運動相關(guān)腦電信號的運動意圖預(yù)測方法研究

，，

(中國電子科技集團(tuán)公司第二十七研究所，鄭州 450047 )

0 引言

運動意圖的神經(jīng)解碼已被廣泛研究并應(yīng)用于大腦運動皮質(zhì)(M1)的神經(jīng)元活動，其神經(jīng)元放電模式編碼肢體運動的方向信息的方式可用于目標(biāo)動作預(yù)測[1]。研究表明，在運動規(guī)劃和執(zhí)行過程中，后頂葉皮層區(qū)(posterior parietal cortex, PPC) 的運動相關(guān)電位扮演著重要的作用。

運動相關(guān)電位是一種慢性皮質(zhì)電位，近年來運動意圖檢測將其被廣泛用于驅(qū)動腦-機(jī)接口系統(tǒng)外部設(shè)備。文獻(xiàn)[2]通過研究腦電圖的時間動態(tài)特性，探討了運動意圖的基本原理。文獻(xiàn)[3]通過對九名受試者EEG中運動相關(guān)電位的實時檢測，可提高BCI系統(tǒng)的精度和實時性。文獻(xiàn)[4-6]對健康受試者和中風(fēng)患者的一系列研究中，已經(jīng)確定可以通過運動相關(guān)電位檢測到運動意圖，其具有足夠短的延遲以通過觸發(fā)外周神經(jīng)引起皮質(zhì)快速興奮。在人類腦電信號解析方面，運動方向解碼雖然取得了一定的研究成果及突破。對于頭皮腦電信號(electroencephalographic, EEG)的方向識別準(zhǔn)確率比較低，一般在65%以下[7-8]，文獻(xiàn)[9]利用共空間模式和功率譜密度算法識別左右腳運動意圖監(jiān)測，并獲得72.6%和72.2%的分類識別率。如何提取并優(yōu)化提取EEG信號中的有效成分，用于運動方向預(yù)測以及如何利用運動準(zhǔn)備前(即運動規(guī)劃階段)的EEG信號提高運動方向預(yù)測的正確率是目前國內(nèi)外腦電信號研究和運動方向預(yù)測的瓶頸之一。

想象運動和實際運動之間具有類似的神經(jīng)機(jī)制，并且能夠通過想象運動相關(guān)的腦電信號識別參與想象運動的肢體類型[10]，且運動前的神經(jīng)活動或者伴隨運動的神經(jīng)活動編碼了運動的方向、速度和其他信息[11]。事件相關(guān)電位(event-related potentials, ERPs)在一定程度上反映感覺、知覺或認(rèn)知活動動態(tài)加工的過程，其中運動相關(guān)電位(movement-related potentials, MRPs)作為ERPs的一種，可以反映運動準(zhǔn)備、運動過程和運動結(jié)束的動態(tài)加工過程[12]；mu/beta節(jié)律的事件相關(guān)同步/去同步(event-related (de)synchronization, ERS/ERD)，用來反映運動前、運動過程中和運動結(jié)束后感覺運動區(qū)能量的變化關(guān)系，其對側(cè)化特征也可以反映參與運動或想象運動的肢體類型[13]。

為研究運動相關(guān)腦電如何表征運動意圖預(yù)測，本研究通過左、右手兩任務(wù)運動想象實驗范式，采集運動想象任務(wù)開始前運動準(zhǔn)備階段的腦電信號，以及運動想象任務(wù)執(zhí)行時的腦電信號數(shù)據(jù)，通過聯(lián)合MRPs與mu/beta節(jié)律的ERD/ERS特征，采用WPD-CSP特征提取方法，利用支持向量機(jī)(support vector machine, SVM)進(jìn)行運動意圖預(yù)測解碼，根據(jù)運動意圖預(yù)測準(zhǔn)確率驗證提取運動意圖特征的有效性。

1 實驗

11名健康受試者參與實驗，其中8男3女，平均年齡26.4歲，碩士以上學(xué)歷，工科背景。所有受試者皆為右利手，視覺與聽覺均正常。除了受試者S1、S5、S6和S8參與過腦-機(jī)器接口EEG數(shù)據(jù)采集外，其他均沒有EEG和BCI實驗的經(jīng)驗，也沒有受試者有已知的感覺運動疾病或心理病史。

