基于信息流增益算法的腦運動功能康復(fù)效果評價研究

閆 錚 俞謝益 吳 畏

1(華僑大學(xué)信息科學(xué)與工程學(xué)院，福建 廈門 361021)2(華南理工大學(xué)自動化科學(xué)與工程學(xué)院，廣州 510640)

基于信息流增益算法的腦運動功能康復(fù)效果評價研究

閆 錚1*俞謝益1吳 畏2

1(華僑大學(xué)信息科學(xué)與工程學(xué)院，福建 廈門 361021)2(華南理工大學(xué)自動化科學(xué)與工程學(xué)院，廣州 510640)

近年來有學(xué)者提出構(gòu)建主動意愿驅(qū)動的腦-機交互式康復(fù)訓(xùn)練方法，這將有助于提高中風(fēng)后康復(fù)訓(xùn)練的效果。研究發(fā)現(xiàn)，隨著訓(xùn)練的累積，患者的在線準(zhǔn)確率逐步提高，然而這并不能直接反映患者自身運動功能的恢復(fù)情況。借助于在線記錄的腦電圖(EEG)數(shù)據(jù)，通過離線分析，尋找中風(fēng)患者經(jīng)康復(fù)訓(xùn)練后大腦運動功能康復(fù)效果的客觀評價參數(shù)。為此，使用經(jīng)典想象運動(MI)作為訓(xùn)練范式。在線分類方法采用廣泛認(rèn)可和使用的共空間模式(CSP)結(jié)合線性分類器(LDA)的方法，離線分析方法則采用腦功能連接網(wǎng)絡(luò)信息流增益地形圖來評估大腦運動認(rèn)知功能的改善。3名正常受試參與實驗用于驗證在線算法，與中風(fēng)患者的結(jié)果進行對照分析。一名中風(fēng)后上肢功能障礙患者進行了12 d，連續(xù)測試，臨床量表顯示其訓(xùn)練前后的評分分別為9分和21分。與之相應(yīng)的分析結(jié)果不僅表現(xiàn)在準(zhǔn)確率的提高上，信息流增益地形圖顯示隨著訓(xùn)練天數(shù)的增加，腦信息交互樞紐位置發(fā)生明顯遷移，逐漸趨近于正常人的模式，具體表現(xiàn)在從訓(xùn)練前的強偏側(cè)性變?yōu)榱隧斎~集中的模式。該結(jié)果提示，基于網(wǎng)絡(luò)計算得到的信息流增益參數(shù)或可作為康復(fù)效果客觀評價的一種新手段。

腦電圖(EEG)； 想象運動(MI)； 腦功能網(wǎng)絡(luò)； 信息流增益

引言

腦-機接口(brain-computer interface, BCI)通過對腦信號做特征提取及模式分類處理，把腦信號轉(zhuǎn)換成對外部設(shè)備的控制命令，從而實現(xiàn)人腦與外部環(huán)境的通信[1-2]。BCI技術(shù)應(yīng)用廣泛，越來越多的學(xué)者致力于BCI技術(shù)的發(fā)展和應(yīng)用研究[3-7]。在已有研究的基礎(chǔ)上，近年來學(xué)者們提出了BCI在“功能恢復(fù)”方面的應(yīng)用前景，即：將BCI作為一種康復(fù)訓(xùn)練的方法，給大腦在線學(xué)習(xí)和可塑提供一個平臺，通過對大腦可塑性的引導(dǎo)來恢復(fù)大腦的功能[8-9]。相對于傳統(tǒng)康復(fù)訓(xùn)練，BCI為康復(fù)訓(xùn)練提供了一個意愿驅(qū)動的渠道，進而實現(xiàn)主動式康復(fù)訓(xùn)練。根據(jù)運動學(xué)習(xí)理論，主動患者參與的康復(fù)訓(xùn)練模式將有更好的恢復(fù)效果。

