本發(fā)明涉及神經(jīng)康復、人工智能及人機交互，尤其涉及一種神經(jīng)反饋康復訓練方法及系統(tǒng)。

背景技術：

1、目前，神經(jīng)反饋康復訓練作為一種重要的腦功能康復手段，已廣泛應用于認知障礙、運動功能障礙、注意力缺陷等多種神經(jīng)相關疾病的干預過程中。然而，現(xiàn)有神經(jīng)反饋訓練技術存在以下突出問題：

2、一方面，傳統(tǒng)康復訓練系統(tǒng)多依賴單一模態(tài)信號(如僅基于腦電或心率信號)，無法綜合反映用戶在訓練過程中的復雜神經(jīng)-生理狀態(tài)，導致對用戶實際狀態(tài)的感知不全面，訓練反饋的精準度和個性化效果有限。

3、另一方面，現(xiàn)有系統(tǒng)缺乏動態(tài)識別與實時調(diào)整機制，無法基于用戶實時行為反應和神經(jīng)反饋動態(tài)調(diào)整訓練任務和反饋方式，導致康復訓練過程中缺乏針對性，難以適應用戶隨時間變化的康復狀態(tài)，影響康復效果和用戶依從性。

4、此外，缺乏高效的智能算法，尤其缺乏基于強化學習的自主訓練策略生成機制，使得現(xiàn)有康復訓練難以根據(jù)用戶歷史和實時數(shù)據(jù)自動優(yōu)化個性化訓練方案，同時也缺少多通道(視覺、聽覺、觸覺)融合的沉浸式交互方式，無法充分調(diào)動用戶參與積極性和神經(jīng)功能的重塑潛力。

5、因此，亟需一種能夠基于腦電、近紅外、肌電、心率變異性等多模態(tài)神經(jīng)-生理信號，結合用戶行為響應，動態(tài)識別用戶個性化神經(jīng)狀態(tài)，并通過強化學習算法實時生成適應用戶狀態(tài)變化的康復訓練策略，同時通過沉浸式多通道交互實現(xiàn)實時反饋的智能康復訓練方法與系統(tǒng)，以實現(xiàn)精準、動態(tài)、閉環(huán)的康復訓練過程，有效提升神經(jīng)反饋訓練的智能化、自適應和個性化水平，從而提升康復訓練效果。

技術實現(xiàn)思路

1、本發(fā)明提供一種神經(jīng)反饋康復訓練方法及系統(tǒng)，以解決如何基于腦電信號、近紅外信號、肌電信號和心率變異性等多模態(tài)神經(jīng)-生理數(shù)據(jù)，動態(tài)識別用戶的個性化神經(jīng)狀態(tài)，并結合實時行為響應，通過強化學習與沉浸式多通道反饋，生成適應用戶狀態(tài)變化的個性化康復訓練策略，從而實現(xiàn)精準、動態(tài)、閉環(huán)的神經(jīng)反饋康復訓練過程的問題。

2、為了解決上述技術問題，本發(fā)明提供了一種神經(jīng)反饋康復訓練方法，包括：

3、基于多模態(tài)神經(jīng)-生理信號采集設備獲取用戶的腦電信號、近紅外信號、肌電信號以及心率變異性生理指標，生成包含多維時序數(shù)據(jù)的神經(jīng)-生理信號數(shù)據(jù)序列，并將所述神經(jīng)-生理信號數(shù)據(jù)序列實時輸入至融合處理系統(tǒng)；

4、對所述神經(jīng)-生理信號數(shù)據(jù)序列進行聯(lián)合預處理，包括基于深度學習算法進行噪聲去除、偽跡移除以及異常波段抑制，提取包含頻域特征、時域特征和相干性特征的多模態(tài)聯(lián)合特征向量，生成標準化多模態(tài)特征數(shù)據(jù)序列；

5、基于所述標準化多模態(tài)特征數(shù)據(jù)序列，利用圖神經(jīng)網(wǎng)絡建模算法對用戶當前的認知狀態(tài)、運動狀態(tài)或情緒狀態(tài)進行識別，生成包含神經(jīng)狀態(tài)標簽的標簽序列；

