基于平均能量差的运动想象EEG通道选择和特征提取

共空间模式(CSP)广泛应用于脑电信号(EEG)的特征提取,合适的通道选择可以有效地提高CSP的分类性能,增加信噪比。根据运动想象信号的平均能量差来进行通道选择和特征提取。首先取两类运动想象信号的通道均值能量作为投票的阈值,根据投票差值统计各通道上有明显能量差值试次的数量,基于此来选择出合适的通道,然后对这些通道取能量特征进行归一化,再结合CSP空域特征利用SVM进行分类。在BCI CompetitionⅢData SetsⅣa和BCI Competition IV Dataset SetsⅠ两个数据集上进行的分类实验中,所提出的方法相比于全通道CSP,平均精度分别提高了5.7%和10.9%,通道数分别减少了74.3%和51.7%,验证了所提出的通道选择和特征提取方法的有效性。

融入时空自适应图卷积的运动想象信号解析

基于运动想象(motor imagery,MI)脑电信号的脑机接口(brain-computer interface,BCI)技术在脑卒中患者运动功能康复医疗应用中得到广泛关注和研究。然而MI信号具有低信噪比和个体差异性大的特点,导致脑电信号噪声过大从而影响分类性能。因此,如何充分提取MI信号特征以得到更高的单被试分类精度,以及如何训练一个在跨被试上表现优秀的通用模型是MI-BCI系统用于实际应用时急需解决的问题。针对该问题,提出了一种面向不同被试的时空自适应图卷积网络模型,从时空两个维度提取MI特征信号进行分类。模型包括四个模块:空间自适应图卷积模块、时间自适应图卷积模块、特征融合模块和特征分类模块。空间自适应图卷积模块通过通道间的特征相似性动态构造空间图表示,摆脱人为构造的图表示限制。时间自适应图卷积模块将脑电信号的时间序列划为多个时间片段,计算时间段间的相似性,自适应构造脑电信号的时间图表示,消除了噪声影响。最后,进行特征融合并分类。结果表明,在BCIIV2a数据集上使用10-折交叉验证的方法和HGD数据集上分别达到了90.45%和91.64%的平均分类精度,与目前性能较好的方法相比达到了更高的准确率,证明了该模型的有效性;使用迁移学习对不同个体进行实验,平均准确率提高了1.66个百分点,证明了模型的鲁棒性。

基于域间Mixup微调策略的跨被试运动想象脑电信号分类算法

为了缓解传统微调算法的灾难性遗忘问题,本文提出了一种基于域间Mixup微调策略的跨被试运动想象脑电信号分类算法Mix-Tuning。Mix-Tuning通过预训练、微调的二阶段训练方式,实现跨领域知识迁移。预训练阶段,Mix-Tuning使用源域数据初始化模型参数,挖掘源域数据潜在信息。微调阶段,Mix-Tuning通过域间Mixup,生成域间插值数据微调模型参数。域间Mixup数据增强策略引入源域数据潜在信息,缓解传统微调算法在样本稀疏场景下的灾难性遗忘问题,提高模型的泛化性能。Mix-Tuning被进一步应用于运动想象脑电信号分类任务,实现了跨被试正向知识迁移。Mix-Tuning在BMI数据集的运动想象任务达到了85.50%的平均分类准确率,相较于被试–依赖和被试–独立训练方式的预测准确率58.72%和84.01%,分别提高26.78%和1.49%。本文分析结果可为跨被试运动想象脑电信号分类算法提供参考。

基于微分熵及卷积神经网络的脑电运动想象分类识别

针对基于运动想象的脑电信号多分类识别准确率不高的问题,提出一种基于微分熵及卷积神经网络对运动想象四分类的识别方法。首先,将脑电信号通过滤波器提取为Alpha、Beta、Theta、Gamma 4个频段,分别计算各个频段的微分熵特征,并按照脑电极空间特征对数据结构进行重构为三维脑电信号特征立方体。最后,将其输入卷积神经网络进行四分类,该方法基于BCI Competition IV-2a公开数据集,准确率达到95.88%,并在试验室建立四分类运动想象数据集进行相同的处理,准确率达到94.50%。测试结果表明本文所提方法具有更好的识别效果。

