脑机接口中脑电图-近红外光谱联合分析进展研究

脑机接口(BCI)能将受试者意图相关的大脑活动转化为外部设备控制指令,在神经疾病治疗、运动康复等方面具有较高应用潜力。BCI的实现需从人脑获取有意义的信号,而脑电图(EEG)可以反映神经电活动,主要用于对反映实时性要求较高的BCI系统;近红外光谱(NIRS)主要反映血流动力学水平,一般用于神经生理状态等需要精确定位脑活跃区域的研究。EEG和NIRS因其非侵入、方便穿戴、成本较低等优点,成为BCI的重要信号获取方法。相比于单模态BCI系统,基于EEG-NIRS联合分析的混合BCI系统由于具有更丰富的信号特征,在生理状态检测、运动想象等领域得到了越来越多的关注与研究。该文从EEG-NIRS联合分析在脑机接口中应用的研究现状出发,在数据和特征融合程度、层面上归纳最近的相关领域研究现状,并对EEG-NIRS信号处理手段的研究前景进行了展望。

让耳朵说话：基于单通道耳穴近红外谱的脑机接口(英文)

基于脑机接口的读心术的本质是神经解码.近期研究关注的脑功能区包括初级视觉区、布罗卡区(语言产生中枢)和威尔尼克区(听性语言理解中枢),然而使用了复杂的功能磁共振成像术和植入电极阵列.为了克服前述的仪器复杂性和植入局限性,我们发展了一种语言中枢解码方法,采用外挂式单通道近红外透射(额耳穴)传感器、示波器与计算机后处理,再现与分析语言中枢(布罗卡区)(默读汉字例如你、我或她、他时)与额耳穴的神经血管耦合联系特征.测量信号波长选自人体生命之窗内的875nm,其响应氧合血红蛋白的吸收率相对敏感,借助耳垂的动脉血氧饱和度高达约90%的原理背景,同时,测试技巧也涉及理解信号的典型延迟期.数据处理的结果表明,一是时域或频域内的汉字识别率可以高达70%(受试者4人),二是在时域特征内分别再现了三个汉字的声母特征(过渡的弱电位)与韵母特征(强直的梭形电位).本工作或可为获得型失语症患者提供利用耳朵说话的语言中枢控制的新的并行信道(相对于从脑到口的语言产生通道),特点是单通道且无损.

基于功能性近红外光谱技术的脑机接口

为了探究功能性近红外光谱技术(fNIRS)对相同动作的运动想象和运动执行区分可行性以及前额皮层对运动想象和运动执行分类准确率的影响,研究测量了15位受试者手臂伸展和手指敲击的运动想象过程和运动执行过程的前额皮层和运动功能皮层的血氧变化信号.提取均值,斜率,二次项系数和近似熵特征建立基于支持向量机的四分类模型.对应于手臂伸展和手指敲击的四分类模型,分别实现了87.65%和87.58%的分类准确率.相对于单独运动功能皮层区域建立的运动功能皮层-fNIRS-脑机接口,引入前额皮层血氧变化信息能显著提高脑机接口分类性能,且对手指敲击动作的提高效果大于手臂伸展动作.因此,前额皮层区域的血氧响应生理特征能提高fNIRS-脑机接口的分辨性能,同时验证了fNIRS-脑机接口应用于多种肢体动作脑功能活动提取的可行性.

基于功能近红外光谱技术的脑机接口研究

我们将功能近红外光谱技术运用于脑机接口(brain-computer interface,BCI)的研究中。通过动手指、想象动手指、听觉三个任务记录大脑的响应活动,计算Hurst指数,输入到BP神经网络中,建立了任务和脑响应的相关模型。实验结果表明,响应与任务的准确识别率达到了70%,说明了近红外光谱技术应用于脑机接口研究中的可能性。

