基于運(yùn)動(dòng)想象腦機(jī)接口（BCI）背景下，對(duì)14名被試的腦電和近紅外多模態(tài)測(cè)量數(shù)據(jù)進(jìn)行分析。結(jié)果發(fā)現(xiàn)，近紅外活動(dòng)可以預(yù)測(cè)基于腦電的BCI控制的性能表現(xiàn)。然后發(fā)現(xiàn)近紅外可以提供更新的，更穩(wěn)定的腦電-BCI分類(lèi)識(shí)別，從而顯著增強(qiáng)識(shí)別分類(lèi)的有效性并同時(shí)減小性能波動(dòng)并增強(qiáng)BCI測(cè)量的性能穩(wěn)定性。
前言
縱觀應(yīng)用于BCI研究中的設(shè)備使用，腦電無(wú)疑是常見(jiàn)的應(yīng)用設(shè)備。不僅因其具有低成本，快速設(shè)置，干電極技術(shù)的突出優(yōu)勢(shì)和被試識(shí)別分類(lèi)的有效性，也因其具有較高的時(shí)間分辨率。
但目前基于腦電的感覺(jué)運(yùn)動(dòng)節(jié)律的BCI研究一直存在一定的問(wèn)題，比如并不是所有的被試的腦電感覺(jué)運(yùn)動(dòng)節(jié)律都能夠應(yīng)用于BCI研究，最近有研究發(fā)現(xiàn)腦電和近紅外結(jié)合使用能夠提升BCI研究的性能，尤其能夠使一些不能進(jìn)行BCI的被試可以操作腦機(jī)接口任務(wù)。
研究中發(fā)現(xiàn)一些被試能夠很好的操作基于腦電的感覺(jué)運(yùn)動(dòng)節(jié)律的BCI實(shí)驗(yàn)，但當(dāng)出現(xiàn)適應(yīng)性活動(dòng)或固定子空間分析時(shí)，腦電和近紅外的結(jié)合無(wú)疑是理想的選擇，腦電測(cè)量能夠提高較高的時(shí)間分辨率，而近紅外能夠提供較高的空間分辨率并且近紅外基于血流響應(yīng)的特點(diǎn)也保證了測(cè)量中信號(hào)的穩(wěn)定性，基于此基礎(chǔ)上，我們發(fā)現(xiàn)近紅外的指標(biāo)能夠預(yù)測(cè)基于腦電的BCI的性能表現(xiàn)，并可應(yīng)用于識(shí)別分類(lèi)同時(shí)減少腦電的性能波動(dòng)。
實(shí)驗(yàn)方法
實(shí)驗(yàn)準(zhǔn)備 同時(shí)使用近紅外功能成像系統(tǒng)和腦電系統(tǒng)進(jìn)行測(cè)量，近紅外測(cè)量使用美國(guó)NIRX公司生產(chǎn)的NIRSout 8 -16臺(tái)式機(jī)，該設(shè)備具有8個(gè)光源，波長(zhǎng)為760nm和850nm，16個(gè)探測(cè)器，在本次研究中共形成24個(gè)有效通道。采樣率為6.25Hz，以修正的Berr-Lambert定律計(jì)算血氧蛋白改變量，采用低通濾波0.2Hz進(jìn)行數(shù)據(jù)預(yù)處理。
注：效果圖（近紅外與腦電結(jié)合方案，非該實(shí)驗(yàn)圖）
電測(cè)量采用德國(guó)Brain Products 公司生產(chǎn)的BrainAmp設(shè)備，采用1KHz采樣，共使用37個(gè)Ag/AgCI 電極，2導(dǎo)肌電和2導(dǎo)眼電進(jìn)行測(cè)量，使用基于10-20的腦電測(cè)量帽測(cè)量，近紅外光極和腦電電極距離在2-3cm以?xún)?nèi)。如圖2所示：
紅色為近紅外光源位置，黃色為近紅外探測(cè)器，綠色為近紅外通道，黑色為腦電電極
實(shí)驗(yàn)測(cè)量
被試 選用40名被試進(jìn)行測(cè)量，年齡在20到30之間。被試坐在舒適的并在測(cè)量時(shí)按要求活動(dòng)手臂。要求被試按照范例進(jìn)行運(yùn)動(dòng)想象任務(wù)。
