本發明涉及神經康復、人工智能及人機交互，尤其涉及一種神經反饋康復訓練方法及系統。

背景技術：

1、目前，神經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相關疾病的干預過程中。然而，現有神經反饋訓練技術存在以下突出問題：

2、一方面，傳統康復訓練系統多依賴單一模態信號(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-生理狀態，導致對用戶實際狀態的感知不全面，訓練反饋的精準度和個性化效果有限。

3、另一方面，現有系統缺乏動態識別與實時調整機制，無法基于用戶實時行為反應和神經反饋動態調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，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，使得現有康復訓練難以根據用戶歷史和實時數據自動優化個性化訓練方案，同時也缺少多通道(視覺、聽覺、觸覺)融合的沉浸式交互方式，無法充分調動用戶參與積極性和神經功能的重塑潛力。

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神經-生理信號，結合用戶行為響應，動態識別用戶個性化神經狀態，并通過強化學習算法實時生成適應用戶狀態變化的康復訓練策略，同時通過沉浸式多通道交互實現實時反饋的智能康復訓練方法與系統，以實現精準、動態、閉環的康復訓練過程，有效提升神經反饋訓練的智能化、自適應和個性化水平，從而提升康復訓練效果。

技術實現思路

1、本發明提供一種神經反饋康復訓練方法及系統，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神經-生理數據，動態識別用戶的個性化神經狀態，并結合實時行為響應，通過強化學習與沉浸式多通道反饋，生成適應用戶狀態變化的個性化康復訓練策略，從而實現精準、動態、閉環的神經反饋康復訓練過程的問題。

2、為了解決上述技術問題，本發明提供了一種神經反饋康復訓練方法，包括：

3、基于多模態神經-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據的神經-生理信號數據序列，并將所述神經-生理信號數據序列實時輸入至融合處理系統；

4、對所述神經-生理信號數據序列進行聯合預處理，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聯合特征向量，生成標準化多模態特征數據序列；

5、基于所述標準化多模態特征數據序列，利用圖神經網絡建模算法對用戶當前的認知狀態、運動狀態或情緒狀態進行識別，生成包含神經狀態標簽的標簽序列；

6、基于所述標簽序列l和用戶歷史訓練數據，采用注意力機制動態生成個性化神經狀態趨勢數據；

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

8、將所述智能訓練策略數據輸入至沉浸式交互系統，生成虛擬現實或增強現實場景，基于所述訓練任務類型和反饋方式參數，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反饋信號；

9、基于所述行為響應和神經反饋信號，結合個性化神經狀態數據，動態評估用戶訓練效果，調整訓練難度等級和反饋方式參數，生成個性化訓練調整數據；

10、將所述神經-生理信號數據序列、標準化多模態特征數據序列、個性化神經狀態數據、智能訓練策略數據、用戶行為響應與訓練調整數據上傳至云端，基于云-邊協同計算架構優化圖神經網絡和強化學習算法，更新至本地系統進行后續訓練。

11、進一步地，其特征在于，所述對神經-生理信號數據序列進行聯合預處理的步驟，包括基于深度神經網絡對所述腦電信號、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合去噪，輸出去噪后的神經-生理信號序列。

12、進一步地，其特征在于，所述標準化多模態特征數據序列的生成步驟，包括對去噪后的神經-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，并聯合形成多模態聯合特征向量后標準化得到標準化多模態特征數據序列。

13、進一步地，其特征在于，所述基于標準化多模態特征數據序列識別用戶當前神經狀態的步驟，包括采用圖神經網絡算法，將不同生理信號的特征作為圖的節點，特征相關性作為圖的邊，建立圖結構神經狀態圖，輸出神經狀態標簽序列。

14、進一步地，其特征在于，所述基于標簽序列和歷史訓練數據生成個性化神經狀態趨勢數據的步驟，包括基于注意力機制根據歷史訓練數據賦予每個標簽不同的權重，動態計算個性化神經狀態趨勢數據。

15、進一步地，其特征在于，所述基于個性化神經狀態趨勢數據與訓練目標生成智能訓練策略數據的步驟，包括：

16、構建基于策略梯度的訓練任務決策函數，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任務，輸出包含訓練任務類型、反饋方式參數與訓練難度等級的智能訓練策略數據。

18、進一步地，其特征在于，所述將智能訓練策略數據輸入沉浸式交互系統的步驟，包括根據訓練任務類型生成虛擬現實或增強現實場景，并基于反饋方式參數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，所述動態評估用戶訓練效果的步驟，包括：

20、基于行為響應數據與神經反饋信號，結合個性化神經狀態數據，計算用戶訓練效果，生成即時訓練效果數據；

21、依據所述即時訓練效果數據，調整訓練難度等級和反饋方式參數，生成個性化訓練調整數據，供后續訓練調用。

22、進一步地，其特征在于，所述將訓練調整數據反饋至強化學習算法的步驟，包括：

23、依據訓練調整數據動態修正訓練任務決策函數的參數，通過持續強化學習優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據包括神經-生理信號數據序列、標準化多模態特征數據序列、個性化神經狀態數據、智能訓練策略數據、用戶行為響應數據與訓練調整數據；

25、基于聯邦學習算法優化所述圖神經網絡模型與強化學習策略生成算法，生成優化后的模型參數，分發至本地系統更新訓練策略和神經狀態識別算法。

26、以下為其主要的有益效果：

27、(1)實現基于多模態神經-生理信號的精準識別，提升神經狀態監測的全面性與準確性。本發明通過同步獲取腦電、近紅外、肌電、心率變異性等多種神經-生理信號，經過聯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活動狀態，相比傳統單一信號監測方式，有效提升神經狀態識別的精準性和動態適應能力，為康復訓練提供科學依據。

28、(2)基于注意力機制與圖神經網絡動態生成個性化神經狀態趨勢數據，增強訓練策略的針對性和自適應。本發明首次將注意力機制與圖神經網絡算法結合，針對用戶當前神經狀態及歷史訓練數據，動態生成個性化神經狀態趨勢，作為后續訓練策略生成的關鍵參數，使訓練任務動態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，構建完整閉環訓練機制，提升康復訓練效果。本發明通過強化學習算法自動生成與用戶神經狀態匹配的訓練任務，結合虛擬現實或增強現實生成沉浸式互動訓練場景，并根據訓練反饋實時調整任務難度和反饋方式，形成動態閉環訓練體系。相比傳統預設固定訓練任務的方式，更能針對用戶實時反饋動態調整訓練方案，有效提升康復訓練效果與持續性，增強用戶主動參與感。