基于動(dòng)態(tài)功能連接的握力運(yùn)動(dòng)參數(shù)腦電識(shí)別

熊 馨，廖江黎，伏云發(fā)，賀建峰

（昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500）

0 引言

腦-機(jī)接口（Brain Computer Interface，BCI）系統(tǒng)通過(guò)采集與提取大腦產(chǎn)生的腦電信號(hào)來(lái)識(shí)別人的思想，實(shí)現(xiàn)中樞神經(jīng)系統(tǒng)與體外設(shè)備之間的直接交互[1]，為人機(jī)交互方式提供了新的思路[2]?；谶\(yùn)動(dòng)想象（Motor Imagery，MI）的腦-機(jī)接口是腦-機(jī)接口范式的一個(gè)重要點(diǎn)[3]，由受試者的心理活動(dòng)驅(qū)動(dòng)，腦電圖信號(hào)在健康人[4]、殘疾、患有神經(jīng)肌肉疾病或損傷等個(gè)體[5]中容易檢測(cè)。但在實(shí)現(xiàn)具有更高自由度的BCI 時(shí)，解碼不同運(yùn)動(dòng)參數(shù)相關(guān)的神經(jīng)活動(dòng)十分重要。

運(yùn)動(dòng)參數(shù)包括速度、方向、力量等反映運(yùn)動(dòng)狀態(tài)的指標(biāo)信息。通過(guò)解碼運(yùn)動(dòng)參數(shù)信息不僅能化解現(xiàn)有BCI 系統(tǒng)指令集較小的短板問(wèn)題，而且對(duì)揭示運(yùn)動(dòng)的神經(jīng)編碼機(jī)制具有重要意義。研究BCI 系統(tǒng)的關(guān)鍵在于特征的選擇與提取，常用的方法有自適應(yīng)共空間算法、自回歸模型、熵和復(fù)雜網(wǎng)絡(luò)屬性等[6]。復(fù)雜網(wǎng)絡(luò)分析是基于MI-EEG 構(gòu)建腦功能網(wǎng)絡(luò)，研究運(yùn)動(dòng)想象過(guò)程中大腦網(wǎng)絡(luò)的變化；并通過(guò)腦功能網(wǎng)絡(luò)的特征參數(shù)進(jìn)行運(yùn)動(dòng)想象任務(wù)的識(shí)別。傳統(tǒng)基于MI-EEG 對(duì)大腦進(jìn)行功能連接分析往往是基于連接的時(shí)間靜態(tài)分析，靜態(tài)功能連接分析確實(shí)能夠提供許多有價(jià)值的信息。KIM 等[7]對(duì)手指敲擊運(yùn)動(dòng)想象的腦電信號(hào)建立動(dòng)態(tài)因果模型，估計(jì)初級(jí)運(yùn)動(dòng)皮層（M1）、輔助運(yùn)動(dòng)區(qū)（SMA）、運(yùn)動(dòng)前皮層（PMC）與背外側(cè)前額葉皮層（DLPFC）之間的有效連接的變化。HU 等[8]研究發(fā)現(xiàn)左右手運(yùn)動(dòng)想象任務(wù)中采用格蘭杰因果網(wǎng)絡(luò)分析存在一定問(wèn)題，提出新的因果網(wǎng)絡(luò)連接分析。RODRIGUES等[9]采用皮爾遜相關(guān)系數(shù)、斯皮爾曼相關(guān)系數(shù)、平均相位相干性等4 種方法構(gòu)建功能連接網(wǎng)絡(luò)，并計(jì)算網(wǎng)絡(luò)參數(shù)，研究不同的網(wǎng)絡(luò)構(gòu)建方法及網(wǎng)絡(luò)特征參數(shù)對(duì)運(yùn)動(dòng)想象任務(wù)分類(lèi)結(jié)果的影響。大腦的功能連接具有瞬時(shí)變化特性，這種連接的動(dòng)態(tài)性在任務(wù)態(tài)和靜息態(tài)下的大腦都有所體現(xiàn)[10]。研究大腦功能連接的時(shí)間動(dòng)態(tài)變化信息，有助于人類(lèi)對(duì)大腦功能組織結(jié)構(gòu)更綜合的認(rèn)識(shí)。在LI等[11]的研究中，將事件相關(guān)去同步（Event-Related Desynchronization，ERD）/事件相關(guān)同步化（Event Related Synchronization，ERS）分析與運(yùn)動(dòng)想象不同階段（運(yùn)動(dòng)準(zhǔn)備、ERD、ERS）的動(dòng)態(tài)網(wǎng)絡(luò)相結(jié)合，分析左右手運(yùn)動(dòng)想象任務(wù)下大腦活動(dòng)的動(dòng)態(tài)變化。這些研究的運(yùn)動(dòng)想象任務(wù)絕大多數(shù)集中在想象不同的肢體運(yùn)動(dòng)[12]，少有基于運(yùn)動(dòng)參數(shù)的動(dòng)態(tài)腦網(wǎng)絡(luò)連通性研究。