1.1 范式設(shè)計

實驗開始前，受試者按自己舒適的習(xí)慣方式坐在椅子上，處于放松狀態(tài)，準(zhǔn)備開始兩種任務(wù)的運動想象實驗。每種任務(wù)包含30個trial，每個trial包含3個階段：運動準(zhǔn)備階段、運動規(guī)劃及運動執(zhí)行階段。

圖1 完整過程的刺激范式示意圖

一次完整的實驗過程如圖1所示，運動準(zhǔn)備階段(起始時刻t=0 ms)：刺激范式顯示“+”，提示受試者集中注意力，準(zhǔn)備實驗；運動規(guī)劃階段(t=1 000 ms)：單次運動想象任務(wù)實驗中，左、右兩個任務(wù)(“┤”、“├”) 隨機(jī)出現(xiàn)一次，持續(xù)時間為1 000 ms，提示受試者準(zhǔn)備進(jìn)行運動想象任務(wù)，受試者身體保持靜止?fàn)顟B(tài)；運動執(zhí)行階段(t=2 000 ms)：范式出現(xiàn)“←”或“→”，提示受試者開始想象運動，持續(xù)時間為3 000 ms。每組實驗連續(xù)采集，實驗期間加入短暫的休息提示，受試者可適當(dāng)休息。

1.2 數(shù)據(jù)采集

本研究的數(shù)據(jù)采集設(shè)備為本研究機(jī)構(gòu)自主研制的16導(dǎo)EEG放大器[14]，0～100 Hz帶寬，1 000 Hz采樣頻率，24位A/D轉(zhuǎn)換器。

運動準(zhǔn)備過程會誘發(fā)大腦額葉皮質(zhì)區(qū)和初級運動皮層區(qū)的電位變化，不同的受試者，關(guān)聯(lián)通道會存在差異[15]。在本研究中采用國際標(biāo)準(zhǔn)的10-20系統(tǒng)，主要采集運動功能區(qū)的9個電極FC3、FCz、FC4、C3、Cz、C4、CP3、CPz 和CP4，如圖2所示。

圖2 電極位置分布圖

2 信號處理及分類

算法和實驗在Windows XP系統(tǒng)Matlab R2012b環(huán)境下實現(xiàn)，配置環(huán)境為：Intel(R) Core(TM) i7-5500U CPU @2.4 GHz。

本研究的信號處理及分類算法設(shè)計由四部分組成：數(shù)據(jù)采集、預(yù)處理、特征提取和分類識別。算法設(shè)計流程圖如圖3所示。

圖3 算法設(shè)計流程圖

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括：降采樣、陷波、去基線漂移、基線校準(zhǔn)、去眼電。具體如表1所示。

表1 腦電信號預(yù)處理算法

2.2 特征提取及分類識別

2.2.1 特征提取

本研究提出一種聯(lián)合頻域和空域特征的多維特征提取算法，首先對待分析腦電信號進(jìn)行小波包分解[16](wavelet packet decomposition，WPD)，再重構(gòu)；然后采用共空間模式 (common spatial patterns, CSP)進(jìn)行空域濾波特征提取[17]，實現(xiàn)時-頻-空域的多維聯(lián)合。WPD是一種高效的時頻分析快速算法，通過多尺度小波分解，構(gòu)建特征頻段的小波包分解系數(shù)特征向量；CSP提取不同電極所采集的運動想象信號的高維空域特征進(jìn)行對角化，分別最大限度的最大化和最小化兩類方差。聯(lián)合離散小波分解和共空間模式不僅能有效利用WPD的時頻特征，而且能彌補(bǔ)CSP缺乏頻域信息等缺陷。

WPD不僅將頻帶進(jìn)行多層次劃分，而且對高頻部分也進(jìn)一步的分解，具有更好的時頻特性，提高了運動想象EEG信號的分析精度。以db4小波對每個導(dǎo)聯(lián)的信號進(jìn)行6層分解，得到S(6,0)-S(6,63)共64個子帶信號，其中S(6,0)對應(yīng)的子帶頻率為[0 7.8]Hz，在EEG信號中，有關(guān)方向信息主要集中在低頻和高頻部分，由于EEG信號通過顱骨傳輸?shù)筋^皮時出現(xiàn)高頻的劇烈衰減，主要分析低頻段數(shù)據(jù)，故選取S(6,0)子帶信號。