6、基于所述標簽序列l(wèi)和用戶歷史訓練數(shù)據(jù)，采用注意力機制動態(tài)生成個性化神經(jīng)狀態(tài)趨勢數(shù)據(jù)；

7、基于所述個性化神經(jīng)狀態(tài)趨勢數(shù)據(jù)與訓練目標參數(shù)，采用強化學習算法生成包含訓練任務類型、反饋方式參數(shù)及訓練難度等級的智能訓練策略數(shù)據(jù)；

8、將所述智能訓練策略數(shù)據(jù)輸入至沉浸式交互系統(tǒng)，生成虛擬現(xiàn)實或增強現(xiàn)實場景，基于所述訓練任務類型和反饋方式參數(shù)，實施視覺、聽覺及觸覺多通道的互動訓練任務，并實時記錄用戶在訓練過程中的行為響應與神經(jīng)反饋信號；

9、基于所述行為響應和神經(jīng)反饋信號，結合個性化神經(jīng)狀態(tài)數(shù)據(jù)，動態(tài)評估用戶訓練效果，調(diào)整訓練難度等級和反饋方式參數(shù)，生成個性化訓練調(diào)整數(shù)據(jù)；

10、將所述神經(jīng)-生理信號數(shù)據(jù)序列、標準化多模態(tài)特征數(shù)據(jù)序列、個性化神經(jīng)狀態(tài)數(shù)據(jù)、智能訓練策略數(shù)據(jù)、用戶行為響應與訓練調(diào)整數(shù)據(jù)上傳至云端，基于云-邊協(xié)同計算架構優(yōu)化圖神經(jīng)網(wǎng)絡和強化學習算法，更新至本地系統(tǒng)進行后續(xù)訓練。

11、進一步地，其特征在于，所述對神經(jīng)-生理信號數(shù)據(jù)序列進行聯(lián)合預處理的步驟，包括基于深度神經(jīng)網(wǎng)絡對所述腦電信號、近紅外信號、肌電信號、心率變異性信號的時域偽跡和頻域異常進行聯(lián)合去噪，輸出去噪后的神經(jīng)-生理信號序列。

12、進一步地，其特征在于，所述標準化多模態(tài)特征數(shù)據(jù)序列的生成步驟，包括對去噪后的神經(jīng)-生理信號序列進行時頻特征提取、信號間相干性分析、互信息計算，并聯(lián)合形成多模態(tài)聯(lián)合特征向量后標準化得到標準化多模態(tài)特征數(shù)據(jù)序列。

13、進一步地，其特征在于，所述基于標準化多模態(tài)特征數(shù)據(jù)序列識別用戶當前神經(jīng)狀態(tài)的步驟，包括采用圖神經(jīng)網(wǎng)絡算法，將不同生理信號的特征作為圖的節(jié)點，特征相關性作為圖的邊，建立圖結構神經(jīng)狀態(tài)圖，輸出神經(jīng)狀態(tài)標簽序列。

14、進一步地，其特征在于，所述基于標簽序列和歷史訓練數(shù)據(jù)生成個性化神經(jīng)狀態(tài)趨勢數(shù)據(jù)的步驟，包括基于注意力機制根據(jù)歷史訓練數(shù)據(jù)賦予每個標簽不同的權重，動態(tài)計算個性化神經(jīng)狀態(tài)趨勢數(shù)據(jù)。

15、進一步地，其特征在于，所述基于個性化神經(jīng)狀態(tài)趨勢數(shù)據(jù)與訓練目標生成智能訓練策略數(shù)據(jù)的步驟，包括：

16、構建基于策略梯度的訓練任務決策函數(shù)，生成訓練任務候選集合；

17、基于強化學習算法從所述訓練任務候選集合中篩選最優(yōu)任務，輸出包含訓練任務類型、反饋方式參數(shù)與訓練難度等級的智能訓練策略數(shù)據(jù)。

