈策略。

附图说明

图1为本发明基于贝叶斯线性回归方法预测受试者在不同的反馈策略下的潜在学习益处的流程步骤；

图2为视小力大组10名受试者基线与短期评估训练阶段的成绩信息示意图；

图3为视小力大组10名受试者基线成绩与基线到短期评估的成绩改变量信息示意图；

图4为建立的预测模型与参数的分布方式；

图5为利用PyMC3得到的未知参数的后验分布；

图6为利用PyMC3得到的参数估计值；

图7为根据估计出的参数，拟合出基线与短期评估的成绩之间的线性关系；

图8为根据估计出的参数，拟合出基线成绩与基线到短期评估的成绩改变量之间的线性关系。

具体实施方式

下面结合说明书附图和实施例对本发明做进一步地说明，但本发明的保护范围并不仅限于此。

实施例

共招募30名健康受试者，随机分为无误差调控组，基于误差增大的视觉反馈和基于误差减小的力觉反馈组、基于误差减小的视觉反馈和基于误差增大的力觉反馈组，每组10例。受试者的性别、年龄、平均追踪误差等经统计学分析，差异均无统计学意义(P>0.05)，具有可比性。所有受试者均自愿参加，并签署了知情同意书。该试验在不同的三天进行：

(1)第一天：所有受试者共包含两组训练，第一组是熟悉阶段，给与没有误差调控的视力觉反馈，使受试者熟悉康复机器人与轨迹追踪任务，1组20个，休息5min；第二组是基线分组阶段，给与没有误差调控的视力觉反馈，测试受试者的初始技能水平，1组20个。

(2)第二天：所有受试者共包含十三组训练，第一组是基线阶段，给与没有误差调控的视力觉反馈，1组20个，休息5min；第二组是基线泛化阶段，给与没有误差调控的视力觉反馈，并将轨迹追踪任务旋转90°，测试受试者泛化试验的初始技能水平，1组20个，休息5min；第三到十一组是训练阶段，无误差调控组受试者给予没有误差调控的视力觉反馈，视大力小组受试者给与基于误差增大的视觉反馈和基于误差减小的力觉反馈，视小力大组受试者给与基于误差减小的视觉反馈和基于误差增大的力觉反馈，每组20个，每组结束后休息5min；第十二组是短期评估阶段：给与没有误差调控的视力觉反馈，测试受试者训练后的技能水平，1组20个，休息5min；第十三组是短期泛化评估：给与没有误差调控的视力觉反馈，并将轨迹追踪任务旋转90°，测试受试者训练后技能转移水平能力，1组20个；

(3)第三天：所有受试者共包含两组训练，第一组是长期评估阶段，给与没有误差调控的视力觉反馈，测试受试者技能的长期保留效果，1组20个，休息5min；第二组是长期泛化评估阶段，给与没有误差调控的视力觉反馈，并将轨迹追踪任务旋转90°，测试受试者技能转移的长期保留效果，1组20个。

记录受试者每圈的成绩数据，当一圈内实际点(x

试验结束后，建立贝叶斯线性回归预测模型，过程如图1所示，其中预测模型建立的具体过程为受试者的基线与短期评估的成绩之间存在线性关系，

y

个受试者的基线成绩，β

而且，受试者从基线到短期评估成绩的改变量与基线成绩之间存在线性关系

α

对未知参数引入先验分布，y

使用pm.sample()设置参数的采样个数；

使用az.plot_trace()画出参数的后验概率密度图，如图5所示；

使用pm.summary()获得参数的估计值，如图6所示；

为使参数估计得更准确，以及验证该模型的预测准确率，利用交叉验证的方法，得到参数估计的平均值用于预测。

得到参数不同的三个贝叶斯线性回归预测模型，其中无误差调控组、视大力小组与视小力大组在交叉验证中的平均预测准确率分别为：94.17％、86.71％与96.86％，由下列公式计算得到：

基于视小力大组的贝叶斯线性回归预测模型，视小力大组10名受试者根据基线预测得到短期评估的成绩，如图7所示。基于该模型估计出来的参数，得到视小力大组10名受试者从基线到短期评估成绩的改变量与基线成绩之间的线性关系，如图8所示。