英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
非侵入性脑机接口系统：从运动想象脑电图中提取错误相关电位
摘要
脑机接口是一种通信系统，用于通过人类意识控制设备，例如计算机、轮椅或机器人，它不依赖于大脑对周围神经和肌肉的正常输出通路，而是依赖于表示反应或有意识的大脑活动的可检测信号。本研究研究了基于左下线分析和在线应用的左右运动想象（MI）的BCI系统。首先，设计了具有视觉提示的MI脑机接口（BCI）实验范式，在离线实验中收集了左右MI的脑电图信号，分析后其平均分类精度为69.14%。其次，5个健全主体分别进行了两次在线实验，其中平均分类准确率分别为64.5%和66.2%。特征主要在Mu（8-13Hz）和Beta（14-30Hz）频段，通道为FC3、FC4、C3、C4、CP3和CP4。最后，我们设计了一个新的协议来提取与错误有关的电位（ErrPs）。此外，我们还分析了后续研究计划，这些研究计划实时提取 ErrPs 信号，用于取消 BCI发送的错误命令。
关键词：脑机接口（BCI）;运动想象（MI）;脑电图;错误相关电位（ErrPs）
一、概况
近年来，随着全球老龄化趋势的加剧，大量脑血管疾病和脊髓损伤患者出现，并伴有中风和缺位症状。研究还表明，中风患者的年龄也在减小。因此，迫切需要找到一条独立于人类神经系统的正常路径，大脑信号可以直接传输到外部设备，从而达到大脑与外部设备之间通信和操作的技术手段。正是在这种背景下，脑机接口（BCI）应运而生。BCI系统是一个由脑-计算机或大脑-其他设备组成的通信系统，不依赖于大脑的正常通路、周围神经和肌肉。从广义上讲，大脑与外界之间的沟通是双向的。一方面，外部信息（例如声音和图像）直接传输到大脑;另一方面，大脑活动信息（如引发事件相关反应、独立意识和情绪等）直接传输到外部设备，达到相应的控制。基于BCI运动图像（MI）的康复系统可以使患者积极参与训练，从而有效提高康复效果。此外，BCI中MI解码的难题是当前一个热点，具有实用价值。BCI 的基本框架如图 1 所示。主要包括视觉提示模块、脑电图（EEG）解码模块、视觉反馈模块和外部设备。
图1：具有视觉提示的运动想象BCI的基本框架，是一种通信控制系统，包括脑电图信号采集与提取、系统、脑电图信号解码系统、模式识别、决策系统和外部设备。
由于运动想象（MI）不需要任何外部刺激，它是一种非相联活动，适合异步检测，近年来引起了研究人员的广泛关注。普弗谢勒和其他学者在格拉茨科技大学完成了大量基于BCI系统中MI的平台。2000年初，他们帮助瘫痪患者在手上安装通过MI制造的脊髓损伤控制电动矫形器。何塞·米尔·安，Ecole Polytechnique Facute; edacute; eraleacute; de Lausanne理工学院（EPFL）的学者，一直在研究大脑控制的机器人。基于大脑的远程在位、大脑控制的轮椅和基于MI的大脑控制器已经开发。明尼苏达大学教授何斌通过增加想象任务类型，将MI的应用范围从一维光标运动和二维方向控制扩展到三维虚拟现实场景，最终实现了虚拟现实环境下四转子机的大脑控制。由高尚凯教授和高晓荣教授领导的清华大学研究小组是中国最早的group运动影像BCI研究组之一。他们提出了基于特征子集选择的分类算法，以提高分类识别率[10]。针对执行MI任务的主体的性能差异，姚德忠等人提出了静息状态谱熵指数，以提高分类精度。针对汽车影像BCI无法实现的多自由控制问题，李元庆等人提出了一种连续运动想象的新范式。
生物医学专家发现，当外部特定刺激增加或撤销时，脑电图电位将产生特定的变化，作用于心理活动或大脑的某些部分，称为事件相关电位（ERP）。当出现错误反应时，在前叶的中间区域将观察到显著的负相位潜在偏移。显著负相位电位称为与误差相关的负性（ERN）电位，ERN 的最大振幅位于中央正面。早期有关错误相关的大脑活动的报告可以追溯到20世纪90年代初。典型ERN在误差行为后在50，100ms处观察到，其振幅约为10V。目前，大多数学者认为，ERN反映了人类对自身错误的监测。然而，目前尚不清楚ERN的相关大脑区域。先前对神经成像的研究发现，与错误过程相关的大脑区域包括前结皮层（ACC）、补充前运动区、（SMA前）、前额叶皮质和双面内层皮层等。此外，当外部设备受到错误反应时，受试者会接收视觉反馈信号，并在脑前叶的中间区域产生独特的脑电图信号，称为与误差相关电位（ErrPs）。由于ErrPs只存在于对外部设备的移动的监测中，与所实现的具体任务没有关联，因此可以作为检测设备行为的辅助手段，从而大大提高外部设备移动的有效性。 ErrPs 是一种反映大脑对虚假行为的检查或监控的 ERP。ErrPs 可用于通过校准系统来降低未来系统的错误可能性。里卡多，Inaki等人发现EEG 的错误分类可能导致错误的命令，因此他们利用了ErrPs的特性，并将其应用于脑机接口（BCI）以取消错误的命令。
图2：（a）MI-BCI中带有视觉提示的实验设置。（b） 为在线培训设计的视觉提示界面MI实验范例。（c） 离线会话和联机会话的时间表，离线会话的目的是为联机会话培训分类器。
以上研究基于MI解码的EEG信号，应用于外部设备，而不考虑解码错误。如果脑电图信号被错误解码，它将产生错误的外围指令，这对患者非常危险。本文首先完成了离线实验中左右两手电机图像EEG信号的分类。然后，进行了视觉反馈的在线实验，以获得分类精度。最后，我们假设了EEG信号解码误差，并在MI分类的基础上成功地提取了ErrPs。
二、方法和材料
A. 实验议定书
五名健康的右手受试者（两男三女），年龄介乎22-26岁，参与实验者，他们都是首次BCI使用者，都有正常视力或矫正正常视力。在实验中，他们被要求将注意力集中在视觉提示上，并按照提示完成相应的电机图像。如图 2 所示，MI 的实验范例。受试者坐在屏幕的前面，显示视觉提示的方向。试验，包括准备状态、浓缩状态、指令状态和 MI 状态，持续 15秒。首先，该主题应完成几个离线实验序列。然后，每个科目被要求完成在线实验。在整个实验中，受试者被告知不要移动身体的任何部位。
1）离线培训：每个科目首先完成离线实验，目的是获取脑电图信号，用于训练在线实时实验的分类器。简单的左手运动想象根据离线实验中的视觉提示完成，没有视觉反馈。由于每个受试者进行的离线实验中的序列数不同，因此分类精度仅在后续数据分析中给出。
图3：脑电图电极在头皮上的放置图。
2）在线培训：在线实验包括视觉反馈。通过离线EEG信号训练的分类器实时解码了在线实验脑电图信号，并生成了由受试者观测到的视觉反馈，这是一个闭环系统。每个受试者被要求完成 2 个在线实验会话，每个会话包含 5 个序列（一个序列包含 60 个试验）。受试者可以在5分钟内在每个序列之间休息，每节课之间在1小时之内休息，因此每个受试者需要3-4小时才能完成实验。
B. 数据采集和预处理
EEG数据使用格拉茨G.TEC医疗公司生产的g.USBamp开发人员系统进行重新编码，在经过修改的10/20国际系统中，以512赫兹的采样方式排列了16个有源电极。EEG数据使用16个湿电极记录，定位在以下位置：Fz、FC3、FC1、FCz、FC2、FC4、C3、C1、Cz、C2、C4、CP3、CP1、CPz、CP2Fz, FC3, FC1, FCz, FC2, FC4, C3, C1, Cz, C2, C4, CP3, CP1, CPz和CP4，使用g.GAMMCap具有Ag/AgCl湿电极。地面被放置在额头上 （AFz）， 参考是右耳垂.电极位置如图 3 所示。数据采集、可视化和处理是在自定义的 Python 框架下进行的。首先，消除了所有EEG通道的直流干扰，然后选择了应用于脑电图数据的Laplacian空间滤波器，以消除全局背景活动，提高信噪比。
图4：以目标方向固定和实际方向随机检测ErrPs的实验范式发生变化。
C. 数据处理
Matlab R2014a 带有 EEGLAB 13.5.4b 工具箱和 Python MNE（脑电图 （EEG） 和磁面成像 （MEG） 分析和可视化工具 0.12）用于脑电图数据分析。实现了多层功率光谱密度，以计算BCI的EEG数据。窗口的长度为 1，在 4s MI 状态下每 62.5 毫秒移动一次。选择的 30 个用于分类的功能是 4 到 48 Hz 之间的原功率估计值（分辨率为 2 Hz）。特征提取后，使用规范变量分析 （CVA） 来选择要素，用于在原始要素空间上提取规范性区分空间模式 （CDSP）。使用离线会话数据对具有协方差收缩规律化的线性区分分析 （LDA） 进行了培训。LDA的使用是因为它是 BCI 应用程序的常见且通常成功的选择，但也因为日志功率功能遵循近似正态分布：LDA 是正态分布要素的最佳选择，假设两个类具有相同的噪声协方差。然后使用 5 倍分层交叉验证来评估每个主题基于样本的精度。值得注意的是，所有受试者也被要求限制眼睛运动和眨眼，以避免来自电图（EOG）的干扰。