基于偶极子成像和3D卷积神经网络的源域运动想象解码方法

目的为充分保留和利用运动想象(motor imagery,MI)时偶极子的时空信息,本文提出一种新的偶极子成像(dipoles imaging,DI)结合3维卷积神经网络(3D convolutional neural network,3DCNN)的源域MI解码方法(DI-3DCNN)。方法首先,基于脑源成像(electroencephalography source imaging,ESI)技术计算运动想象脑电信号的偶极子源估计;接着,获取每类MI任务的平均偶极子源估计,基于数据驱动自动选择每类任务中偶极子激活水平较高且最大区分于其他任务的时刻作为中心采样点,再对中心采样点进行前后延伸并按任务顺序组合,形成感兴趣时间(time of interest,TOI);其次,选择覆盖高激活偶极子的Desikan-Killiany(DK)神经分区,并对局部保持投影方法(local preserving projection,LPP)增加DK分区约束,获得一种改进的有监督LPP(LPP DK);进而,基于LPP DK分别将所选择左、右半脑分区内的偶极子坐标从3维(three dimensional,3D)降成2维,获得具有神经生理先验信息的偶极子2D坐标,再结合TOI内各采样点处偶极子的幅值信息进行成像,并进行插值、下采样操作,得到偶极子的2D幅值图;随后,将TOI内偶极子的2D幅值图按时间顺序堆叠,获得左、右半脑的3D偶极子特征图,并将其作为网络的输入数据;最后,根据输入数据的特点,设计一种双分支3D卷积神经网络(dual-branched 3DCNN,DB3DCNN)实现MI解码。结果基于BCI competition IV 2a数据集进行实验研究,取得了86.50%的平均解码准确率。结论基于DI所得3D偶极子特征图能够较好地保留偶极子的最佳激活时间、程度及生理空间信息,且与DB3DCNN性能匹配。

运动想象联合中药蜡泥在卒中后I期肩手综合征患者中的应用

目的:探讨运动想象联合中药蜡泥对卒中后I期肩手综合征患者的影响。方法:选取120例卒中后I期肩手综合征患者,随机分为运动想象组、中药蜡泥组和联合干预组各40例。分别实施为期2周的运动想象干预、中药蜡泥干预及运动想象联合中药蜡泥干预。分别于干预前后比较三组患者肩痛程度、水肿程度、上肢运动功能和自理能力。结果:干预后,三组的肩痛程度、水肿程度、上肢运动功能和自理能力均较干预前明显好转,且联合组较单一干预组改善更明显(P<0.05)。结论:运动想象联合中药蜡泥能有效改善卒中后I期肩手综合征患者的肩痛程度、水肿程度、上肢运动功能和自理能力。

基于集成式张量域自适应的运动想象脑电分类

实际应用中脑电信号一直面临采集成本高、用户间差异大等问题,制约着基于脑电信号的运动想象领域的发展。针对跨受试者运动想象脑电信号识别任务,本研究提出了一种基于集成式张量域自适应的迁移学习方法。首先采用改进的欧氏空间对齐方法对多维脑电数据进行协方差对齐,消除原始数据的边缘分布偏移;其次提出基于张量子空间的改进联合概率分布方法,求得不同类别的映射子空间并实现未知标签的目标域识别分类。分别在7人200个样本和9人144个样本的BCI数据集上进行了实验,平均准确率达到82.18%和76.45%,证明了该方法在跨域分类识别上具有很好的性能。同时对于该方法各环节的效果也进行了可视化验证,展示了该集成式方法在跨域问题上的效果。

多模型融合的时空特征运动想象脑电解码方法

运动想象脑电(Motor Imagery Electroencephalogram,MI-EEG)已经应用在脑机接口(Brain Computer Interface,BCI)中,能帮助上下肢功能障碍的患者进行康复训练.然而,现有技术对MI-EEG低效的解码性能和对MI-EEG过度依赖预处理的方式限制了BCI的广泛发展.提出了一种多模型融合的时空特征运动想象脑电解码方法(Multi-model Fusion Temporal-spatial Feature Motor Imagery EEG Decoding Method,MMFTSF).MMFTSF使用时空卷积网络提取MI-EEG中浅层信息特征,使用多头概率稀疏自注意力机制关注MI-EEG中最具有价值的信息特征,使用时间卷积网络提取MI-EEG高维时间特征,使用带有softmax分类器的全连接层对MI-EEG进行分类,并利用基于卷积的滑动窗口和空间信息增强模块进一步提升MI-EEG解码性能.在公开的BCI竞赛数据集IV-2a上进行验证.实验结果表明,MMFTSF在数据集上达到89.03%的解码准确度,在MI-EEG分类任务中具有理想的分类性能.