經(jīng)WPD重構(gòu)后得到一個具有頻率特征的矩陣EH×L，其中H是通道數(shù)，L是采樣點數(shù)，歸一化后的腦電數(shù)據(jù)的協(xié)方差矩陣為：

(1)

使用C1和C2分別表示兩種狀態(tài)下的協(xié)方差矩陣，則合成的協(xié)方差矩陣Ct：

Ct=C1+C2

(2)

又可以將Ct寫成Ct=UtλtUt，為矩陣Ct的特征向量，λt是相對應(yīng)的特征值，通過該變化，特征值按照降序進(jìn)行了排列，與其對應(yīng)的特征向量也重新進(jìn)行了排列，經(jīng)過白化變化得到：

(3)

則C1和C2的協(xié)方差矩陣變換為：

S1=PC1PT，S2=PC2PT

(4)

S1與S2有相同的特征向量，也就是如果S1=Bλ1BT，S2=Bλ2BT，并且λ1+λ2=I，S1與S2有相同的特征向量B，I是單位矩陣。由于兩類矩陣特征值之和為I，則S1的最大特征值所對應(yīng)的特征向量使S2有最小的特征值。

將白化后的EEG信號投影在特征向量B的最小和最大列特征向量上，能夠得到最佳的分類特征。投影矩陣為：

W=BTP

(5)

腦電信號最終可轉(zhuǎn)換為：

Z=WE

(6)

CSP投影矩陣用于訓(xùn)練分類器，只有少數(shù)信號m可以有效區(qū)分各類別。能夠最大區(qū)分的信號Zp通常為λ1和λ2的最大值的對角化矩陣，其為Z的第一和最后m行。特征向量由下列公式獲得：

(7)

在本研究中m=3。

2.2.2 分類識別

對于單次實驗運動意圖腦電信號，具有高度的非線性和非平穩(wěn)性，可供學(xué)習(xí)的樣本較少且與電極組合后樣本特征向量維度較高，降維則會損失有用的信息。SVM[18]利用非線性核函數(shù)將輸入空間的特征向量變換到一個高維空間，使樣本線性可分，在高維空間構(gòu)造線性判別函數(shù)，建立一個超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化，把樣本空間映射到高維空間，把低維空間的線性不可分問題映射為高維空間的線性可分問題。

研究中采用徑向基函數(shù)內(nèi)核：K(xi,xj)=exp(-g(xi-xj))2，作為SVM的核函數(shù)，核函數(shù)系數(shù)g>0，懲罰因子C則決定了SVM的收斂速度及推廣能力，是影響SVM性能的另一個重要參數(shù)。在SVM參數(shù)選取時采用網(wǎng)格法，首先設(shè)定C和g取值范圍，然后進(jìn)行網(wǎng)格劃分，遍歷網(wǎng)格內(nèi)的所有取值點，計算單次遍歷的C和g參數(shù)下訓(xùn)練集的分類正確率，同時利用五折交叉驗證方法保證結(jié)果有效性，依次計算各次遍歷點選出分類正確率最高時對應(yīng)的C和g的值即可。

圖4 參數(shù)C和g選取等高線

3 結(jié)果和討論

3.1 導(dǎo)聯(lián)通道優(yōu)化

采集多名受試者EEG信號，疊加平均EEG中的ERP成分，繪制出一個Trail的腦地形圖，分析時序關(guān)系和各個時刻激活的相關(guān)區(qū)域，確定與運動準(zhǔn)備相關(guān)的通道。其中受試者S8的腦地形圖序列如圖5所示，由圖5所示，運動的起始時刻為2 000 ms，從運動起始前的1 000 ms開始繪制腦地形圖，每隔100 ms畫一幅，觀察大腦的激活腦區(qū)，在1 000～1 100 ms期間，大腦處于靜息的狀態(tài)，從1 400 ms開始，可觀察到大腦激活腦區(qū)開始有明顯變化。在運動開始時刻前的220～280 ms，內(nèi)側(cè)前額及額中央部觀察到ERP的差異，這些活動反映運動意圖的預(yù)測過程。實驗結(jié)果表明，本研究選取的FC3、FCz、FC4、C3、Cz、C4、CP3、CPz 和CP4通道所覆蓋的后頂葉皮層區(qū)能夠表征有關(guān)運動方向的信息。