因此本文引入動(dòng)態(tài)腦網(wǎng)絡(luò)的概念，通過(guò)對(duì)受試者頻帶范圍進(jìn)行篩選，將最優(yōu)頻帶下經(jīng)過(guò)預(yù)處理的EEG 時(shí)間序列按一定的非重疊窗口截?cái)喑傻乳L(zhǎng)的子序列，按時(shí)間順序，采用加權(quán)相位滯后指數(shù)法對(duì)子序列計(jì)算功能連接，構(gòu)建子序列的全腦EEG 功能腦網(wǎng)絡(luò)，研究運(yùn)動(dòng)參數(shù)想象期間腦網(wǎng)絡(luò)動(dòng)態(tài)演化過(guò)程。

1 材料和方法

1.1 實(shí)驗(yàn)對(duì)象

共有16 名健康的受試者（10 名女性和6 名男性，平均年齡22.85±2.51 歲，本科和碩士學(xué)位）參與腦電圖數(shù)據(jù)采集。所有受試者都是右撇子，無(wú)中樞神經(jīng)系統(tǒng)異常病史，無(wú)服用精神類(lèi)藥物記錄。在實(shí)驗(yàn)之前，他們對(duì)這項(xiàng)研究給予了知情同意，并獲得了昆明理工大學(xué)研究倫理委員會(huì)的批準(zhǔn)。

1.2 實(shí)驗(yàn)數(shù)據(jù)

對(duì)于握力任務(wù)，受試者被要求執(zhí)行涉及右手的3 種不同的力（4 kg、10 kg 和16 kg）。在實(shí)驗(yàn)過(guò)程中，告知被試閉眼、放松，保持清醒，頭部保持不動(dòng)。對(duì)于每項(xiàng)力量，每個(gè)受試者參加3 組試驗(yàn)，每組試驗(yàn)包括30 次試驗(yàn)（分別為4 kg 力、10 kg 力和16 kg力各進(jìn)行10 次試驗(yàn)）。

蜂鳴聲表示每次試驗(yàn)的開(kāi)始，同時(shí)屏幕中央會(huì)顯示一個(gè)加號(hào)（+），持續(xù)2 s，此時(shí)受試者被要求保持放松并為試驗(yàn)做好準(zhǔn)備。然后，白屏上出現(xiàn)一個(gè)圖片形式的提示，指示4/10/16 kg 的握力，提示持續(xù)1.5 s，當(dāng)提示圖像從屏幕上消失并且白色屏幕上出現(xiàn)黑色星形固定光標(biāo)時(shí)，受試者開(kāi)始執(zhí)行提示任務(wù)，任務(wù)維持3 s，直到固定光標(biāo)從屏幕上消失；任務(wù)結(jié)束時(shí)，屏幕變黑，并且在下一次試驗(yàn)之前給受試者6～8 s 的時(shí)間休息。

本文選取運(yùn)動(dòng)參數(shù)想象3 種不同的力的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。主要用運(yùn)動(dòng)區(qū)和輔助運(yùn)動(dòng)區(qū)的9 個(gè)腦電圖電極，分別是FC3、FCz、FC4、C3、Cz、C4、CP3、Pz、CP4。

1.3 數(shù)據(jù)預(yù)處理

腦電圖信號(hào)用MATLAB 的EEGLAB 工具箱進(jìn)行預(yù)處理，MI－EEG 信號(hào)濾波至1～4 Hz、4～8 Hz、8～13 Hz 和13～30 Hz 頻段，對(duì)4 個(gè)不同頻段的3 種握力任務(wù)腦電數(shù)據(jù)進(jìn)行t 檢驗(yàn)，顯著性水平設(shè)為P ＜0.05。結(jié)果15 個(gè)被試數(shù)據(jù)的顯著差異出現(xiàn)在Theta 頻帶，最后本研究的數(shù)字帶通濾波選擇Theta 頻段。