下肢康复机器人整合运动想象在Pusher综合征中的应用

目的:探讨下肢康复机器人整合运动想象在Pusher综合征中的应用效果。方法:选取卒中后Pusher综合征患者63例,随机分为运动想象组、机器人训练组、整合训练组,每组21例,三组分别实施运动想象训练、机器人训练、机器人整合运动想象训练。比较三组倾斜程度(BLS)、平衡能力(BBS)、步行能力(TUGT、DGI)、日常生活能力(MBI)、康复信心(CaSM)、神经营养因子水平。结果:整合训练组康复治疗后BLS、BBS、TUGT、DGI、MBI、CaSM评分与神经营养因子水平优于运动想象组、机器人训练组(P<0.05)。结论:下肢康复机器人训练整合运动想象能促进Pusher综合征患者的功能康复。

基于卷积神经网络提高脑卒中患者二分类运动想象任务识别准确率的可行性研究

目的 本研究旨在探讨基于卷积神经网络(convolutional neural network, CNN)提高二分类运动想象任务识别准确率的可行性。方法 收集2020年9—12月在上海市第二康复医院康复科住院的10例脑卒中患者资料,患者均为右侧上肢瘫痪,年龄为(55.3±11.0)岁,其中女性5例。应用CGX Quick-30的30导联干电极脑电帽采集受试者的脑电信号(EEG),采集的EEG各个电极位置符合10-20国际标准导联系统。运动想象任务为单侧上肢精细运动想象,具体为右手抓握和右肘摆动。针对运动想象任务二分类,提出自适应CNN迁移学习模型,并从多个层面验证该模型在脑卒中患者EEG分类中的准确性及其算法性能。首先,验证基准CNN算法性能(即单一个体模型),即不进行任何迁移,使用同一个体的训练集生成模型,应用测试集得到分类准确率,与使用同样的数据集划分的其他深度学习算法比较。其次,验证自适应CNN迁移模型性能,分类准确率应高于特定受试者的单一个体模型和由其他个体数据形成的预训练模型。模型比较全程应用交叉验证的方法,其中在基准CNN的分类结果分析中,所有的单一个体模型使用10折交叉验证,预训练模型和自适应模型均使用5折交叉验证。结果 在10例脑卒中患者试验数据上进行验证,自适应CNN迁移模型的分类准确率为0.770 4±0.049 3,高于单一个体模型的0.616 8±0.071 5和预训练模型的0.533 6±0.034 2。并且,10例脑卒中患者中,有8例患者分类准确率超过了0.700 0;该8例患者中有4例超过了0.800 0。结论 通过优化网络结构和训练策略,CNN能够显著提高二分类运动想象任务的分类识别准确率,从而为运动想象EEG的处理和分析提供了新思路,也为基于脑机接口的运动康复训练等领域的发展提供了有力支持。

跨被试运动想象脑电信号的卷积神经网络识别方法

本文提出一种跨被试的深度神经网络识别方法,应对运动想象脑电信号的非线性、非平稳特性.该方法首先计算协方差矩阵均值,将不同被试者样本集的协方差对齐至单位矩阵,提升样本的被试间泛化性.然后,将对齐后的样本输入至卷积神经网络中,通过留一被试交叉验证法,构建跨被试的运动想象脑电信号识别方法.在BCI Competition IV dataset 2b公开数据集上进行实验,结果表明,新的方法在该数据集上取得了高的识别性能,且测试场景中的时间复杂度与现有方法相同.