目前，已有一些研究小組開展了基于BCI技術(shù)的神經(jīng)康復(fù)研究工作[10-14]。然而，其中存在一些關(guān)鍵問題尚未得到解決。首先，已有的研究主要分析在線數(shù)據(jù)，目的在于提高系統(tǒng)的準(zhǔn)確率，卻忽視了康復(fù)過程中的分析研究；如果將在線記錄的數(shù)據(jù)以訓(xùn)練天數(shù)作為尺度，則可觀察患者在整個訓(xùn)練周期中腦模式的變化，為康復(fù)效果提供一種客觀評價參數(shù)。其次，目前對于BCI系統(tǒng)的信號分析多采取“功能定位”的研究方法，即選定與功能區(qū)有關(guān)的導(dǎo)聯(lián)進行特征分類。對于康復(fù)而言，可能涉及整個大腦的可塑性變化，較“功能定位”的思路，采用“功能整合”的思路將更為合適。研究表明，大腦不同區(qū)域通過協(xié)同作用和交互連接，形成一個復(fù)雜皮層網(wǎng)絡(luò)[15-16]。尤其對于康復(fù)訓(xùn)練，網(wǎng)絡(luò)層面的分析可以提供一個觀測的窗口。

考慮到以上關(guān)鍵問題，筆者擬采用網(wǎng)絡(luò)分析的思路，對在線記錄的腦電數(shù)據(jù)以訓(xùn)練天數(shù)作為尺度，分析患者在訓(xùn)練過程中腦網(wǎng)絡(luò)模式的變化情況。為此，本研究采用了經(jīng)典想象運動(motor imagery, MI)BCI范式構(gòu)建平臺。選取一名中風(fēng)患者連續(xù)訓(xùn)練12 d，對其訓(xùn)練過程進行了EEG的跟蹤采集。結(jié)果表明，患者隨著訓(xùn)練天數(shù)的增加，系統(tǒng)控制準(zhǔn)確率逐步提高。對12 d記錄的數(shù)據(jù)進行離線分析發(fā)現(xiàn)，中風(fēng)患者在進行想象運動的過程中，大腦呈現(xiàn)較強的偏側(cè)性。對每天的訓(xùn)練數(shù)據(jù)分析發(fā)現(xiàn)，隨著訓(xùn)練的進程，患者的偏側(cè)性逐漸減弱，最終呈現(xiàn)出與正常人大體相同的網(wǎng)絡(luò)模式。

1 方法

1.1系統(tǒng)平臺搭建

主要的系統(tǒng)平臺包括用于采集腦電圖(electroencephalogram, EEG)的腦電放大器，一臺用于顯示腦電信號波形的PC機作為服務(wù)端，另外一臺用于進行EEG信號在線處理的電腦作為客戶端。

實驗任務(wù)采用經(jīng)典想象運動范式，任務(wù)為控制顯示器屏幕上的小球并使其左右運動，最終擊中屏幕上方顯示的目標(biāo)靶位置則為成功。整個過程分為：準(zhǔn)備階段，3 s；想象運動控制階段，在6 s的時間里，要求患者想象患側(cè)的上肢運動來控制小球，擊中患側(cè)方的標(biāo)靶；結(jié)果反饋階段，以及時長為5 s的休息階段。

在線算法采用廣為認(rèn)可和使用的共空間模式(common spatial pattern, CSP)算法求解空域濾波器，最大化不同想象運動狀態(tài)的能量比[17-18]。分類器使用線性分類器(linear discriminant analysis, LDA)進行左右兩種想象任務(wù)的分類。