18、進一步地，其特征在于，所述將智能訓練策略數(shù)據(jù)輸入沉浸式交互系統(tǒng)的步驟，包括根據(jù)訓練任務類型生成虛擬現(xiàn)實或增強現(xiàn)實場景，并基于反饋方式參數(shù)輸出多通道互動訓練任務，通過視覺、聽覺、觸覺向用戶反饋訓練信息。

19、進一步地，其特征在于，所述動態(tài)評估用戶訓練效果的步驟，包括：

20、基于行為響應數(shù)據(jù)與神經(jīng)反饋信號，結合個性化神經(jīng)狀態(tài)數(shù)據(jù)，計算用戶訓練效果，生成即時訓練效果數(shù)據(jù)；

21、依據(jù)所述即時訓練效果數(shù)據(jù)，調(diào)整訓練難度等級和反饋方式參數(shù)，生成個性化訓練調(diào)整數(shù)據(jù)，供后續(xù)訓練調(diào)用。

22、進一步地，其特征在于，所述將訓練調(diào)整數(shù)據(jù)反饋至強化學習算法的步驟，包括：

23、依據(jù)訓練調(diào)整數(shù)據(jù)動態(tài)修正訓練任務決策函數(shù)的參數(shù)，通過持續(xù)強化學習優(yōu)化訓練任務的適應性與精準性。

24、進一步地，其特征在于，所述上傳至云端的數(shù)據(jù)包括神經(jīng)-生理信號數(shù)據(jù)序列、標準化多模態(tài)特征數(shù)據(jù)序列、個性化神經(jīng)狀態(tài)數(shù)據(jù)、智能訓練策略數(shù)據(jù)、用戶行為響應數(shù)據(jù)與訓練調(diào)整數(shù)據(jù)；

25、基于聯(lián)邦學習算法優(yōu)化所述圖神經(jīng)網(wǎng)絡模型與強化學習策略生成算法，生成優(yōu)化后的模型參數(shù)，分發(fā)至本地系統(tǒng)更新訓練策略和神經(jīng)狀態(tài)識別算法。

26、以下為其主要的有益效果：

27、(1)實現(xiàn)基于多模態(tài)神經(jīng)-生理信號的精準識別，提升神經(jīng)狀態(tài)監(jiān)測的全面性與準確性。本發(fā)明通過同步獲取腦電、近紅外、肌電、心率變異性等多種神經(jīng)-生理信號，經(jīng)過聯(lián)合預處理與標準化融合，能夠全面反映用戶在康復訓練過程中的神經(jīng)活動狀態(tài)，相比傳統(tǒng)單一信號監(jiān)測方式，有效提升神經(jīng)狀態(tài)識別的精準性和動態(tài)適應能力，為康復訓練提供科學依據(jù)。

28、(2)基于注意力機制與圖神經(jīng)網(wǎng)絡動態(tài)生成個性化神經(jīng)狀態(tài)趨勢數(shù)據(jù)，增強訓練策略的針對性和自適應。本發(fā)明首次將注意力機制與圖神經(jīng)網(wǎng)絡算法結合，針對用戶當前神經(jīng)狀態(tài)及歷史訓練數(shù)據(jù)，動態(tài)生成個性化神經(jīng)狀態(tài)趨勢，作為后續(xù)訓練策略生成的關鍵參數(shù)，使訓練任務動態(tài)適應用戶當下能力變化，避免固定訓練方案無法適應用戶變化的問題，從而有效提高康復訓練的個性化和科學性。

29、(3)基于強化學習的個性化康復訓練策略與沉浸式多通道交互系統(tǒng)，構建完整閉環(huán)訓練機制，提升康復訓練效果。本發(fā)明通過強化學習算法自動生成與用戶神經(jīng)狀態(tài)匹配的訓練任務，結合虛擬現(xiàn)實或增強現(xiàn)實生成沉浸式互動訓練場景，并根據(jù)訓練反饋實時調(diào)整任務難度和反饋方式，形成動態(tài)閉環(huán)訓練體系。相比傳統(tǒng)預設固定訓練任務的方式，更能針對用戶實時反饋動態(tài)調(diào)整訓練方案，有效提升康復訓練效果與持續(xù)性，增強用戶主動參與感。