手運動對腦電活動頻率的影響

手運動對腦電活動頻率的影響

1運動的腦電模式當人類通過一側四肢進行步行（如左手）時，大腦對側主覺運動皮層（9.13hz）和（18.22hz）的音明顯減弱，同一側主覺運動土層（u）的音明顯增大。事件相關的結果是線性的。軌跡相位（erd）和軌跡相位（ers）。不僅如此,當人們僅是想象這個動作而沒有執(zhí)行時,會激活相同的大腦感覺運動區(qū)域并產(chǎn)生與執(zhí)行這個動作相同的腦電模式。如果能夠從記錄的腦電時間序列中及時識別與想象運動相關的腦電模式,并轉化為某種控制信號處控制光標的移動或輔助運動設備,就可以幫助嚴重癱瘓病人通過計算機與外界環(huán)境進行交流和溝通,或者幫助他們實現(xiàn)自己想做的動作,這也就是所謂的“腦-機接口”技術。準確快速地識別出與運動想象相關的特殊腦電模式是利用它實現(xiàn)腦機接口的關鍵。近年來隨著信號處理技術和模式識別技術的不斷發(fā)展和完善,人們提出了各種各樣的左右手運動想象腦電模式的識別算法,本文即對這些算法進行簡要回顧與總結。2實驗過程設計在辨別兩種不同想象運動(左手動或右手動)的標準實驗中,受試者的任務是根據(jù)視覺提示信號想象左手或右手移動。受試者坐在計算機屏幕前150cm處,每次試驗(trial)持續(xù)8000ms的時間。當屏幕中央出現(xiàn)一個固定的十字型圖案時標志試驗開始,2000ms后計算機發(fā)出一個短促的提示音(蜂鳴音),試驗開始后3000ms屏幕中央的十字型圖案被一個箭頭圖案覆蓋1250ms。受試者根據(jù)箭頭方向想象左手或右手運動。反饋有兩種形式:(1)離散反饋。該反饋由實驗開始后6000ms時出現(xiàn)在屏幕中央的符號組成。符號的類型(大或小的“+”、“-”或“0”)取決于分類器分辨實驗開始后3250~4250ms這一固定時間窗內(nèi)與想象左右手運動相關的兩種EEG模式的準確程度;(2)連續(xù)反饋。在這種反饋方式下,實驗開始后4250ms時屏幕中央出現(xiàn)一個水平反饋條并保持4000ms的時間。受試者根據(jù)箭頭方向想象移動左手或右手將這個水平條延伸至屏幕的左邊界或右邊界,水平條的長度通過在線分析EEG信號得到的線性距離函數(shù)計算。一般情況下,完整的實驗過程(session)包括四組實驗(experimentalrun),每組實驗包括40次試驗(trail)20個“左”、20個“右”),整個實驗過程持續(xù)1h左右。在每組實驗中,“左”或“右”的試驗是隨機出現(xiàn)的,連續(xù)兩個試驗的間隔時間也是隨機的(500~2500ms)。記錄受試者在電極位置C3、C4附近的雙極腦電信號用于腦電模式識別(這兩個位置代表了大腦左右手感覺運動區(qū)域)。3分析方法和計算對右手運動想象腦電模式的識別方法大體可分為時頻域分析方法和空間域分析方法。時頻分析包括事件相關同步/去同步分析和自回歸參數(shù)模型功率譜估計,空間域方法主要指共同空間模式分析。3.1運動想象erd/ers的算法在左右手想象運動過程中,腦電的某些頻率成分在對側感覺運動區(qū)域出現(xiàn)事件相關去同步9ERD),同側感覺運動區(qū)域出現(xiàn)事件相關同步(ERS),這是判斷左右手想象運動的依據(jù)。因此在處理腦電信號時應首先對腦電數(shù)據(jù)進行帶通濾波,然后計算腦電序列各樣本點或某時間段的ERD(ERS),計算公式如下:ERD(j)=R?A(j)R×100%ERD(j)=R-A(j)R×100%式中,A(j)為第j個腦電數(shù)據(jù)所有次試驗的平均功率Pˉˉˉ(j)=1NΣi=1Nx2f(i,j)Ρˉ(j)=1ΝΣi=1Νxf(i,j)2或方差IV(j)=1N?1Σi=1N{xf(i,j)?xˉf(j)}2?R=1kΣj=n0n0+kA(j)ΙV(j)=1Ν-1Σi=1Ν{xf(i,j)-xˉf(j)}2?R=1kΣj=n0n0+kA(j),為參考時間段k個腦電數(shù)據(jù)的平均功率。