EEG分類(lèi)識(shí)別 通過(guò)2個(gè)Block，50個(gè)Trails的視覺(jué)反饋控制運(yùn)動(dòng)想象來(lái)計(jì)算腦電的識(shí)別分類(lèi)。
每個(gè)Trial開(kāi)始的2秒在屏幕中呈現(xiàn)注視點(diǎn)，然后一個(gè)4S的指導(dǎo)語(yǔ)提示左右或者右手進(jìn)行舉高，4S過(guò)后呈現(xiàn)10.5±5秒左右的黑屏。在線(xiàn)數(shù)據(jù)處理采用coadaptive校準(zhǔn)。
被試基于兩個(gè)運(yùn)動(dòng)想象的區(qū)塊設(shè)計(jì)進(jìn)行反饋，在第一個(gè)Block的100個(gè)trials分類(lèi)識(shí)別，在腦電的相應(yīng)通道使用拉普拉斯方法進(jìn)行濾波。在第二個(gè)Block中使用第一個(gè)Block的時(shí)間和空間的濾波數(shù)據(jù)均值和被試的其他特征作為第二個(gè)Block的識(shí)別分類(lèi)依據(jù)。在750ms的窗口中每40ms進(jìn)行計(jì)算。
快速反饋 一旦300個(gè)trilas和7s的相關(guān)數(shù)據(jù)進(jìn)行作為反饋的分類(lèi)識(shí)別，持續(xù)35分鐘。每個(gè)Trial開(kāi)始的2秒在屏幕中呈現(xiàn)注視點(diǎn)，然后一個(gè)4S的指導(dǎo)語(yǔ)提示左右或者右手進(jìn)行舉高，根據(jù)識(shí)別分類(lèi)輸出，4S過(guò)后在下一個(gè)刺激之前呈現(xiàn)1±0.5s的白屏。
離線(xiàn)數(shù)據(jù)分析 前兩個(gè)block的第一次長(zhǎng)時(shí)間間隔的近紅外數(shù)據(jù)被應(yīng)用于運(yùn)動(dòng)想象。結(jié)果如另一篇論文：Enhanced performance by a Hybrid NIRS-EEG Brain Computer Interface所示，我們只選取300個(gè)trials快速反饋的數(shù)據(jù),這些數(shù)據(jù)分布在60個(gè)block中，每個(gè)block有5個(gè)trials，并且計(jì)算相應(yīng)Block的性能。使用Y作為每個(gè)區(qū)塊分類(lèi)識(shí)別輸出標(biāo)簽，疊加5個(gè)Trail的總和。公式見(jiàn)原文，通過(guò)這種方式計(jì)算性能，我們得到了一個(gè)連續(xù)的性能測(cè)量，在我們的例子中，它比0-1丟失率更可取，不僅因?yàn)槠涓鼫?zhǔn)確，也更適合于將NIRS指標(biāo)特性應(yīng)用到這個(gè)度量中，在下面段落中我們將會(huì)解釋這點(diǎn)。從每個(gè)小組塊中減去整體性能，就可以得出高于平均水平時(shí)間和低于平均水平時(shí)間的腦電圖—BCI性能。
近紅外型號(hào)被劃分為多個(gè)片段，每個(gè)2S，5個(gè)trial分別為2 4 6 8 10，噪音通道被做刪除處理。使用線(xiàn)性回歸分析近紅外數(shù)據(jù)在腦電數(shù)據(jù)上的性能預(yù)測(cè)。如圖3所示。最上方薄黑色的區(qū)域代表trial，分別為左手和右手運(yùn)動(dòng)想象提示時(shí)間。每次5個(gè)，重復(fù)60次，每5個(gè)都遺漏一個(gè)不同的trial，從而導(dǎo)致每個(gè)trial的性能預(yù)測(cè)。使用這種預(yù)測(cè)來(lái)計(jì)算相關(guān)系數(shù)和回歸系數(shù)。針做虛無(wú)假設(shè)下的相應(yīng)的P值檢驗(yàn)，并使用Bonferroni矯正。