1.2數(shù)據(jù)離線分析

在之前的研究中，已將有向傳遞函數(shù)(directed transfer function, DTF)引入到穩(wěn)態(tài)視覺誘發(fā)電位(steady-state visual evoked potential, SSVEP)的機制研究中。結(jié)果發(fā)現(xiàn)，在SSVEP視覺刺激中，枕頂葉作為一個連接皮層，用來集散大腦信息的交互[19]。在文獻[20]中，基于腦功能網(wǎng)絡(luò)方法，提出了信息流增益的概念，并對其應(yīng)用做了展望。借助上述方法，本研究對3名正常受試和1名中風(fēng)患者在執(zhí)行想象左手時的腦電數(shù)據(jù)進行了網(wǎng)絡(luò)分析，并繪制信息流增益腦地形圖進行比較。此外，對于該患者訓(xùn)練之前及12 d訓(xùn)練過程中每天記錄的數(shù)據(jù)也進行了信息流增益的計算，用以觀察其在康復(fù)訓(xùn)練過程中腦信息交互模式的變化。

將導(dǎo)聯(lián)為N的腦電數(shù)據(jù)表示為

X=[x1(t),x2(t),…,xN(t)]T

(1)

對其做多元自回歸(multi-variate autoregressive, MVAR)擬合，得到[21]

(2)

式中，Λ(k)中的元素為MVAR模型參數(shù)，E(t)為零均值白噪聲向量，p為擬合階次。

接著，對式(2)兩邊做傅里葉變換，得到

X(f)=Λ-1(f)E(f)=H(f)E(f)

(3)

式中，

(4)

觀察式(3)，易見H(f)為系統(tǒng)傳遞函數(shù)，其中定義元素Hij描述以j為輸入；i為輸出的兩個導(dǎo)聯(lián)間的連接強度，由此構(gòu)建DTF連接矩陣[22]，有

(5)

考慮方向信息，以導(dǎo)聯(lián)m為例，定義流入信息和流出信息為

(6)

由此計算信息流增益為

(7)

1.3實驗數(shù)據(jù)采集

EEG信號使用Synamps2系統(tǒng)采集(NeuroScan Inc.)，采樣率設(shè)為1 000 Hz。導(dǎo)聯(lián)數(shù)目選取64全腦覆蓋，位置采用國際通用10-20規(guī)則。參考電極位于頭頂，實驗中保持導(dǎo)聯(lián)阻抗在5 kΩ以下。

總計4名(3名正常人，1名中風(fēng)患者)參與了實驗，均知情同意。患者由中國人民解放軍總醫(yī)院(301醫(yī)院)提供。患者為男性，53歲，患病8個月，右側(cè)大腦中動脈閉塞，癥狀為左手癱瘓。其前臂幾乎完全喪失運動功能，但大臂還具有一定靈活性，F(xiàn)ugl-Meyer量表評測為9分(滿分66分)。該患者無意識障礙，大腦中無金屬植入物。

2 結(jié)果

2.1在線分類準(zhǔn)確率

正常受試(3名)的系統(tǒng)控制平均準(zhǔn)確率為93.7%，證明了在線分類算法的有效性，與正常受試比較，中風(fēng)患者的實驗控制難度較大，主要原因是其上肢會出現(xiàn)痙攣，對腦電信號引入噪聲干擾，還無法長時間保持安靜坐姿。因此，在實驗前對該患者先做痙攣觀察，在確定穩(wěn)定的情況下再開始訓(xùn)練任務(wù)。另外，根據(jù)中風(fēng)患者的身體情況將其每天的訓(xùn)練強度設(shè)定為3～5組不等，每組進行30次任務(wù)訓(xùn)練。系統(tǒng)的控制準(zhǔn)確率如表1所示。

表1 中風(fēng)患者系統(tǒng)控制準(zhǔn)確率Tab.1 The accuracy of system control of stroke patient

由表1可見，與正常受試比較，中風(fēng)患者由于患側(cè)運動存在障礙，其相應(yīng)的系統(tǒng)控制準(zhǔn)確率較低，且每天各組的準(zhǔn)確率并不穩(wěn)定。例如，第11、12 d，整個準(zhǔn)確率都比較高，但是也存在個別組次的準(zhǔn)確率僅為40%的情況。在實驗中，可以明顯觀察到患者的控制力較弱，長期實驗容易疲勞，且較容易情緒化，這些都是造成準(zhǔn)確率不夠穩(wěn)定的主要原因。