N為試驗次數(shù),xf(i,j)為帶通濾波后第i次試驗的第j個腦電數(shù)據(jù),xˉxˉf(j)為第j個腦電數(shù)據(jù)N次試驗的平均值。計算電極位置C3、C4處記錄的各點腦電數(shù)據(jù)的ERD/ERS,可以得到完整的ERD/ERS時間變化過程,進而判定受試者想象的是左手或右手運動。而與運動想象ERD/ERS最相關的頻帶可由DSLVQ(Distinctionsensitivelearningvectorquantization)算法來進行選擇。這種方法采用一個加權距離函數(shù)并通過監(jiān)督學習來調(diào)節(jié)不同輸入特征如頻率成分的影響。用這種方法進行EEG信號的頻譜分析時得到的是根據(jù)各頻率成分與分類任務的關聯(lián)性得到的每個頻率成分的權重值。Pfurtscheller等利用ERD/ERS和神經(jīng)網(wǎng)絡(Learningvectorquantization,LVQ)對4個健康受試者的兩種運動想象實驗進行在線分類,平均準確率為78%。3.2模型參數(shù)估計經(jīng)典的時變AR模型參數(shù)的估計方法是基于分段法。數(shù)據(jù)被分為若干數(shù)據(jù)段,估計每段數(shù)據(jù)的AR模型參數(shù),得到一個關于AR模型參數(shù)的時間過程,該過程反映了被研究信號的時變特性。數(shù)據(jù)段的長度決定了參數(shù)估計的準確度及時間分辨率,長度越短則時間分辨率越高,但模型參數(shù)估計的誤差也會隨之增加。目前的替代方法是自適應自回歸模型(Adaptiveautoregressivemodel,AAR)。AAR模型表達如下:yk=a1,kyk+…+ap,kyk-p+εk式中:yk為EEG時間序列;a1,k…ap,k為時變的自回歸參數(shù);p為模型階次;εk為白色噪聲過程中。AAR模型的參數(shù)估計方法一般采用最小均方誤差算法(Leastmeansquare,LMS)和遞推最小二乘算法(Recursiveleastsquare,RLS)。AAR模型所需計算量較小并且不需要緩存,因此適用于在線分析。估計每次試驗i在C3、C4處EEG信中與各樣本時間點t的AAR模型參數(shù)a?a^ti,得到一個2*p維的特征向量dt(i):d(i)t=[a?tc3(i)a?tc4(i)]dt(i)=[a^tc3(i)a^tc4(i)]在類L與R(即想象左手運動和右手運動)之間通過線性識別分析(Lineardiscriminationanalyses,LDA)找到權重向量wt和補償值w0,計算距離D:D(i)tt(i)=wTttΤ·d(i)tt(i)-w0Dt是一個一維時變函數(shù),每次試驗可計算該值,D(i)tt(i)稱為時變距離函數(shù)(Time-varyingsigneddistancefunction,TSD)。D(i)tt(i)>0或D(i)tt(i)<0意味著第i次試驗屬于L類或R類。目前已有人利用AAR模型結合線性識別分析(LDA)方法在健康受試者身上成功分辨不同運動想象模式,病人通過運動想象控制手輔助運動裝置的試驗也得到成功。3.3基于信號模型的分類器在運動想象過去中,ERD/ERS的源點經(jīng)常不位于電極位置C3和C4處。在這種情況下提高分類準確度的一種方法是共同空間模式(Commonspatialpattern,CSP),這種方法基于兩個協(xié)方差矩陣的同時對角化來設計最優(yōu)的空間濾波器分辨兩個EEG總體(左手想象運動和右手想象運動)。它最初用于檢測異常腦電,近來被成功用于運動相關EEG的分類。為便于分析,EEG在相關頻帶進行帶通濾波。