多模式刺激下运动想象脑电信号采集实验设计

ERD现象是脑电信号的基本特征,以ERD特征分析为基础的MI-BCI运动功能康复方面具有重要意义。实验以右手和左手抓握运动想象为任务,设计并研究4种刺激模式下,左右手抓握运动想象时激活的大脑皮质层的ERD特征有何不同,以寻找能够激发最深激活程度和最广激活范围的刺激模式。程序采用PSYCHTOOLBOX工具箱编写,并用图形用户界面开发环境MATLABGUIDE进行脑电信号采集系统设计,为脑电信号的采集和信号采集前的训练提供了方便、提高了效率。

基于运动想象脑机接口的机械手控制系统设计

针对神经损伤导致的运动功能障碍的患者实现主动训练的问题,以便携性和低成本为设计目标,设计了一种基于运动想象脑机接口的机械手控制系统。首先设计用于实现两种指令的运动想象实验范式,基于MATLAB环境开发了在线脑电信号处理系统,通过设计上位机实现脑电信号处理结果的读取与发送,以STM32单片机作为下位机对机械手进行控制,最后招募3名健康受试者对系统的可行性进行验证。研究结果表明:该系统可以实现机械手的准确控制,3名受试者的平均识别正确率为82.8%,验证了系统的可行性。

电针结合运动想象疗法治疗脑卒中后肩手综合征Ⅰ期的临床观察

目的观察电针结合运动想象疗法对脑卒中后肩手综合征Ⅰ期患者的临床疗效。方法将60例符合纳入标准脑卒中后肩手综合征Ⅰ期患者随机分配为运动想象疗法组(A组)、电针治疗组(B组)和电针结合运动想象疗法组(C组),每组20例。3组都给予常规的康复治疗,A组增加运动想象治疗,B组增加电针治疗,C组增加电针联合运动想象疗法。治疗2周后,比较数字疼痛评定量表(numeric rating scale,NRS)、患手肿胀程度评定、关节被动活动度(passive range of motion,PROM)、Fugl-Meyer运动功能评定量表上肢部分(upper fugl-meyer assessment,U-FMA)、Barthel指数(Barthel index,BI)和临床疗效。结果(1)治疗后,3组患者在NRS评分、手部肿胀程度均较治疗前降低(P<0.05);C组NRS评分低于A组(P<0.05),C组较B组在NRS评分的差异无统计学意义(P>0.05);C组手部肿胀程度低于B组(P<0.05),C组较A组手部肿胀程度的差异无统计学意义(P>0.05);A、B两组间NRS评分、手部肿胀程度差异无统计学意义(P>0.05)。(2)治疗后,3组在肩关节各被动活动度较治疗前增大(P<0.01);C组在肩关节前屈、后伸、外展和内外旋的被动活动度较A、B组增大(P<0.01);A、B两组间差异无统计学意义(P>0.05)。(3)治疗后,3组的U-FMA评分和BI评分较治疗前升高(P<0.05);3组的U-FMA和BI评分结果显示,C组较A、B组更高(P<0.05),A、B两组间差异无统计学意义(P>0.05)。(4)A组总有效率是85%,B组总有效率是90%,C组总有效率是95%,C组较A、B组差异有统计学意义(P<0.05),A、B两组间差异无统计学意义(P>0.05)。结论3组患者经治疗在疼痛、手部肿胀、上肢运动功能和日常生活活动能力方面均得到明显改善;且与单独的电针和运动想象疗法相比,电针联合运动想象治疗肩手综合征有明显的疗效优势。

嵌入式系统中运动想象脑-机接口编解码算法综述

脑-机接口技术通过在大脑与外部设备之间建立信息传输通路,使用户能够对外部设备进行直接控制。近年来,基于运动想象范式的脑-机接口编解码算法研究在医疗健康、教育娱乐及日常生活设备中的应用范围越来越广,这些算法通常需要嵌入到硬件设备中来满足实际应用的需求。介绍了近年来嵌入式系统中运动想象脑-机接口编解码算法研究现状,从传统机器学习算法和深度学习算法两个角度指出其对应的优缺点。重点介绍四类常用嵌入式平台的代表性设备及其优缺点,并针对不同的应用场景给出相应的硬件选型建议。归纳了更适用于嵌入式脑-机接口系统的评价指标并最终总结了领域内现存的挑战与未来发展方向。

