手運(yùn)動(dòng)對腦電活動(dòng)頻率的影響

手運(yùn)動(dòng)對腦電活動(dòng)頻率的影響

1運(yùn)動(dòng)的腦電模式當(dāng)人類通過一側(cè)四肢進(jìn)行步行（如左手）時(shí)，大腦對側(cè)主覺運(yùn)動(dòng)皮層（9.13hz）和（18.22hz）的音明顯減弱，同一側(cè)主覺運(yùn)動(dòng)土層（u）的音明顯增大。事件相關(guān)的結(jié)果是線性的。軌跡相位（erd）和軌跡相位（ers）。不僅如此,當(dāng)人們僅是想象這個(gè)動(dòng)作而沒有執(zhí)行時(shí),會(huì)激活相同的大腦感覺運(yùn)動(dòng)區(qū)域并產(chǎn)生與執(zhí)行這個(gè)動(dòng)作相同的腦電模式。如果能夠從記錄的腦電時(shí)間序列中及時(shí)識(shí)別與想象運(yùn)動(dòng)相關(guān)的腦電模式,并轉(zhuǎn)化為某種控制信號處控制光標(biāo)的移動(dòng)或輔助運(yùn)動(dòng)設(shè)備,就可以幫助嚴(yán)重癱瘓病人通過計(jì)算機(jī)與外界環(huán)境進(jìn)行交流和溝通,或者幫助他們實(shí)現(xiàn)自己想做的動(dòng)作,這也就是所謂的“腦-機(jī)接口”技術(shù)。準(zhǔn)確快速地識(shí)別出與運(yùn)動(dòng)想象相關(guān)的特殊腦電模式是利用它實(shí)現(xiàn)腦機(jī)接口的關(guān)鍵。近年來隨著信號處理技術(shù)和模式識(shí)別技術(shù)的不斷發(fā)展和完善,人們提出了各種各樣的左右手運(yùn)動(dòng)想象腦電模式的識(shí)別算法,本文即對這些算法進(jìn)行簡要回顧與總結(jié)。2實(shí)驗(yàn)過程設(shè)計(jì)在辨別兩種不同想象運(yùn)動(dòng)(左手動(dòng)或右手動(dòng))的標(biāo)準(zhǔn)實(shí)驗(yàn)中,受試者的任務(wù)是根據(jù)視覺提示信號想象左手或右手移動(dòng)。受試者坐在計(jì)算機(jī)屏幕前150cm處,每次試驗(yàn)(trial)持續(xù)8000ms的時(shí)間。當(dāng)屏幕中央出現(xiàn)一個(gè)固定的十字型圖案時(shí)標(biāo)志試驗(yàn)開始,2000ms后計(jì)算機(jī)發(fā)出一個(gè)短促的提示音(蜂鳴音),試驗(yàn)開始后3000ms屏幕中央的十字型圖案被一個(gè)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(yùn)動(dòng)。反饋有兩種形式:(1)離散反饋。該反饋由實(shí)驗(yàn)開始后6000ms時(shí)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(shí)驗(yàn)開始后3250~4250ms這一固定時(shí)間窗內(nèi)與想象左右手運(yùn)動(dòng)相關(guān)的兩種EEG模式的準(zhǔn)確程度;(2)連續(xù)反饋。在這種反饋方式下,實(shí)驗(yàn)開始后4250ms時(shí)屏幕中央出現(xiàn)一個(gè)水平反饋條并保持4000ms的時(shí)間。受試者根據(jù)箭頭方向想象移動(dòng)左手或右手將這個(gè)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(jì)算。一般情況下,完整的實(shí)驗(yàn)過程(session)包括四組實(shí)驗(yàn)(experimentalrun),每組實(shí)驗(yàn)包括40次試驗(yàn)(trail)20個(gè)“左”、20個(gè)“右”),整個(gè)實(shí)驗(yàn)過程持續(xù)1h左右。在每組實(shí)驗(yàn)中,“左”或“右”的試驗(yàn)是隨機(jī)出現(xiàn)的,連續(xù)兩個(gè)試驗(yàn)的間隔時(shí)間也是隨機(jī)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(shí)別(這兩個(gè)位置代表了大腦左右手感覺運(yùn)動(dòng)區(qū)域)。3分析方法和計(jì)算對右手運(yùn)動(dòng)想象腦電模式的識(shí)別方法大體可分為時(shí)頻域分析方法和空間域分析方法。時(shí)頻分析包括事件相關(guān)同步/去同步分析和自回歸參數(shù)模型功率譜估計(jì),空間域方法主要指共同空間模式分析。3.1運(yùn)動(dòng)想象erd/ers的算法在左右手想象運(yùn)動(dòng)過程中,腦電的某些頻率成分在對側(cè)感覺運(yùn)動(dòng)區(qū)域出現(xiàn)事件相關(guān)去同步9ERD),同側(cè)感覺運(yùn)動(dòng)區(qū)域出現(xiàn)事件相關(guān)同步(ERS),這是判斷左右手想象運(yùn)動(dòng)的依據(jù)。