對比每天的平均準(zhǔn)確率可以看到，隨著訓(xùn)練天數(shù)的增加，患者的總體系統(tǒng)控制率呈上升趨勢。這在一定程度上說明患者的想象運動能力得到加強，對應(yīng)患側(cè)的腦區(qū)得到了強化。進一步發(fā)現(xiàn)，在整個12 d的訓(xùn)練周期中，準(zhǔn)確率的分布形式呈現(xiàn)大致3個階段：第1～4 d，準(zhǔn)確率較低，緩慢上升；第5～8 d，準(zhǔn)確率有顯著提高，在第8 d達到了100%；第9～12 d，準(zhǔn)確率有所下落，但總體高于前4 d的準(zhǔn)確率，大體在80%左右。筆者推測，在準(zhǔn)確率上升階段，隨著訓(xùn)練次數(shù)的增加，患者逐漸適應(yīng)了該系統(tǒng)，并且訓(xùn)練強度累積到一定程度，患者的康復(fù)訓(xùn)練起到了實際作用。而后期的準(zhǔn)確率下降，可能與康復(fù)訓(xùn)練的周期有關(guān)。在傳統(tǒng)的康復(fù)訓(xùn)練中也分多個療程，在臨床上有最佳康復(fù)治療期、平緩期等的分期[23]。

2.2離線的網(wǎng)絡(luò)分析及流增益結(jié)果

采用DTF構(gòu)建大腦連接網(wǎng)絡(luò)，并計算流增益來繪制腦地形圖。對正常受試和患者訓(xùn)練前的腦功能網(wǎng)絡(luò)模式進行比較，結(jié)果如圖1所示。由圖可見，正常受試的腦功能連接呈現(xiàn)兩個較為密集的連接區(qū)域，一個是右側(cè)運動區(qū)附近存在大量的連接，另一個是位于中央頂葉?；颊叩倪B接模式呈現(xiàn)較為明顯的偏側(cè)性，而最為密集的區(qū)域位于正常運動區(qū)的右側(cè)。從信息流增益地形圖上可見，正常受試的大腦連接樞紐區(qū)域位于中央處理區(qū)。作為運動的感知和運動信息交互的中央處理區(qū)，在想象運動中起著關(guān)鍵作用；而中風(fēng)患者其連接樞紐的位置則偏離中央處理區(qū)，且分布范圍較為局限。這可能是由于患者左手癱瘓，對應(yīng)大腦右側(cè)運動區(qū)域損壞，因此有大腦總體連接呈現(xiàn)出更多的局部聚集現(xiàn)象。

進一步用功能連接網(wǎng)絡(luò)計算信息流增益，并繪制腦地形圖，圖2顯示了患者12 d訓(xùn)練的結(jié)果?？梢钥吹?，在訓(xùn)練的前5 d，連接樞紐位置的呈現(xiàn)較不規(guī)律；在第6～9 d，大腦出現(xiàn)更多的信息交互，并且在左右腦區(qū)皆有分布，表明患者調(diào)用更多的大腦資源；在最后幾天里，中央處理區(qū)附近出現(xiàn)連接樞紐，第12 d的結(jié)果已經(jīng)較接近正常受試的分布。聯(lián)系Fugl-Meyer量表的評測結(jié)果，在訓(xùn)練初期，該名患者只得到了9分；經(jīng)過12 d的訓(xùn)練后再次進行量表測試，得分為21分。由此，有理由相信，通過對各腦區(qū)的聯(lián)合分析，有可能為康復(fù)效果的評價提供一種新的手段。以往的運動功能評價主要借助于臨床量表，量表的結(jié)果比較依賴于醫(yī)生的經(jīng)驗及主觀態(tài)度，而腦電信號的評價則是一種相對客觀的評價指標(biāo)。