功能近红外光谱与功能核磁共振运动想象脑机接口双模态比较研究

基于功能近红外光谱(f NIRS)的运动想象脑机接口(BCI)在中风患者神经康复训练发挥着不可或缺和日益重要的作用,但分类率较低。以功能核磁共振(f MRI)作为参考金标准,针对运动想象范式,本研究开展了f MRI-BCI与f NIRS-BCI的对照研究,以探究限制f NIRS-BCI分类率的主要因素。实验选取了12名被试,分别获取两种模态下左右手运动想象数据,并利用共空间模式算法提取空间特异性信息进行分类。从血液动力学响应来看,由于受到浅表血流信号干扰,f NIRS获取的运动想象在双侧运动区脑响应的对比度明显低于f MRI。同时,f MRI-BCI的分类准确率显著高于f NIRS-BCI,超过10个百分点,分别为80.3%±16.0%与67.3%±10.2%。这些结果表明,f NIRS及目前常用的拓扑式排布在获取脑皮层响应信息上存在不足,是运动想象f NIRS-BCI分类率较低的主要限制因素。

脑电与功能近红外光谱技术在脑机接口中的应用

脑-机接口(brain-computer interface,BCI)技术是一种多学科交叉融合的新型人机交互方式,通过解码大脑的活动信息来控制外部设备,从而实现人脑与外界的信息交互,在神经科学、康复医疗、人工智能等领域应用广泛。近年来随着科技进步,多尺度(宏观、介观、微观)脑成像技术不断涌现,如脑电图(electroencephalogram,EEG)、功能磁共振成像(functional magnetic resonance imaging,fMRI)、功能近红外光谱(functional near-infrared spectroscopy,fNIRS),极大地推动了BCI的发展。本文综述了EEG、fNIRS及EEG-fNIRS多模态融合技术在BCI中的应用现状,归纳各技术的研究成果,探讨其局限性和改进方式,并对未来BCI的发展做了展望。

心算和想象运动二分类的近红外光谱脑机接口范式重测信度研究

本文对心算和想象动右手这两个经典范式的二分类问题的重测信度在分类正确率、特征参数以及脑激活强度三个方面进行了研究。针对10名被试在长达一个月的时间跨度内进行了三次重复实验。提取氧合血红蛋白均值特征后,利用支持向量机进行分类。结果显示在分类正确率层面,心算和想象动右手范式的组内分类和组间分类正确率均具有较高的重测信度;接着通过组间相关系数,激活通道比和激活通道相同比指标对特征参数和脑激活强度的重测信度进行量化研究,发现其重测信度与分类正确率的重测信度高度相关。本文研究表明对于大部分被试,心算和想象动右手范式具有较高的重测信度,为后续f NIRS-BCI的实际应用提供了很好的理论支撑。

基于功能近红外信号的脑机接口(BCI)在肌萎缩性侧索硬化症(ALS)患者交流中的研究

交流对于患有完全运动性麻痹的患者是极为严峻的挑战,脑机接口作为不需要运动控制的辅助通信交流手段,有希望建立与肌萎缩性侧索硬化症(ALS)患者的简单交流。使用基于功能近红外信号的脑机接口辅助交流方式,处理ALS患者思考回答"是"或"否"的简单问题时的功能近红外信号。将多种特征提取方式综合运用,并结合数据分块处理,经过多次试验研究,不仅再次验证基于功能近红外的脑机接口辅助交流方式对于ALS病患交流的可行性,而且能够得到高于75%的识别率。

基于功率谱估计和神经网络的脑-机接口研究

脑-机接口是一种不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统。利用功率谱和神经网络对不同意识任务的脑电信号进行分类。首先对脑电信号进行预处理和基于MUSIC算法的功率谱,提取脑电信号功率谱值作为特征,然后利用LVQ网络对两类不同意识任务进行分类。仿真试验表明,该方法取得了很好的分类效果,而且分类速度非常快。

基于脉冲神经网络的近红外信号的分类研究

脉冲神经网络(Spiking Neural Network,SNN)是研究脑机接口(Brain-Computer Interface,BCI)的新方向。与传统人工神经网络不同,SNN使用离散脉冲信号传递和处理信息,模拟神经元的生物电活动,目前主要应用在脑电图(Electroencephalogram,EEG)中,而近红外信号的分类大多数以传统机器学习和卷积神经网络(Convolutional Neural Network,CNN)为主。受SNN在EEG分类应用的启发,将SNN应用于功能近红外光谱(Functional Near-Infrared Spectroscopy,fNIRS)分类任务,并采用频谱图SNN适应fNIRS数据特性。与传统方法和CNN相比,频谱图SNN在三元分类任务中表现出卓越性能,传统方法和CNN的分类准确率分别为75.7%和72.8%,频谱图SNN模型在同一任务上取得了显著的成功,分类准确率达80.49%。这表明,SNN模型可显著提高fNIRS脑机接口性能,为神经科学研究和BCI的发展提供了新的可能性。

