基于運動想象腦機接口（BCI）背景下，對14名被試的腦電和近紅外多模態(tài)測量數(shù)據(jù)進行分析。結(jié)果發(fā)現(xiàn)，近紅外活動可以預(yù)測基于腦電的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分類識別，從而顯著增強識別分類的有效性并同時減小性能波動并增強BCI測量的性能穩(wěn)定性。

前言

縱觀應(yīng)用于BCI研究中的設(shè)備使用，腦電無疑是常見的應(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)勢和被試識別分類的有效性，也因其具有較高的時間分辨率。

但目前基于腦電的感覺運動節(jié)律的BCI研究一直存在一定的問題，比如并不是所有的被試的腦電感覺運動節(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行BCI的被試可以操作腦機接口任務(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運動節(jié)律的BCI實驗，但當出現(xiàn)適應(yīng)性活動或固定子空間分析時，腦電和近紅外的結(jié)合無疑是理想的選擇，腦電測量能夠提高較高的時間分辨率，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)的特點也保證了測量中信號的穩(wěn)定性，基于此基礎(chǔ)上，我們發(fā)現(xiàn)近紅外的指標能夠預(yù)測基于腦電的BCI的性能表現(xiàn)，并可應(yīng)用于識別分類同時減少腦電的性能波動。

實驗方法

實驗準備 同時使用近紅外功能成像系統(tǒng)和腦電系統(tǒng)進行測量，近紅外測量使用美國NIRX公司生產(chǎn)的NIRSout 8 -16臺式機，該設(shè)備具有8個光源，波長為760nm和850nm，16個探測器，在本次研究中共形成24個有效通道。采樣率為6.25Hz，以修正的Berr-Lambert定律計算血氧蛋白改變量，采用低通濾波0.2Hz進行數(shù)據(jù)預(yù)處理。

注：效果圖（近紅外與腦電結(jié)合方案，非該實驗圖）

電測量采用德國Brain Products 公司生產(chǎn)的BrainAmp設(shè)備，采用1KHz采樣，共使用37個Ag/AgCI 電極，2導(dǎo)肌電和2導(dǎo)眼電進行測量，使用基于10-20的腦電測量帽測量，近紅外光極和腦電電極距離在2-3cm以內(nèi)。如圖2所示：

紅色為近紅外光源位置，黃色為近紅外探測器，綠色為近紅外通道，黑色為腦電電極

實驗測量 

被試  選用40名被試進行測量，年齡在20到30之間。被試坐在舒適的并在測量時按要求活動手臂。要求被試按照范例進行運動想象任務(wù)。

EEG分類識別  通過2個Block，50個Trails的視覺反饋控制運動想象來計算腦電的識別分類。

每個Trial開始的2秒在屏幕中呈現(xiàn)注視點，然后一個4S的指導(dǎo)語提示左右或者右手進行舉高，4S過后呈現(xiàn)10.5±5秒左右的黑屏。在線數(shù)據(jù)處理采用coadaptive校準。

被試基于兩個運動想象的區(qū)塊設(shè)計進行反饋，在第一個Block的100個trials分類識別，在腦電的相應(yīng)通道使用拉普拉斯方法進行濾波。在第二個Block中使用第一個Block的時間和空間的濾波數(shù)據(jù)均值和被試的其他特征作為第二個Block的識別分類依據(jù)。在750ms的窗口中每40ms進行計算。

快速反饋  一旦300個trilas和7s的相關(guān)數(shù)據(jù)進行作為反饋的分類識別，持續(xù)35分鐘。每個Trial開始的2秒在屏幕中呈現(xiàn)注視點，然后一個4S的指導(dǎo)語提示左右或者右手進行舉高，根據(jù)識別分類輸出，4S過后在下一個刺激之前呈現(xiàn)1±0.5s的白屏。

離線數(shù)據(jù)分析  前兩個block的第一次長時間間隔的近紅外數(shù)據(jù)被應(yīng)用于運動想象。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trials快速反饋的數(shù)據(jù),這些數(shù)據(jù)分布在60個block中，每個block有5個trials，并且計算相應(yīng)Block的性能。使用Y作為每個區(qū)塊分類識別輸出標簽，疊加5個Trail的總和。公式見原文，通過這種方式計算性能，我們得到了一個連續(xù)的性能測量，在我們的例子中，它比0-1丟失率更可取，不僅因為其更準確，也更適合于將NIRS指標特性應(yīng)用到這個度量中，在下面段落中我們將會解釋這點。從每個小組塊中減去整體性能，就可以得出高于平均水平時間和低于平均水平時間的腦電圖—BCI性能。

近紅外型號被劃分為多個片段，每個2S，5個trial分別為2 4 6 8 10，噪音通道被做刪除處理。使用線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。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動想象提示時間。每次5個，重復(fù)60次，每5個都遺漏一個不同的trial，從而導(dǎo)致每個trial的性能預(yù)測。使用這種預(yù)測來計算相關(guān)系數(shù)和回歸系數(shù)。針做虛無假設(shè)下的相應(yīng)的P值檢驗，并使用Bonferroni矯正。

基于近紅外的數(shù)據(jù)預(yù)測，腦電數(shù)據(jù)分為三個類別，較好性能，一般性能和較差性能，三個類別都包括100個trials，分類原則包括了修正的濾波數(shù)，空間濾波和線性分類。第二步我們做了個元分類，包括四種識別分類。

結(jié)果發(fā)現(xiàn)  在表格1中中優(yōu)化問題，通過表格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均值，所有訓(xùn)練階段的刺激和元分類的四種類別間的配對樣本T檢驗，其block的性能顯著為0.013。

為了評估我們的方法是否在反饋過程中降低了性能的可變性，我們計算標準方法的所有60個Block的標準偏差，所有的試驗都是相同的，以及元分類器。圖4顯示了一個散點圖的結(jié)果?？梢钥闯?，我們提出的方法減少了14個被試中11個被試:表現(xiàn)的可變性，其中一個被試的可變性是相同的，而對于兩個被試，標準過程的績效波動比較低。配對樣本T檢驗揭示了p小于0.05的顯著關(guān)系。

圖4：所有模塊的性能標準偏差散點圖。每個點代表一個被試。 左上角的百分比表示元分類器多少被試具有較低的標準偏差的。p表明配對t檢驗的顯著性

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，因為它保留了響應(yīng)性的腦電圖測量，而同時顯著增強分類識別率以及性能的最小化波動。

參考文獻：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臺式近紅外和Brains product的BrainAmp腦電設(shè)備均為我司獨家全國總代理的高端腦科學(xué)儀器，公司專注于腦科學(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)療機構(gòu)提供神經(jīng)診斷、監(jiān)護、治療方案及服務(wù)；為高等院校、研究機構(gòu)提供教學(xué)、研究方法及服務(wù)；為體育科研、訓(xùn)練機構(gòu)提供科研、訓(xùn)練手段及服務(wù)。您的需求是我們發(fā)展的動力。

版權(quán)聲明：本文系瀚翔生物原創(chuàng)編譯整理，轉(zhuǎn)載請留言，獲取授權(quán)，并注明作者和出處。