3 結(jié)論

圖1 正常受試和中風(fēng)患者想象左手時的功能連接模式圖和信息流增益地形圖Fig.1 The brain connectivity patterns and flow gain mapping of normal subject and stroke patient when performing motor imagery of left hand

圖2 患者12 d的信息流增益地形圖Fig.2 The flow gain mapping of stroke patient during the 12-training day

本研究旨在通過引入網(wǎng)絡(luò)分析方法，尋找中風(fēng)患者經(jīng)康復(fù)訓(xùn)練后大腦運動功能康復(fù)效果的客觀評價參數(shù)。通過分析4名受試的實驗數(shù)據(jù)可得出以下結(jié)論：1)進一步證實中風(fēng)患者可通過學(xué)習(xí)，控制基于想象運動的BCI系統(tǒng)進行運動功能的康復(fù)訓(xùn)練；2)由腦功能網(wǎng)絡(luò)模式分析發(fā)現(xiàn)，中央處理區(qū)在想象運動中起著信息交互樞紐的作用，而中風(fēng)患者則呈現(xiàn)偏側(cè)性較強的網(wǎng)絡(luò)連接模式；3)隨著訓(xùn)練天數(shù)的增加、訓(xùn)練強度的累積、患者功能的恢復(fù)，系統(tǒng)的控制準(zhǔn)確率逐漸提高；4)通過信息流增益的計算，可觀察到信息交互樞紐位置在康復(fù)過程中的遷移。該方法可為康復(fù)效果的客觀評價提供一些啟示。

在本研究結(jié)果的基礎(chǔ)上，未來應(yīng)引入更多的患者數(shù)據(jù)，且保證患者具有可比性，設(shè)置足夠數(shù)量的對照組對結(jié)果進行統(tǒng)計驗證。另外，在實驗中在跟蹤采集數(shù)據(jù)的同時，未能相應(yīng)地測量每天的臨床量表評分，使得結(jié)果在與量表的對應(yīng)討論上只能對比訓(xùn)練前后的情況，而無法進行天與天之間的對照。在后續(xù)的實驗中，應(yīng)在細節(jié)方面有更全面的考量。

致謝(感謝畢勝、寇程在患者篩選及提供上的幫助)。

[1] Wolpaw JR, Birbaumer N, McFarland J,etal. Brain-computer interfaces for communication and control [J]. Clin Neurophysiol, 2002,113(6):767-791.

[2] Vaughan TM, McFarland DJ, Schalk G,etal. The wadsworth BCI research and development program: at home with BCI [J]. IEEE Trans Neural Syst Rehabil Eng, 2006,14(2): 299-233.

[3] Leuthardt EC, Schalk G, Wolpaw JR,etal. A brain-computer interface using electrocorticographic signals in humans [J]. J Neural Eng, 2004,1(2): 63-71.

[4] Kennedy PR, Bakay RA, Moore MM,etal. Direct control of a computer from the human central nervous system [J]. IEEE Trans Rehabil Eng, 2000,8(2): 198-202.

[5] Kennedy PR, Bakay RA. Restoration of neural output from a paralyzed patient by a direct brain connection [J]. Neuroreport, 1998,9(8): 1707-1711.

[6] Wessberg J, Stambaugh CR, Kralik JD,etal. Real-time prediction of hand trajectory by ensembles of cortical neurons in primates [J]. Nature, 2000,408(6810): 367-371.

[7] Pfurtscheller G, Muller GR, Pfurtscheller J,etal. ‘Thought’-control of functional electrical stimulation to restore hand grasp in a patient with tetraplegia [J]. Neuroscience Letters, 2003,351(1): 33-36.

[8] Daly JJ, Wolpaw JR. Brain-computer interfaces in neurological rehabilitation [J]. Lancet Neurol, 2008,7(11): 1032-1043.

[9] 劉小燮, 畢勝, 高小榕. 基于運動想象的腦機交互康復(fù)訓(xùn)練新技術(shù)對腦卒中大腦可塑性影響 [J].中國康復(fù)醫(yī)學(xué)雜志, 2013,28(2): 97-102.