基于功能近红外光谱成像的协调运动想象识别研究

基于功能近红外光谱成像的脑机接口(fNIRS-BCI)是一种较为新颖的脑机交互技术。为了探究不同肢体协调运动想象血液动力学信号的可分性以及不同组合特征的分类效果,研究采集了10名健康受试者站立、行走想象以及休息状态的血液动力学信号,提取了氧合血红蛋白(HbO2)信号的均值、峰值、均方根、方差和标准差的组合作为分类特征。构建了基于最小二乘支持向量机(LS-SVM)的分类模型,对站立、行走想象和休息状态的HbO2进行了测量和分类。试验结果表明,均值&峰值、均值&均方根、标准差&均值、方差&均方根的分类准确率明显高于其他组合特征,分别为77.3%±5.5%、74.8%±6.1%、71.7%±6.5%和73%±3.9%。这表明多个肢体的协调运动想象具有可分性,有望为fNIRS-BCI控制外部设备增加新的指令,该研究可能为fNIRS-BCI在下肢康复的应用提供帮助。

基于fNIRS技术的脑机接口研究

功能性近红外光谱技术(functional near-infrared spectroscopy,fNIRS)作为一种无损光学脑成像技术,可用于构建脑机接口(brain-computer interface,BCI)以识别操作者肢体控制意图.利用fNIRS技术测量11位参试者的手臂伸展、腿部伸展和手指敲击的前额皮层(prefrontal cortex,PFC)和运动功能皮层(motor cortex,MC)的血氧变化信号,并利用fNIRS的生理特征和支持向量机建立fNIRS-BCI分类器.结果表明手臂伸展、手指敲击和腿部伸展的四分类fNIRS-BCI平均正确率分别为89.32%,、88.66%,和91.35%,;fNIRS-BCI的运动想象动作的分类正确率不低于运动执行动作;3种任务范式的混淆矩阵分析结果表明:运动想象诱发的脑功能活动与同侧肢体的运动执行、对侧肢体的运动想象活动产生混淆,3种任务范式的同侧运动想象和运动执行的血氧数据检验结果存在显著差异.因此,fNIRS-BCI能有效识别运动想象和运动执行活动,且运动想象和运动执行活动的血氧数据变化具有可分性.

基于认知任务的脑机接口方法研究

提出一种通过脑电波来识别放松状态以及乘法作业状态从而实现脑机接口的新方法。利用脑电仪记录受测者放松状态以及乘法作业时的大脑左右半球枕叶部的脑电信号,采用Welch法分别估计出这2个部位8Hz～10Hz、1Hz～13Hz、14Hz～30Hz 3个频段的功率谱,以各个功率谱平均值和2Hz～30Hz频段功率谱平均值的比值作为分类特征,采用支持向量机的方法建立了分类器,从而实现了脑机接口。4个受测者的实验结果表明识别准确率都大于94.44%,最高为98.89%。由于只采用了2个采集点,因此如果采用某种编码方式,该脑机接口技术就可更加方便地用于写字、控制轮椅等方面。

基于Alpha波的异步脑-机接口系统

利用Alpha波建立了一个脑-机接口系统,包括脑电数据采集、脑电信号分析、特征提取和分类,并进行了实时在线分析.该脑-机接口系统的工作模式为异步,测试者可以任意选择何时启动系统,并随意选择4个命令中的一个进行输出,是一种更加自然的人机交互方式.实验结果表明,该系统取得了很高的分类正确率,具有很好的实用性.