基于近紅外的數(shù)據(jù)預(yù)測(cè)，腦電數(shù)據(jù)分為三個(gè)類(lèi)別，較好性能，一般性能和較差性能，三個(gè)類(lèi)別都包括100個(gè)trials，分類(lèi)原則包括了修正的濾波數(shù)，空間濾波和線(xiàn)性分類(lèi)。第二步我們做了個(gè)元分類(lèi)，包括四種識(shí)別分類(lèi)。
結(jié)果發(fā)現(xiàn) 在表格1中中優(yōu)化問(wèn)題，通過(guò)表格2可以看出，在14名被試中，9名被試的腦電性能表現(xiàn)和預(yù)測(cè)之間不具有顯著相關(guān)性。表2中可以看出所有被試的分類(lèi)均值，所有訓(xùn)練階段的刺激和元分類(lèi)的四種類(lèi)別間的配對(duì)樣本T檢驗(yàn)，其block的性能顯著為0.013。
為了評(píng)估我們的方法是否在反饋過(guò)程中降低了性能的可變性，我們計(jì)算標(biāo)準(zhǔn)方法的所有60個(gè)Block的標(biāo)準(zhǔn)偏差，所有的試驗(yàn)都是相同的，以及元分類(lèi)器。圖4顯示了一個(gè)散點(diǎn)圖的結(jié)果?？梢钥闯?，我們提出的方法減少了14個(gè)被試中11個(gè)被試:表現(xiàn)的可變性，其中一個(gè)被試的可變性是相同的，而對(duì)于兩個(gè)被試，標(biāo)準(zhǔn)過(guò)程的績(jī)效波動(dòng)比較低。配對(duì)樣本T檢驗(yàn)揭示了p小于0.05的顯著關(guān)系。
圖4：所有模塊的性能標(biāo)準(zhǔn)偏差散點(diǎn)圖。每個(gè)點(diǎn)代表一個(gè)被試。 左上角的百分比表示元分類(lèi)器多少被試具有較低的標(biāo)準(zhǔn)偏差的。p表明配對(duì)t檢驗(yàn)的顯著性
總結(jié)
該新方法是結(jié)合NIRS和EEG的一種可行的技術(shù)，適合基于SMR的BCI，因?yàn)樗Ａ袅隧憫?yīng)性的腦電圖測(cè)量，而同時(shí)顯著增強(qiáng)分類(lèi)識(shí)別率以及性能的最小化波動(dòng)。
參考文獻(xiàn)：Fazli, S., Mehnert, J., Steinbrink, J., & Blankertz, B. (2012). Using NIRS as a predictor for EEG-based BCI performance. International Conference of the IEEE Engineering in Medicine & Biology Society (Vol.2012, pp.4911). Conf Proc IEEE Eng Med Biol Soc.
本論文中所使用的NIRX的NIRScout臺(tái)式近紅外和Brains product的BrainAmp腦電設(shè)備均為我司獨(dú)家全國(guó)總代理的高端腦科學(xué)儀器，公司專(zhuān)注于腦科學(xué)、神經(jīng)科學(xué)、醫(yī)療診斷、體育科學(xué)和人因工程領(lǐng)域，旨在為醫(yī)療機(jī)構(gòu)提供神經(jīng)診斷、監(jiān)護(hù)、治療方案及服務(wù)；為高等院校、研究機(jī)構(gòu)提供教學(xué)、研究方法及服務(wù)；為體育科研、訓(xùn)練機(jī)構(gòu)提供科研、訓(xùn)練手段及服務(wù)。您的需求是我們發(fā)展的動(dòng)力。
版權(quán)聲明：本文系瀚翔生物原創(chuàng)編譯整理，轉(zhuǎn)載請(qǐng)留言，獲取授權(quán)，并注明作者和出處。