1.4 動(dòng)態(tài)網(wǎng)絡(luò)構(gòu)建

本文構(gòu)建相應(yīng)9 節(jié)點(diǎn)的全腦EEG 功能腦網(wǎng)絡(luò)，得到9×9 的wPLI 關(guān)聯(lián)矩陣。由于數(shù)據(jù)集降采樣率到250 Hz，即每秒250 個(gè)數(shù)據(jù)點(diǎn)，如果時(shí)間窗選擇得過(guò)小，則每段內(nèi)的數(shù)據(jù)點(diǎn)過(guò)少，計(jì)算意義不大。本文分別針對(duì)0.5 s、1 s、1.5 s 的時(shí)間窗進(jìn)行了分類(lèi)識(shí)別，分別得到30、15、10 個(gè)wPLI 腦網(wǎng)絡(luò)。選擇聚類(lèi)系數(shù)、平均最短路徑長(zhǎng)度、全局效率、局部效率4 個(gè)屬性特征融合作為特征向量輸入支持向量機(jī)做分類(lèi)。結(jié)果滑動(dòng)窗大小為0.5 s 時(shí)，識(shí)別率比其他幾個(gè)窗略高，達(dá)59.13%。因此后續(xù)的研究選定0.5 s 的滑動(dòng)窗做分析。構(gòu)建滑動(dòng)窗口大小為0.5 s時(shí)任意兩個(gè)電極節(jié)點(diǎn)之間的加權(quán)相位滯后指數(shù)值，構(gòu)建相應(yīng)節(jié)點(diǎn)的EEG 功能腦網(wǎng)絡(luò)，得到30 個(gè)對(duì)稱(chēng)的加權(quán)相位滯后關(guān)聯(lián)矩陣表示動(dòng)態(tài)功能網(wǎng)絡(luò)。對(duì)于兩兩通道之間的wPLI，具體計(jì)算過(guò)程如下。

對(duì)任意兩個(gè)EEG 信號(hào)xi(t)和xj(t)，它們?cè)趖時(shí)刻的相位差表示為：

式中：k、l均是整數(shù)，在神經(jīng)科學(xué)應(yīng)用中，k和l通常選為1，φ i和φ j是時(shí)間序列i、j的相位。

如果兩相位同步變化，那么式（1）中的相位差趨近于一個(gè)常數(shù)。時(shí)間序列xi(t)的瞬時(shí)相位為：

其中，相位差在-π 到π 對(duì)應(yīng)PLI的值從0 到1，代表兩節(jié)點(diǎn)間的相位耦合關(guān)系從小到大。但當(dāng)相位差接近或等于0 或π，可能會(huì)發(fā)生相位同步較高而PLI值較低的情況[13]。加權(quán)相位滯后指數(shù)wPLI則可以避免這種情況，可以檢測(cè)出相位差接近或等于0 或π 的相位同步，因此在基于PLI方法的基礎(chǔ)上為了避免發(fā)生相位同步較高而PLI值較低的情況，增加瞬時(shí)相位差權(quán)重，也就是本文所用的加權(quán)相位滯后指數(shù)法（wPLI）。wPLI分布范圍是[0，1]，wPLI=0 代表兩節(jié)點(diǎn)間無(wú)連接關(guān)系，當(dāng)wPLI=1 代表兩節(jié)點(diǎn)間有很強(qiáng)的連接性。

1.5 圖論分析

大腦功能連接的網(wǎng)絡(luò)圖由節(jié)點(diǎn)和邊組成。本文將電極定義為節(jié)點(diǎn)，兩兩通道之間的wPLI值代表連接邊?；趫D論的腦功能網(wǎng)絡(luò)中有許多重要的網(wǎng)絡(luò)特征可以衡量網(wǎng)絡(luò)性能。

聚類(lèi)系數(shù)是量化網(wǎng)絡(luò)中節(jié)點(diǎn)的聚集程度。Ci表示的是第i個(gè)節(jié)點(diǎn)的聚類(lèi)系數(shù)，Ei表示的是與i相鄰的節(jié)點(diǎn)中存有連接的邊數(shù)，Ki表示是節(jié)點(diǎn)i的全部鄰接點(diǎn)數(shù)目。

全局效率Eg這個(gè)指標(biāo)可以較好地度量網(wǎng)絡(luò)的全局信息處理和傳輸能力以及網(wǎng)絡(luò)的整合程度。Lij代表從節(jié)點(diǎn)i到節(jié)點(diǎn)j之間的最短路徑長(zhǎng)度，N為網(wǎng)絡(luò)中節(jié)點(diǎn)的總數(shù)。

特征路徑長(zhǎng)度L表示任意兩個(gè)節(jié)點(diǎn)之間距離的平均值，表征了網(wǎng)絡(luò)傳輸信息的能力。

局部效率EL反映網(wǎng)絡(luò)的分化程度，衡量網(wǎng)絡(luò)的局部傳輸能力。

1.6 分 類(lèi)

對(duì)于握力任務(wù)，想象的任務(wù)被分為3 類(lèi)（4 kg、10 kg 和16 kg 的力）；利用wPLI分別計(jì)算3 種握力下每個(gè)被試的30 個(gè)動(dòng)態(tài)連接矩陣，對(duì)得到的30個(gè)關(guān)聯(lián)矩陣?yán)脧?fù)雜網(wǎng)絡(luò)工具箱計(jì)算網(wǎng)絡(luò)參數(shù)，可能得不到最佳的效果。因此用基于腦區(qū)之間相位同步的數(shù)據(jù)篩選方法，從相位同步角度篩選最佳的數(shù)據(jù)序列段，對(duì)篩選出的數(shù)據(jù)段特征進(jìn)行識(shí)別。

2 實(shí)驗(yàn)結(jié)果

2.1 EEG 功能腦網(wǎng)絡(luò)分析

本文在Theta 波段下計(jì)算3 種力的功能腦網(wǎng)絡(luò)的wPLI關(guān)聯(lián)矩陣。根據(jù)所選的0.5 s 時(shí)間窗將得到每種力下30 個(gè)9×9 的關(guān)聯(lián)矩陣。為分析不同握力下的腦網(wǎng)絡(luò)節(jié)點(diǎn)通道之間的同步性關(guān)系，將所有分段的wPLI值進(jìn)行平均，得到每種力30 個(gè)9×9的關(guān)聯(lián)矩陣的總平均關(guān)聯(lián)矩陣，如圖1 所示。編號(hào)1～9 代表了電極（節(jié)點(diǎn)）FC3、FCz、FC4、C3、Cz、C4、CP3、CPz 和CP4。

wPLI的取值在0～1，0 表示兩電極信號(hào)完全沒(méi)有連接性，1 則表示完全連接，連接性強(qiáng)。從圖1中的wPLI矩陣的值分布（對(duì)應(yīng)于右側(cè)顏色標(biāo)尺）來(lái)看，除了對(duì)角線（不具連接性），大部分節(jié)點(diǎn)間連接性強(qiáng)。大多節(jié)點(diǎn)之間的連接性值分布為0.68～0.75，顏色偏淡紅至深紅。

圖1 3 種握力的wPLI 平均鄰接矩陣

2.2 相位同步篩選

根據(jù)ROELFSEMA[14]等人對(duì)于運(yùn)動(dòng)區(qū)、視覺(jué)區(qū)的局部場(chǎng)電位記錄得出結(jié)論：有效的信息傳遞行為須保持節(jié)點(diǎn)間高效且穩(wěn)定的相位同步狀態(tài)，要求信息傳輸時(shí)EEG 信號(hào)間的同步鎖相值強(qiáng)度至少達(dá)到平均靜息態(tài)鎖相位值（Phase Locking Value，PLV）的24%，且持續(xù)時(shí)間大于46 ms。對(duì)0.5 s 的滑動(dòng)窗進(jìn)行相位同步值篩選，將FCz-Cz 和FCz-CPz之間的相位同步水平作為篩選依據(jù)，篩選結(jié)果如表1 所示。

表1 3 種握力下篩選出的數(shù)據(jù)段中PLV 的平均值

經(jīng)過(guò)篩選，在動(dòng)態(tài)的30 個(gè)網(wǎng)絡(luò)數(shù)據(jù)中，每種力下有11 個(gè)網(wǎng)絡(luò)的相位同步值符合條件，對(duì)這11 個(gè)網(wǎng)絡(luò)的參數(shù)特征進(jìn)行計(jì)算，3 種握力的4 種網(wǎng)絡(luò)屬性值如圖2 所示。圖2 中，C、E、EE、L 分別代表聚類(lèi)系數(shù)、全局效率、局部效率及特征路徑長(zhǎng)度4個(gè)網(wǎng)絡(luò)參數(shù)。

圖2 3 種握力下的4 種網(wǎng)絡(luò)屬性值

2.3 分類(lèi)結(jié)果

對(duì)篩選過(guò)后的數(shù)據(jù)進(jìn)行識(shí)別分析，結(jié)果平均識(shí)別率為74%；基于加權(quán)相位滯后指數(shù)分析法對(duì)靜息態(tài)下的網(wǎng)絡(luò)特征進(jìn)行識(shí)別，最后平均識(shí)別率為72.10%。靜息態(tài)方法下的平均識(shí)別率低于滑動(dòng)窗的方法動(dòng)態(tài)，驗(yàn)證了本文方法的有效性。為進(jìn)一步驗(yàn)證本文方法，將滑動(dòng)窗法與時(shí)段分割方法的結(jié)果對(duì)比。在Theta 頻帶范圍下對(duì)運(yùn)動(dòng)時(shí)間段分割，提取握力運(yùn)動(dòng)前一秒（-1 s）的數(shù)據(jù)運(yùn)動(dòng)結(jié)束（3 s）的時(shí)間段數(shù)據(jù)，將信號(hào)拆成2～3 個(gè)子時(shí)段（即P=2或P=3），實(shí)驗(yàn)結(jié)果如表2 所示。

表2 時(shí)段分割的結(jié)果

多時(shí)段特征融合的結(jié)果與使用單個(gè)時(shí)段的結(jié)果相比均有提升，不同時(shí)段的識(shí)別率有所差別，這與運(yùn)動(dòng)腦電的時(shí)變性特點(diǎn)吻合。P=2 時(shí)特征融合結(jié)果優(yōu)于不分時(shí)段的結(jié)果，P=3 時(shí)融合結(jié)果相比P=2時(shí)特征融合的結(jié)果反而有所下降，表明提取不同時(shí)段的網(wǎng)絡(luò)特征參數(shù)進(jìn)行融合，有助于分類(lèi)結(jié)果的提升，但子時(shí)段個(gè)數(shù)較多可能造成信息遺漏，無(wú)法盡可能多地進(jìn)行識(shí)別運(yùn)動(dòng)任務(wù)。本文方法的平均識(shí)別率比子時(shí)段劃分中結(jié)果最好的-1～1 s 時(shí)間段提升2.06%，可能是動(dòng)態(tài)連接能更好地反映運(yùn)動(dòng)想象過(guò)程的動(dòng)態(tài)變化，且相位同步篩選，篩選了更有效的高質(zhì)量數(shù)據(jù)段。此外，本文還用了基于相位滯后指數(shù)的網(wǎng)絡(luò)分析，結(jié)果最后的識(shí)別率為71.19%。對(duì)比實(shí)驗(yàn)結(jié)果如表3 所示。

表3 實(shí)驗(yàn)對(duì)比結(jié)果

3 結(jié)語(yǔ)

本文利用動(dòng)態(tài)腦網(wǎng)絡(luò)這個(gè)相對(duì)較新的研究視角，研究運(yùn)動(dòng)參數(shù)想象期間大腦網(wǎng)絡(luò)的動(dòng)態(tài)演化規(guī)律。相位同步水平是對(duì)大腦內(nèi)部信息流通狀態(tài)一種直觀的評(píng)估指標(biāo)，本文根據(jù)該特性對(duì)分段處理后的EEG 進(jìn)行篩選，獲得了11 段相位同步性較高的有效數(shù)據(jù)段，并對(duì)此進(jìn)行網(wǎng)絡(luò)構(gòu)建和特征提取，最后進(jìn)行分類(lèi)識(shí)別，識(shí)別率比之前的59.13%提高了約24%。動(dòng)態(tài)分類(lèi)準(zhǔn)確率與基于靜態(tài)連接的方法和子時(shí)段劃分的方法相比均有提高。利用運(yùn)動(dòng)參數(shù)信息解碼的研究，可擴(kuò)展相應(yīng)的BCI 指令集，增加思維信息控制形式，實(shí)現(xiàn)更高自由度的腦-機(jī)信息交互控制。