[10] Shahid S, Sinha R, Prasad G. Mu and beta rhythm modulations in motor imagery related post-stroke EEG: a study under BCI framework for post-stroke rehabilitation [J]. BMC Neuroscience, 2010,11(1): 127-128.

[11] Pan Yaozhang, Goh Q, Ge S,etal. Mind robotic rehabilitation based on motor imagery brain computer interface [C/CD]//International Conference on Social Robotics. Singapore: ION, 2010: 161-171.

[12] Ang K, Guan C, Chua K,etal. Clinical study of neurorehabilitation in stroke using EEG-based motor imagery brain-computer interface with robotic feedback [C]//Proceedings of IEEE EMBS. Buenos Aires: IEEE, 2010: 5529-5552.

[13] Fei Meng, Tong Kaiyu, Chan Suktak,etal. BCI-FES training system design and implementation for rehabilitation of stroke patients [C/CD]//Proceedings of the International Joint Conference on Neural Networks. Hong Kong: ION, 2008: 4103-4106.

[14] 李明芬, 賈杰, 劉燁. 基于運動想象的腦機接口康復(fù)訓(xùn)練對腦卒中患者上肢運動功能改善的認(rèn)知機制研究 [J]. 成都醫(yī)學(xué)院學(xué)報, 2012,7(4): 519-523.

[15] Schnitzler A, Gross J. Normal and pathological oscillatory communication in the brain [J]. Nature Reviews Neuroscience, 2005,6(4): 285-296.

[16] Sporns O, Chialvo DR, Kaiser M,etal. Organization, development and function of complex brain networks [J]. Trends in Cognitive Sciences, 2004,8(9): 418-425.

[17] Muller-Gerking J, Pfurtscheller G, Flyvbjerg H. Designing optimal spatial filters for single-trial EEG classification in a movement task [J]. Clin Neurophysiol, 1999,110(5): 787-798.

[18] Ramoser H, Gerking JM, Pfurtscheller G. Optimal spatial filtering of single trial EEG during imagined hand movement [J]. IEEE Trans Rehabil Eng, 2000,8(4): 441-446.

[19] Yan Zheng, Gao Xiaorong. Functional connectivity analysis of steady-state visual evoked potentials [J]. Neuroscience Letters, 2011,499(3): 199-203.

[20] 閆錚，高小榕，應(yīng)俊. 基于認(rèn)知功能連接的信息流增益計算方法及應(yīng)用 [J].電子與信息學(xué)報, 2014,36(11): 2756-2761.

[21] Franaszczuk P, Blinowska K, Kowalcayk M. The application of parametric multichannel spectral estimates in the study of electrical brain activity [J]. Biological Cybernetics, 1985,51(4): 239-247.

[22] Kaminski M, Blinowska K. A new method of the description of the information flow in the brain structures [J]. Biological Cybernetics, 1991,37(3): 203-210.

[23] 繆鴻石. 中樞神經(jīng)系統(tǒng)(CNS)損傷后功能恢復(fù)的理論(一) [J]. 中國康復(fù)理論與實踐，1995,1(1): 1-4.

Study of the Rehabilitation Effect Evaluation of Brain Motor Function Based on the Method of Flow Gain

Yan Zheng1*Yu Xieyi1Wu Wei2

1(School of Information Science and Engineering, Huaqiao University, Xiamen 361021, Fujian, China)2(School of Automation Science and Engineering, South China University of Technology, Guangzhou 510640, China)

electroencephalogram (EEG); motor imagery (MI); brain functional network; flow gain

10.3969/j.issn.0258-8021. 2015. 03.015

2015-01-20， 錄用日期:2015-02-03

國家自然科學(xué)基金(61203369, 61403144)

R318

D

0258-8021(2015) 03-0365-05

*通信作者(Corresponding author)， E-mail: zhengyan.thu@gmail.com