每次試驗由一個N×T矩陣E表示,N為腦電記錄通道數(shù),即記錄電極的個數(shù),T為采樣點的個數(shù)。腦電數(shù)據(jù)的歸一化空間協(xié)方差由下式計算:C=EETtrace(EET)C=EEΤtrace(EEΤ)式中:T為轉置運算;trace(x)為矩陣x對角線元素的和。每個總體的空間協(xié)方差為各次試驗協(xié)方差的均值,總的空間協(xié)方差由下式給出:Cc=Cˉˉˉl+CˉˉˉrCc=Cˉl+CˉrCc可以分解成Cc=UcλcUcT,其中Uc為Cc的特征向量,λc為特征值對角矩陣,假設特征值按降序排列。Whitening變換:P=λc?1????√UcTΡ=λc-1UcΤ使Uc擴展空間的方差相等,即PCcPT的所有特征值相等。如果CˉˉˉCˉl(CˉˉˉCˉr)變換為Sl=PCˉˉˉlPT(Sr=PCˉˉˉrPT)Sl=ΡCˉlΡΤ(Sr=ΡCˉrΡΤ),則Sl與Sr分享同一特征向量。即如果Sl=BλcBT,Sr=BλrBT,則有λl+λr=I,I為單位矩陣。由于兩個總體的特征值之和為常數(shù),若Sl的特征值最大,則Sr的特征值最小,反之亦然。這個性質(zhì)使特征矩陣B可以用來分辨兩個總體。白化的EEG信號在B中第一個和最后一個特征向量上的投影給出了以最小方差判據(jù)分辨兩個EEG總體的最優(yōu)分類特征向量。根據(jù)投影矩陣W=(BTP)T,試驗數(shù)據(jù)E的映射由下式給出:Z=WE矩陣W-1的列為共同空間濾波模式,可視為時不變EEG源分布向量。根據(jù)上式對EEG進行分解(濾波)可以得到用于分類的特征。在每個總體中選取最利于分類的m個信中與的方差用來構建分類器。在矩陣Z中,這2m個信號是矩陣的頭m行和最后m行。m個信號的方差通過對數(shù)變換歸一化。左右手想象運動試驗的特征向量fp(p=1…2m)用于計算線性分類器:fp=log???var(Zp)Σi=12mvar(Zi)???fp=log(var(Ζp)Σi=12mvar(Ζi))在3個健康受試者的想象運動試驗中,CSP的在線分類準確率在87%~98%之間。3.4隱式松動模型基于自回歸參數(shù)估計和普通空間模式的分類方法均假設短時間EEG為平穩(wěn)信號,而動態(tài)的EEG變化,如去同步的模式無法建模,也就無法分類。為解決EEG的非穩(wěn)態(tài)問題,有人采用隱式Markov模型(Hiddenmarkovmodel,HMM)為動態(tài)EEG建模。HMM曾成功用于語音信號處理,并且正被愈來愈多地引入到生物醫(yī)學的信號處理中。Markov模型把一個總隨機過程看成一系列狀態(tài)的不斷轉移,而當前狀態(tài)發(fā)生的條件概率僅決定于前一個狀態(tài)。隱式Markov模型認為模型狀態(tài)是不可觀測的(這就是“隱”得名的由來),能觀測到的是它表現(xiàn)出的一些觀測量,如睡眠狀態(tài)可分為“醒覺”、“快速眼動”等“狀態(tài)”,而觀測到的是這些狀態(tài)下的生理表現(xiàn)如腦電。建立代表兩種想象運動的HMM模型HMMLL和HMMR,通過特征提取得到待分析腦電數(shù)據(jù)的特征向量作為觀察序列分別輸入每個HMM并計算各模型的輸出(即產(chǎn)生此觀察序列的總聯(lián)合概率),比較各模型輸出,輸出最大的模型所代表的類型,就被認為是輸入數(shù)據(jù)所屬類別。Pfurstcheller等使用雙偶極子源處估計的Hjorth參數(shù)訓練的HMM在線分析4個健康受試者在左右手想象運動,分類準確率在75%~95%之間。4不同用戶的識別和分類算法采用左右手運動想象事件相關腦電信號作為腦機接口系統(tǒng)的輸入信號,最大特點是不需要外界裝置給出特定刺激,病人只需想象即可產(chǎn)生這些信號,但必須有足夠的實驗數(shù)據(jù)來訓練合適的分類器以適應不同的使用者。上文提到的各種識別和分類算法各有特點: