運動想象腦-機接口的神經(jīng)機制與識別算法研究.pdf

1、運動想象腦-機接口（Motor Imagery-based Brain-Computer Interface，MI-BCI）提供了一條不經(jīng)周圍神經(jīng)系統(tǒng)的替代性運動輸出通路，在運動輔助和神經(jīng)康復(fù)領(lǐng)域有著巨大的應(yīng)用價值。國內(nèi)外許多研究單位均發(fā)展出了能夠?qū)崟r輸出控制命令的在線MI-BCI系統(tǒng)，但是由于受腦電（Electroencephalogram，EEG）記錄電極技術(shù)，腦電信號非平穩(wěn)性，環(huán)境噪聲，分類識別穩(wěn)定性和被試間差異等因素的影響，多數(shù)

2、在線 MI-BCI在線系統(tǒng)無法走出實驗室。本文采用 EEG和功能磁共振（functional Magnetic Resonance Imaging，fMRI）兩種模態(tài)，首先從靜息態(tài)入手研究了影響MI-BCI控制表現(xiàn)的神經(jīng)機制，其次發(fā)展了一種魯棒性更好的特征提取算法和分類性能更高的模式識別算法。主要研究內(nèi)容如下：
　　1.不同被試操控 MI-BCI的表現(xiàn)存在差異，我們提出了一個可以有效預(yù)測被試MI-BCI控制表現(xiàn)的靜息態(tài)譜熵指標(biāo)，它

3、源自于C3電極記錄的2分鐘的閉眼靜息態(tài)EEG數(shù)據(jù)。譜熵指標(biāo)與被試的MI-BCI控制表現(xiàn)的相關(guān)系數(shù)達到0.65。在同一實驗數(shù)據(jù)集內(nèi)和不同實驗數(shù)據(jù)集間的分類中，該指標(biāo)均表現(xiàn)出了優(yōu)良的區(qū)分MI-BCI控制表現(xiàn)高/低被試的能力，分類準(zhǔn)確率分別為82％和89%。據(jù)文獻調(diào)研，本研究是第一個討論不同實驗數(shù)據(jù)集條件下MI-BCI控制表現(xiàn)的預(yù)測指標(biāo)的分類穩(wěn)定性的工作。靜息態(tài)EEG譜熵指標(biāo)有助于在短時間內(nèi)鑒定被試潛在的MI-BCI控制能力，避免對“盲”被試

4、進行耗時的、無意義的訓(xùn)練。
　　2.從靜息態(tài)EEG腦網(wǎng)絡(luò)的角度分析了MI-BCI控制表現(xiàn)被試間差異的神經(jīng)機制。發(fā)現(xiàn)靜息態(tài)EEG腦網(wǎng)絡(luò)的空間拓撲結(jié)構(gòu)與MI-BCI控制表現(xiàn)緊密相關(guān)，其中腦網(wǎng)絡(luò)的平均功能連接強度，節(jié)點度，連接邊強度，聚類系數(shù)，局部效率和全局效率與被試的MI-BCI控制表現(xiàn)呈現(xiàn)正相關(guān)關(guān)系，而腦網(wǎng)絡(luò)的特征路徑長度與其呈負相關(guān)關(guān)系。這揭示出高效率的靜息態(tài) EEG腦網(wǎng)絡(luò)有助于提高被試的MI-BCI控制能力。進一步，基于靜息態(tài)E

5、EG腦網(wǎng)絡(luò)的四個信息傳輸效率指標(biāo)，構(gòu)建了一個多元線性回歸模型來預(yù)測被試的MI-BCI控制能力，預(yù)測值與真實值之間的相關(guān)系數(shù)為0.75，均方根誤差為10.5%。
　　3.基于 fMRI數(shù)據(jù)，在體素水平上計算了大腦功能網(wǎng)絡(luò)中所有節(jié)點的功能連接密度（Functional Connectivity Density，F(xiàn)CD）。主要發(fā)現(xiàn)雙側(cè)殼核、腦島和枕中回是與被試MI-BCI控制能力相關(guān)的重要節(jié)點，其中雙側(cè)殼核和腦島處的長程 FCD與 MI

6、-BCI控制表現(xiàn)負相關(guān)，而雙側(cè)枕中回處的長程FCD與MI-BCI控制表現(xiàn)正相關(guān)，以上結(jié)果有助于加深我們對MI-BCI控制的大腦網(wǎng)絡(luò)機制的理解。
　　4.提出了一種局部時間相關(guān)共空間模式（Local Temporal Correlation Common Spatial Patterns，LTCCSP）方法用于MI-BCI的特征提取。該方法將局部時間相關(guān)信息作為權(quán)重加入到CSP（Common Spatial Patterns）算法的

7、協(xié)方差矩陣的估計過程中，可以提高估計出的空間濾波器的魯棒性。仿真實驗結(jié)果顯示，LTCCSP在不同噪聲出現(xiàn)概率情況下均能保持較高的分類識別準(zhǔn)確率。在基于真實MI-BCI數(shù)據(jù)的對比實驗中，我們發(fā)現(xiàn)LTCCSP依然能夠獲得最高的分類識別準(zhǔn)確率。上述結(jié)果一致揭示出LTCCSP算法可以有效的提取MI-BCI的運動想象相關(guān)EEG特征，且具有較高的魯棒性。
　　5.提出一種用于MI-BCI的分類識別算法Z-LDA（Z-score Linear

8、Discriminant Analysis）。經(jīng)典LDA（Linear Discriminant Analysis）算法只使用訓(xùn)練集樣本低維投影后分布的均值來定義分類邊界，而 Z-LDA同時使用投影后分布的均值和標(biāo)準(zhǔn)差信息來定義分類邊界，能夠自適應(yīng)的調(diào)整分類邊界以適應(yīng)待分類樣本異方差分布的情況。從仿真數(shù)據(jù)集和2個真實的MI-BCI數(shù)據(jù)集得到的結(jié)果一致顯示，Z-LDA能夠取得顯著高于傳統(tǒng)LDA方法的分類正確率，表明本文所提出的新型分類邊界