基于傅里叶变换的脑机接口系统实现方法

脑机接口系统要求实时的处理速度和较高的准确识别率.在对脑电信号进行幅频分析和相同步分析的基础上,提出一种意识任务识别在线脑机接口系统实现方法.提取谱峰和相同步相干性指数作为反映大脑运动意识任务状态的特征参量,设计基于信息积累的时变线性分类器,对左右手想象意识任务进行识别,获得了满意的结果,最大分类正确率达到90.72%.研究结果表明,谱峰特征是事件相关去同步/同步的一个敏感的量化参数,结合相同步相干性指数能够提供更多反映大脑意识任务状态的信息.该方法采用快速傅里叶变换和线性判别式分析,特征提取和分类算法简单,计算速度快.为在线脑机接口系统的实现提供了新的思路和途径.

基于PSD特征的FBCCA脑电信号识别方法

当前基于稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)的脑机接口(brain-computer interfaces,BCIs)使用的都是单一识别算法,针对不同时间长度的识别准确率较低。提出了一种基于滤波器组的典型相关分析(filter bank canonical correlation analysis,FBCCA)与功率谱密度(power spectral density,PSD)分析相结合的SSVEP识别算法,可以提高SSVEP识别的普适性与准确率。该方法使用FBCCA寻找高相似度的参考频率信号,再通过多组PSD分析来锁定最终的响应频率,完成频率识别。该方法无需经过训练就能得到较高的识别准确率。实验结果表明:在刺激时长为1 s时,该方法能达到86.61%的准确率,比PSD分析方法提升了5.44%,比典型相关性分析方法(canonical correlation analysis,CCA)提升了10.38%的准确率,比FBCCA提升了8.86%的准确率。

功能性近红外光谱技术在慢性意识障碍患者意识评估、沟通交流、意识恢复监测中的应用研究进展

慢性意识障碍常继发于多种神经系统疾病,表现为大脑觉醒及觉知功能的改变,严重影响患者的社会生活能力。功能性近红外光谱(FNIRS)具有时空分辨率适中、便携性好、造价相对便宜及可实现多模式神经监测的优势,在意识障碍领域表现出巨大的潜力,如FNIRS可越过患者行为反应性,通过监测大脑皮层的血流动力学表现评估其残余的大脑意识,并进一步与脑机接口相结合探究实现床边简单交流的可能性,此外,FNIRS技术可评价神经调控技术等治疗干预措施如脊髓刺激等在慢性意识障碍中实施后的患者意识恢复程度。

基于EEG和fNIRS的多模态脑机接口运动想象参数研究

脑机接口技术可实现利用大脑信息控制外围设备,可应用于医疗、军事、娱乐等方面。目前大多数脑机接口研究都是基于EEG开展的,虽然EEG有很好的时间分辨率,但空间分辨率较低。fNIRS的出现在一定程度上弥补了EEG空间分辨率过低的缺陷。文章采用EEG和fNIRS联合测量的多模态脑机接口技术,采用运动想象作为研究范式,对运动想象的力和速度参数进行研究,以获得更多的运动想象的细节指令。同时,对基于运动想象参数细节指令的机器人多层控制结构接口进行研究,构建脑控机器人演示系统。

基于功能性近红外光谱识别步行想象研究

脑机接口是一种变革型的人机交互,基于脑电的脑机接口占到研究的大多数,而基于功能性近红外光谱(fNIRS)的脑机接口以其特有的优势开始受到研究者重视。本研究利用fNIRS测量了15名被试在步行想象和空闲状态期间的氧合血红蛋白(HbO)浓度,对HbO信号进行带通滤波和基线漂移矫正。然后提取HbO的均值、峰值和均方根及其组合作为分类特征,最后采用SVM、KNN和LDA进行分类,并测试了任务期间不同时间窗的分类性能。实验结果表明,采用SVM提取3种组合特征的分类准确率明显高于其他特征及分类器,达到了90.37±4.42%;2~8 s时间窗比其他时间窗的分类准确率更高。所提研究有望为步行功能障碍患者提供一种新的可选的主动康复训练方法。

基于Emotiv的脑机接口研究

针对脑机接口中存在的信号容易受到干扰、操作复杂的问题,利用经济便携式脑电采集设备Emotiv EPOC+搭载了一套基于稳态视觉刺激的脑机交互系统。该脑机接口系统首次将功率谱密度分析、典型相关性分析等方法按照不同权重相结合,使得目标识别的准确率高达98.6%,且该系统具有很高的抗噪能力和可拓展性。