如圖5所示，運動開始前至少500 ms(約1 500 ms)出現(xiàn)緩慢負(fù)向變化的運動準(zhǔn)備電位可能反映了運動規(guī)劃，運動想象開始后出現(xiàn)由負(fù)電位向正電位變化可能反映了對運動的精細(xì)控制，結(jié)果進(jìn)一步證實了MRPs可以表征運動準(zhǔn)備、運動規(guī)劃和運動執(zhí)行的腦神經(jīng)機(jī)制。

圖5 不同時刻腦區(qū)激活的序列圖

3.2 MRPs及mu和beta節(jié)律特征分析

針對右手想象運動腦電信號，分別計算C3和C4通道的mu/beta節(jié)律的功率譜變化， S8受試者的C3和C4通道腦電信號功率譜見圖6。

圖6 mu/beta節(jié)律的功率譜

由圖6結(jié)果可知，對于C3通道，右手想象時mu和beta節(jié)律的功率譜要比左手小，而對于C4電通道結(jié)果正好相反，這就說明ERD也具有對側(cè)半球優(yōu)勢。實驗結(jié)果發(fā)現(xiàn)，在動作發(fā)生前10 Hz頻率附近的mu/beta節(jié)律會有能量遞減變化。

為了進(jìn)一步細(xì)化研究運動想象信號中表征運動意圖的頻段，將S8受試者的C3和C4導(dǎo)聯(lián)的MRPs信號進(jìn)行了1～10 Hz的時-頻變換，時-頻圖譜如圖7所示。

圖7 C3通道和C4通道MRPs時-頻圖譜

圖7的時-頻圖譜研究表明，運動規(guī)劃和執(zhí)行階段EEG信號中的運動意圖信息主要集中在低頻段，通過對11名受試者腦電信號時頻圖譜的比較分析，發(fā)現(xiàn)在1～7 Hz的信號中包含運動方向的信息。

3.3 分類結(jié)果

對左、右手想象數(shù)據(jù)進(jìn)行預(yù)處理，采用200 ms的滑動時間窗進(jìn)行截取信號，對兩類數(shù)據(jù)按照公式(1)到(7)求協(xié)方差，求白化矩陣和空間源成分，尋找特征值最大和最小的空間源成分對信號進(jìn)行空間濾波，提取低頻分量MRPs與mu和beta節(jié)律的有效的特征。本研究中每位受試者分別進(jìn)行十組實驗，采用SVM算法進(jìn)行分類識別，各次結(jié)果均為十折交叉檢驗后的結(jié)果，分類識別率結(jié)果如圖8和表2所示。

圖8 六名受試者分類識別率結(jié)果

表2 11名受試者平均分類識別結(jié)果

由圖8結(jié)果可知，受試者S3對運動想象不敏感，分類識別率結(jié)果接近隨機(jī)，出現(xiàn)運動想象“盲”現(xiàn)象，其余受試者由于個體差異性，分類識別率略有差異但基本穩(wěn)定。根據(jù)圖8和表2結(jié)果可知，無腦-機(jī)接口實驗經(jīng)驗受試者分類識別率在70%左右，四名有運動想象經(jīng)驗的受試者平均分類識別率為74%左右，最高可達(dá)到85%。本實驗結(jié)果與文獻(xiàn)[19]中Lakany和 Conway的兩任務(wù)分類識別率相當(dāng)，高于文獻(xiàn)[7-8]中的識別率。本文所提算法獲得分類結(jié)果高于文獻(xiàn)[20]中采用ICA和SVM算法所得結(jié)果，驗證了本實驗的可行性和有效性，同時也為下一步確定運動意圖、解析動作狀態(tài)提供參考。

4 結(jié)論

本研究以手部運動想象腦電信號為研究對象，以融合MRPs與ERS/ERD特征為途徑，設(shè)計了包含時頻域與空域的特征提取算法，實現(xiàn)了手部運動意圖預(yù)測，且識別正確率有了顯著提高，經(jīng)過運動想象訓(xùn)練的受試者最高分類識別率達(dá)到85%。初步驗證了手部運動想象腦電信號能夠解碼運動過相關(guān)電位信息，且集中在10 Hz以下的低頻信號成分中，為下一步的運動精細(xì)控制提供技術(shù)支持。

然而仍有一些研究需要進(jìn)一步明確：1)能否設(shè)計自適應(yīng)的算法進(jìn)一步提升運動預(yù)測的準(zhǔn)確率；2)結(jié)合運動準(zhǔn)備電位以及運動執(zhí)行電位是否可以提高識別準(zhǔn)確率；3)腦電信號能否解碼想象運動的運動速度、力的變化率和目標(biāo)力大小、運動軌跡等或參數(shù)。

參考文獻(xiàn):

[1]Hochberg L R, Serruya M D, Friehs G M, et al. Neuronal ensemble control of prosthetic devices by a human with tetraplegia[J]. Nature, 2006, 442(7099): 164-171.