因此在處理腦電信號時(shí)應(yīng)首先對腦電數(shù)據(jù)進(jìn)行帶通濾波,然后計(jì)算腦電序列各樣本點(diǎn)或某時(shí)間段的ERD(ERS),計(jì)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(gè)腦電數(shù)據(jù)所有次試驗(yàn)的平均功率Pˉˉˉ(j)=1NΣi=1Nx2f(i,j)Ρˉ(j)=1ΝΣi=1Νxf(i,j)2或方差I(lǐng)V(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(shí)間段k個(gè)腦電數(shù)據(jù)的平均功率。N為試驗(yàn)次數(shù),xf(i,j)為帶通濾波后第i次試驗(yàn)的第j個(gè)腦電數(shù)據(jù),xˉxˉf(j)為第j個(gè)腦電數(shù)據(jù)N次試驗(yàn)的平均值。計(jì)算電極位置C3、C4處記錄的各點(diǎn)腦電數(shù)據(jù)的ERD/ERS,可以得到完整的ERD/ERS時(shí)間變化過程,進(jìn)而判定受試者想象的是左手或右手運(yùn)動(dòng)。而與運(yùn)動(dòng)想象ERD/ERS最相關(guān)的頻帶可由DSLVQ(Distinctionsensitivelearningvectorquantization)算法來進(jìn)行選擇。這種方法采用一個(gè)加權(quán)距離函數(shù)并通過監(jiān)督學(xué)習(xí)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(jìn)行EEG信號的頻譜分析時(shí)得到的是根據(jù)各頻率成分與分類任務(wù)的關(guān)聯(lián)性得到的每個(gè)頻率成分的權(quán)重值。Pfurtscheller等利用ERD/ERS和神經(jīng)網(wǎng)絡(luò)(Learningvectorquantization,LVQ)對4個(gè)健康受試者的兩種運(yùn)動(dòng)想象實(shí)驗(yàn)進(jìn)行在線分類,平均準(zhǔn)確率為78%。3.2模型參數(shù)估計(jì)經(jīng)典的時(shí)變AR模型參數(shù)的估計(jì)方法是基于分段法。數(shù)據(jù)被分為若干數(shù)據(jù)段,估計(jì)每段數(shù)據(jù)的AR模型參數(shù),得到一個(gè)關(guān)于AR模型參數(shù)的時(shí)間過程,該過程反映了被研究信號的時(shí)變特性。數(shù)據(jù)段的長度決定了參數(shù)估計(jì)的準(zhǔn)確度及時(shí)間分辨率,長度越短則時(shí)間分辨率越高,但模型參數(shù)估計(jì)的誤差也會(huì)隨之增加。目前的替代方法是自適應(yīng)自回歸模型(Adaptiveautoregressivemodel,AAR)。AAR模型表達(dá)如下:yk=a1,kyk+…+ap,kyk-p+εk式中:yk為EEG時(shí)間序列;a1,k…ap,k為時(shí)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(jì)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(jì)算量較小并且不需要緩存,因此適用于在線分析。估計(jì)每次試驗(yàn)i在C3、C4處EEG信中與各樣本時(shí)間點(diǎn)t的AAR模型參數(shù)a?a^ti,得到一個(gè)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(yùn)動(dòng)和右手運(yùn)動(dòng))之間通過線性識(shí)別分析(Lineardiscriminationanalyses,LDA)找到權(quán)重向量wt和補(bǔ)償值w0,計(jì)算距離D:D(i)tt(i)=wTttΤ·d(i)tt(i)-w0Dt是一個(gè)一維時(shí)變函數(shù),每次試驗(yàn)可計(jì)算該值,D(i)tt(i)稱為時(shí)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(yàn)屬于L類或R類。目前已有人利用AAR模型結(jié)合線性識(shí)別分析(LDA)方法在健康受試者身上成功分辨不同運(yùn)動(dòng)想象模式,病人通過運(yùn)動(dòng)想象控制手輔助運(yùn)動(dòng)裝置的試驗(yàn)也得到成功。