D. ErrPs 提取
由于ErrPs 有两个不变的变量：恒定延迟和恒定波形 [22]，因此可以使用适当的实验协议提取和分析它。根据设计提取ErrPs的实验协议，当视觉反馈方向与目标方向一致时，外部设备执行当前命令并根据目标指令移动。另一方面，当视觉反馈方向与目标方向相反时，ErrPs可以检测和解码 ErrPs，然后取消当前命令。在提取的ErrPs的基础上，通过偶极子源定位分析其神经特征，包括信号模态和波形特征，并分析了其大脑皮层的功能区域。由于受试者创建的单个ErrPs 信号相对较弱，并且淹没在自发的脑电图信号中，因此设计了一个实验范式来检测离线会话中所有受试者的分类精度。
|
科目 |
S1 |
S2 |
S3 |
S4 |
S5 |
|
精度 |
70.47% |
69.59% |
65.37% |
70.15% |
70.10% |
本文存在ErrPs，其中目标方向固定（左），实际运动方向随机生成（左或右），如图 4 所示。系统首先显示目标方向，然后随机生成运动方向。当受试者观察到运动方向和目标方向相反时，在观察实际方向后1秒内生成 ErrPs。
整个实验范式由四部分组成：试验启动、聚焦、目标方向、实际方向。首先，假设运动方向固定，视觉提示系统随机生成运动方向，受试者观察整个过程并收集其脑电图信号。
三.结果
A. 分类
脑电图信号的处理和分类实质是一个模式识别问题。在本节中，首先对每个受试者的离线EEG原始数据进行分类，以获得分类准确性，如表1所示，所有参与者的准确率超过65%，平均准确率为69.14%。然后，在单个在线会话中分析左撇子 MI 期间 EEG 信号分类的结果。图 5 显示了两个会话期间所有科目的 BCI 性能。所有科目的平均准确率为64.00%=plusmn;第1期的平均准确率为4.75%，第2期分别为65.8%和6.00%。会话 2 和会话 3 的精度（t 检验，pgt;0.05）之间没有统计差异。第一届会议和第二会话的平均分类准确率分别为64.5%和66.2%。其中，科目S2和科目S5性能较好，分类精度在70%以上。然而，在两届中，主题S3的准确率只有接近60%。显然，除主题 S4 外，会话 2 中每个科目的分类准确性高于会话 1。
图6显示了第 2 节所有主题的接收器操作特性 （ROC） 曲线分类结果。在这里，每个曲线表示一个主题在 5 倍交叉验证中的性能。ROC 的拐点由误报率 （FPR） 和真实正率 （TPR） 之间的权衡表示。图6的每个子图中显示曲线 （AUC） 下的平均面积值。ROC 曲线和均值 AUC 值通常用于评估二进制分类器的优点。AUC 的价值越大越好。所有科目的平均AUC分别为0.706、0.783、0.625、0.714和0.767。
图5：在两个在线会话中所有科目的 BCI 性能。两个会话的平均精度分别为 0.645 和 0.662。
图 6：ROC 曲线和所有主体的平均 AUC 值。ROC曲线和平均AUC值是二进制分类器的评价指标，最大的AUC值为0.767，这意味着分类效果更好。
B. 特征分析
在用于特征选择的 CVA 和为区分心理任务而构建的 LDA 分类器之后，对两个类的区分功率 （DP） 估计了每个科目。所有受试者的区分特征都出现在热图和头皮地形中，如图7和图8所示。其中描述了同一会话中每个主题之间的显著差异，并在执行电机影像任务时说明了受试者之间的个体差异。然而，可以看出，特征的特征主要在mu（813Hz）和beta;（14-30Hz）频段从DP热图。同时，功能选择的主要渠道集中在FC3、FC4、C3、C4、CP3和CP4上。我们还选择了前 10 个功能，这些功能区分了左侧 MI 和右侧 MI，如表 2 所示
图7：所有受试者的区分功率分析。主体 S1 和 S3 的频率主要位于 Beta （14-30Hz），其他频率位于 Mu（8-13Hz）。
图8：头皮地形显示左右手运动图像之间的大脑调制。
表二：CVA为所有科目选择的要素。
|
S1 |
S2 |
S3 |
<p 剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239376]，资料为PDF文档或Word文档，PDF文档可免费转换为Word </p |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