[2]Wairagkar M, Hayashi Y, Nasuto S. Movement Intention Detection from Autocorrelation of EEG for BCI[M]. Brain Informatics and Health. Springer International Publishing, 2015: 212-221.

[3]Xu R, Jiang N, Lin C, et al. Enhanced Low-Latency Detection of Motor Intention From EEG for Closed-Loop Brain-Computer Interface Applications [J]. IEEE Trans Biomed Eng, 2014, 61 (2) :288-296.

[4]Niazi I K, Jiang N, Tiberghien O, et al. Detection of movement intention from single-trial movement-related cortical potentials[J]. Journal of Neural Engineering , 2011 , 8 (6) :066009.

[5]Niazi I K, Mrachacz-Kersting N, Jiang N, et al. Peripheral electrical stimulation triggered by self-paced detection of motor intention enhances motor evoked potentials[J]. IEEE Trans Neural Syst Rehabil Eng, 2012, 20 (4) :595-604.

[6]Mrachacz-Kersting N, Jiang N, Dremstrup K, et al. A Novel Brain-Computer Interface for Chronic Stroke Patients[M]. Brain-Computer Interface Research. Springer Berlin Heidelberg, 2014: 51-61.

[7] Waldert S, Preissl H, Demandt E, et al. Hand movement direction decoded from MEG and EEG [J]. Journal of Neuroscience, 2008, 28(4):1000-1008.

[8]伏云發(fā), 徐保磊, 裴立力,等. 基于腦電運動速度想象的單次識別研究[J]. 中國生物醫(yī)學(xué)工程學(xué)報, 2011,30(4): 555-561.

[9]Kee Y J, Won D O, Lee S W. Classification of left and right foot movement intention based on steady-state somatosensory evoked potentials[A].International Winter Conference on Brain-Computer Interface[C]. 2017:106-108.

[10]Pfurtscheller G, Neuper C. Motor imagery and direct brain-computer communication[J]. Proceedings of the IEEE, 2002, 89(7):1123-1134.

[11]Gu Y, Dremstrup K, Farina D. Single-trial discrimination of type and speed of wrist movements from EEG recordings [J]. Clinical Neurophysiology, 2009, 120(8): 1596-1600.

[12]OF do Nascimento, KD Nielsen, M Voigt. Movement related parameters modulate cortical activity during imaginary isometric plantar-flexions[J]. Experimental Brain Research, 2006 , 171 (1) :78-90.

[13]Neuper C, Wortz M, Pfurtscheller G. ERD/ERS patterns reflecting sensorimotor activation and deactivation [J]. Progress in Brain Research , 2006 , 159 (1) :211-222.

[14]孫廣金. 基于ADS1299的新型腦電采集系統(tǒng)設(shè)計[J]. 科技信息,2014 (1) :73-74.

[15]Takahashi J, Yasunaga D. Reported visual imagery and apparent motion: an event-related potential study[J]. Neuroreport, 2012, 23(15):904-910.

[16]Lin E B, Shen X P. Wavelet analysis of EEG signals. Aerospace and Electronics[A].IEEE National Conference - NAECON[C]. 2011, 105-110.

[17]孟 明,朱俊青,佘青山,等. 多類運動想象腦電信號的兩級特征提取方法[J]. 自動化學(xué)報, 2016 , 42 (12) :1915-1922.

[18] Müller KR, Krauledat M, Dornhege G, et al. Machine learning techniques for brain-computer interfaces [J]. Biomedical Engineering , 2004 :11-22.

[19]Sporns O. The human connectome: a complex network [J]. Ann N Y Acad Sci , 2011 , 1224 (1) :109-125.

[20]He Y, Chen ZJ, Evans AC. Small-world anatomical networks in the human brain revealed by cortical thickness from MRI [J]. Cerebral Cortex, 2007, 17 (10) :2407-2419.