基于運動想象腦機接口（BCI）背景下，對14名被試的腦電和近紅外多模態(tài)測量數據進行分析。結果發(fā)現，近紅外活動可以預測基于腦電的BCI控制的性能表現。然后發(fā)現近紅外可以提供更新的，更穩(wěn)定的腦電-BCI分類識別，從而顯著增強識別分類的有效性并同時減小性能波動并增強BCI測量的性能穩(wěn)定性。
前言
縱觀應用于BCI研究中的設備使用，腦電無疑是常見的應用設備。不僅因其具有低成本，快速設置，干電極技術的突出優(yōu)勢和被試識別分類的有效性，也因其具有較高的時間分辨率。
但目前基于腦電的感覺運動節(jié)律的BCI研究一直存在一定的問題，比如并不是所有的被試的腦電感覺運動節(jié)律都能夠應用于BCI研究，最近有研究發(fā)現腦電和近紅外結合使用能夠提升BCI研究的性能，尤其能夠使一些不能進行BCI的被試可以操作腦機接口任務。
研究中發(fā)現一些被試能夠很好的操作基于腦電的感覺運動節(jié)律的BCI實驗，但當出現適應性活動或固定子空間分析時，腦電和近紅外的結合無疑是理想的選擇，腦電測量能夠提高較高的時間分辨率，而近紅外能夠提供較高的空間分辨率并且近紅外基于血流響應的特點也保證了測量中信號的穩(wěn)定性，基于此基礎上，我們發(fā)現近紅外的指標能夠預測基于腦電的BCI的性能表現，并可應用于識別分類同時減少腦電的性能波動。
實驗方法
實驗準備 同時使用近紅外功能成像系統(tǒng)和腦電系統(tǒng)進行測量，近紅外測量使用美國NIRX公司生產的NIRSout 8 -16臺式機，該設備具有8個光源，波長為760nm和850nm，16個探測器，在本次研究中共形成24個有效通道。采樣率為6.25Hz，以修正的Berr-Lambert定律計算血氧蛋白改變量，采用低通濾波0.2Hz進行數據預處理。
注：效果圖（近紅外與腦電結合方案，非該實驗圖）
電測量采用德國Brain Products 公司生產的BrainAmp設備，采用1KHz采樣，共使用37個Ag/AgCI 電極，2導肌電和2導眼電進行測量，使用基于10-20的腦電測量帽測量，近紅外光極和腦電電極距離在2-3cm以內。如圖2所示：
紅色為近紅外光源位置，黃色為近紅外探測器，綠色為近紅外通道，黑色為腦電電極
實驗測量
被試 選用40名被試進行測量，年齡在20到30之間。被試坐在舒適的并在測量時按要求活動手臂。要求被試按照范例進行運動想象任務。
EEG分類識別 通過2個Block，50個Trails的視覺反饋控制運動想象來計算腦電的識別分類。
每個Trial開始的2秒在屏幕中呈現注視點，然后一個4S的指導語提示左右或者右手進行舉高，4S過后呈現10.5±5秒左右的黑屏。在線數據處理采用coadaptive校準。
被試基于兩個運動想象的區(qū)塊設計進行反饋，在第一個Block的100個trials分類識別，在腦電的相應通道使用拉普拉斯方法進行濾波。在第二個Block中使用第一個Block的時間和空間的濾波數據均值和被試的其他特征作為第二個Block的識別分類依據。在750ms的窗口中每40ms進行計算。
快速反饋 一旦300個trilas和7s的相關數據進行作為反饋的分類識別，持續(xù)35分鐘。每個Trial開始的2秒在屏幕中呈現注視點，然后一個4S的指導語提示左右或者右手進行舉高，根據識別分類輸出，4S過后在下一個刺激之前呈現1±0.5s的白屏。
離線數據分析 前兩個block的第一次長時間間隔的近紅外數據被應用于運動想象。結果如另一篇論文：Enhanced performance by a Hybrid NIRS-EEG Brain Computer Interface所示，我們只選取300個trials快速反饋的數據,這些數據分布在60個block中，每個block有5個trials，并且計算相應Block的性能。使用Y作為每個區(qū)塊分類識別輸出標簽，疊加5個Trail的總和。公式見原文，通過這種方式計算性能，我們得到了一個連續(xù)的性能測量，在我們的例子中，它比0-1丟失率更可取，不僅因為其更準確，也更適合于將NIRS指標特性應用到這個度量中，在下面段落中我們將會解釋這點。從每個小組塊中減去整體性能，就可以得出高于平均水平時間和低于平均水平時間的腦電圖—BCI性能。
近紅外型號被劃分為多個片段，每個2S，5個trial分別為2 4 6 8 10，噪音通道被做刪除處理。使用線性回歸分析近紅外數據在腦電數據上的性能預測。如圖3所示。最上方薄黑色的區(qū)域代表trial，分別為左手和右手運動想象提示時間。每次5個，重復60次，每5個都遺漏一個不同的trial，從而導致每個trial的性能預測。使用這種預測來計算相關系數和回歸系數。針做虛無假設下的相應的P值檢驗，并使用Bonferroni矯正。
基于近紅外的數據預測，腦電數據分為三個類別，較好性能，一般性能和較差性能，三個類別都包括100個trials，分類原則包括了修正的濾波數，空間濾波和線性分類。第二步我們做了個元分類，包括四種識別分類。
結果發(fā)現 在表格1中中優(yōu)化問題，通過表格2可以看出，在14名被試中，9名被試的腦電性能表現和預測之間不具有顯著相關性。表2中可以看出所有被試的分類均值，所有訓練階段的刺激和元分類的四種類別間的配對樣本T檢驗，其block的性能顯著為0.013。
為了評估我們的方法是否在反饋過程中降低了性能的可變性，我們計算標準方法的所有60個Block的標準偏差，所有的試驗都是相同的，以及元分類器。圖4顯示了一個散點圖的結果。可以看出，我們提出的方法減少了14個被試中11個被試:表現的可變性，其中一個被試的可變性是相同的，而對于兩個被試，標準過程的績效波動比較低。配對樣本T檢驗揭示了p小于0.05的顯著關系。
圖4：所有模塊的性能標準偏差散點圖。每個點代表一個被試。 左上角的百分比表示元分類器多少被試具有較低的標準偏差的。p表明配對t檢驗的顯著性
總結
該新方法是結合NIRS和EEG的一種可行的技術，適合基于SMR的BCI，因為它保留了響應性的腦電圖測量，而同時顯著增強分類識別率以及性能的最小化波動。
參考文獻：Fazli, S., Mehnert, J., Steinbrink, J., & Blankertz, B. (2012). Using NIRS as a predictor for EEG-based BCI performance. International Conference of the IEEE Engineering in Medicine & Biology Society (Vol.2012, pp.4911). Conf Proc IEEE Eng Med Biol Soc.
本論文中所使用的NIRX的NIRScout臺式近紅外和Brains product的BrainAmp腦電設備均為我司獨家全國總代理的高端腦科學儀器，公司專注于腦科學、神經科學、醫(yī)療診斷、體育科學和人因工程領域，旨在為醫(yī)療機構提供神經診斷、監(jiān)護、治療方案及服務；為高等院校、研究機構提供教學、研究方法及服務；為體育科研、訓練機構提供科研、訓練手段及服務。您的需求是我們發(fā)展的動力。
版權聲明：本文系瀚翔生物原創(chuàng)編譯整理，轉載請留言，獲取授權，并注明作者和出處。