3.3基于信號模型的分類器在運(yùn)動(dòng)想象過去中,ERD/ERS的源點(diǎn)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(zhǔn)確度的一種方法是共同空間模式(Commonspatialpattern,CSP),這種方法基于兩個(gè)協(xié)方差矩陣的同時(shí)對角化來設(shè)計(jì)最優(yōu)的空間濾波器分辨兩個(gè)EEG總體(左手想象運(yùn)動(dòng)和右手想象運(yùn)動(dòng))。它最初用于檢測異常腦電,近來被成功用于運(yùn)動(dòng)相關(guān)EEG的分類。為便于分析,EEG在相關(guān)頻帶進(jìn)行帶通濾波。每次試驗(yàn)由一個(gè)N×T矩陣E表示,N為腦電記錄通道數(shù),即記錄電極的個(gè)數(shù),T為采樣點(diǎn)的個(gè)數(shù)。腦電數(shù)據(jù)的歸一化空間協(xié)方差由下式計(jì)算:C=EETtrace(EET)C=EEΤtrace(EEΤ)式中:T為轉(zhuǎn)置運(yùn)算;trace(x)為矩陣x對角線元素的和。每個(gè)總體的空間協(xié)方差為各次試驗(yàn)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(shè)特征值按降序排列。Whitening變換:P=λc?1????√UcTΡ=λc-1UcΤ使Uc擴(kuò)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(gè)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(gè)性質(zhì)使特征矩陣B可以用來分辨兩個(gè)總體。白化的EEG信號在B中第一個(gè)和最后一個(gè)特征向量上的投影給出了以最小方差判據(jù)分辨兩個(gè)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(yàn)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(shí)不變EEG源分布向量。根據(jù)上式對EEG進(jìn)行分解(濾波)可以得到用于分類的特征。在每個(gè)總體中選取最利于分類的m個(gè)信中與的方差用來構(gòu)建分類器。在矩陣Z中,這2m個(gè)信號是矩陣的頭m行和最后m行。m個(gè)信號的方差通過對數(shù)變換歸一化。左右手想象運(yùn)動(dòng)試驗(yàn)的特征向量fp(p=1…2m)用于計(jì)算線性分類器:fp=log???var(Zp)Σi=12mvar(Zi)???fp=log(var(Ζp)Σi=12mvar(Ζi))在3個(gè)健康受試者的想象運(yùn)動(dòng)試驗(yàn)中,CSP的在線分類準(zhǔn)確率在87%~98%之間。3.4隱式松動(dòng)模型基于自回歸參數(shù)估計(jì)和普通空間模式的分類方法均假設(shè)短時(shí)間EEG為平穩(wěn)信號,而動(dòng)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(dòng)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(xué)的信號處理中。Markov模型把一個(gè)總隨機(jī)過程看成一系列狀態(tài)的不斷轉(zhuǎn)移,而當(dāng)前狀態(tài)發(fā)生的條件概率僅決定于前一個(gè)狀態(tài)。隱式Markov模型認(rèn)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(dòng)”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(yùn)動(dòng)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(gè)HMM并計(jì)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(rèn)為是輸入數(shù)據(jù)所屬類別。Pfurstcheller等使用雙偶極子源處估計(jì)的Hjorth參數(shù)訓(xùn)練的HMM在線分析4個(gè)健康受試者在左右手想象運(yùn)動(dòng),分類準(zhǔn)確率在75%~95%之間。4不同用戶的識(shí)別和分類算法采用左右手運(yùn)動(dòng)想象事件相關(guān)腦電信號作為腦機(jī)接口系統(tǒng)的輸入信號,最大特點(diǎn)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(shí)驗(yàn)數(shù)據(jù)來訓(xùn)練合適的分類器以適應(yīng)不同的使用者。上文提到的各種識(shí)別和分類算法各有特點(diǎn):