運(yùn)動(dòng)想象腦-機(jī)接口的神經(jīng)機(jī)制與識(shí)別算法研究.pdf

1、運(yùn)動(dòng)想象腦-機(jī)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(yùn)動(dòng)輸出通路，在運(yùn)動(dòng)輔助和神經(jīng)康復(fù)領(lǐng)域有著巨大的應(yīng)用價(jià)值。國(guó)內(nèi)外許多研究單位均發(fā)展出了能夠?qū)崟r(shí)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(hào)非平穩(wěn)性，環(huán)境噪聲，分類識(shí)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(wú)法走出實(shí)驗(yàn)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(jī)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(shí)別算法。主要研究?jī)?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(gè)可以有效預(yù)測(cè)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(dá)到0.65。在同一實(shí)驗(yàn)數(shù)據(jù)集內(nèi)和不同實(shí)驗(yàn)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(xiàn)調(diào)研，本研究是第一個(gè)討論不同實(shí)驗(yàn)數(shù)據(jù)集條件下MI-BCI控制表現(xiàn)的預(yù)測(cè)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(shí)間內(nèi)鑒定被試潛在的MI-BCI控制能力，避免對(duì)“盲”被試

4、進(jìn)行耗時(shí)的、無(wú)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(jī)制。發(fā)現(xiàn)靜息態(tài)EEG腦網(wǎng)絡(luò)的空間拓?fù)浣Y(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(qiáng)度，節(jié)點(diǎn)度，連接邊強(qiáng)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(zhǎng)度與其呈負(fù)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(jìn)一步，基于靜息態(tài)E

5、EG腦網(wǎng)絡(luò)的四個(gè)信息傳輸效率指標(biāo)，構(gòu)建了一個(gè)多元線性回歸模型來(lái)預(yù)測(cè)被試的MI-BCI控制能力，預(yù)測(cè)值與真實(shí)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(jì)算了大腦功能網(wǎng)絡(luò)中所有節(jié)點(diǎn)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(diǎn)，其中雙側(cè)殼核和腦島處的長(zhǎng)程 FCD與 MI

6、-BCI控制表現(xiàn)負(fù)相關(guān)，而雙側(cè)枕中回處的長(zhǎng)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(duì)MI-BCI控制的大腦網(wǎng)絡(luò)機(jī)制的理解。
　　4.提出了一種局部時(shí)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(shí)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(jì)過(guò)程中，可以提高估計(jì)出的空間濾波器的魯棒性。仿真實(shí)驗(yàn)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(shí)別準(zhǔn)確率。在基于真實(shí)MI-BCI數(shù)據(jù)的對(duì)比實(shí)驗(yàn)中，我們發(fā)現(xiàn)LTCCSP依然能夠獲得最高的分類識(shí)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(yùn)動(dòng)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(shí)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(lái)定義分類邊界，而 Z-LDA同時(shí)使用投影后分布的均值和標(biāo)準(zhǔn)差信息來(lái)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(gè)真實(shí)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