基于脑电信号的上肢运动想象与运动执行脑网络的动态功能连接研究

目的:本研究通过记录脑卒中偏瘫患者及健康人进行指定的运动想象(motor imagery,MI)及运动执行时的脑电信号,评估不同任务态初级运动区(motor area,M1)及运动前区(premotor area,PMA)相关节点的功能连接的差异,并探索其与共同运动、分离运动控制之间的关系。方法:共纳入10例脑卒中偏瘫患者及19例健康人,所有受试者根据视觉指令完成运动想象与运动执行任务,采集执行任务时的脑电信号,选取包括M1和PMA上的12个信道数据进行分析。对8-30Hz频带脑电信号进行滤波处理,采用基于改良S变换提取特征,并进行归一化处理避免个体差异,分别对左右手运动想象以及两种运动执行时12个节点的数据进行相关性分析(Pearson相关系数)以明确脑功能连接,并对节点度进行χ^(2)检验观察差异。结果:在脑卒中患者中,各节点关联度在运动想象及运动执行中的分布趋势与健康人类似;与运动执行相比,运动想象时各节点功能连接强度和密度都有升高趋势,与健康人结果类似。健康人在进行左手运动想象时,M1区的C4节点关联度明显高于对侧C3(P<0.05),当右手运动想象时,在左侧PMA区FC3和FC1的功能连接总和明显高于对侧FC4和FC2总和(P<0.05);当进行右上肢分离运动时,C3节点度明显降低(P<0.05)。结论:右手运动想象的功能连接的核心区域在左侧PMA区,且各信道节点关联度高于运动执行,而左手运动想象功能连接分布较平均。共同运动与分离运动模式所激活的主要脑区存在差异。

运动想象脑机接口的判别迁移特征学习与分类

为了解决不同时间采集的运动想象脑电数据之间存在的分布差异,避免跨时段使用前长时间的重校准步骤,提出了一种基于判别迁移特征学习(discriminative transfer feature learning,DTFL)的运动想象分类方法。DTFL通过联合匹配源域和目标域之间的边缘分布和类条件分布来减少域间的差异,同时最大化类间距离和最小化类内距离来保留类判别信息,从而提升对运动想象的分类性能。基于DTFL的运动想象分类方法无需目标域脑电样本的类别信息,可以有效避免长时间的校准。在脑机接口竞赛数据集上的实验结果表明,DTFL显著优于其他迁移学习方法,有效缓解跨域分布的不一致性,提高了运动想象的分类正确率。

基于近红外脑功能成像技术指导下运动想象训练在脑卒中后上肢运动功能康复中的应用

目的:观察运用近红外脑功能成像(fNIRS)技术筛选出想象策略的运动想象训练对脑卒中后上肢功能障碍的疗效,并探讨其作用机制。方法:将28例脑卒中患者随机分为对照组与研究组各14例。2组均给予常规康复治疗,研究组运用fNIRS技术筛选出有效的想象策略进行运动想象训练,对照组不固定想象内容进行运动想象训练。治疗前后采用上肢运动功能评定量表(FMA-UE)、上肢动作研究量表(ARAT)及改良Barthel指数评定量表(MBI)进行评定。结果:治疗4周后,2组患者的FMA-UE、ARAT及MBI评分均较治疗前显著提高(P<0.01),且研究组高于对照组(P<0.05)。结论:运用fNIRS技术筛选出的想象策略进行运动想象训练,可以更好地改善脑卒中患者的上肢运动功能及日常生活能力,其机制可能与提高运动相关脑区兴奋性有关。

运动想象疗法对老年髋关节置换患者功能康复及跌倒恐惧的影响

目的 探讨运动想象疗法对老年髋关节置换术后患者功能康复及跌倒恐惧的影响。方法 选取2021年11月至2023年5月在邛崃市医疗中心医院骨科病房接受髋关节置换治疗的98例患者,采用随机数字表法将患者分为试验组和对照组各49例,最终对照组43例与试验组43例患者完成了本项研究。对照组给予术后常规物理康复治疗,试验组在此基础上联合运动想象疗法,干预后比较两组Harris髋关节功能评分及优良率、起立-行走测试时间(TUG)、跌倒恐惧评分(FFQ-R)的差异。结果 出院时和干预2月后,试验组FFQ-R得分均低于对照组(P<0.05);干预2月后,试验组TUG测试用时少于对照组(P<0.05);出院时及干预2月后,两组Harris髋关节功能得分差异无统计学意义(P>0.05);出院时两组患者髋关节功能优良率比较差异无统计学意义(χ^(2)=1.550,P=0.213),干预2月后,试验组髋关节功能优良率高于对照组(χ^(2)=4.778,P=0.029)。结论 运动想象疗法可以提高患者运动能力,减少跌倒恐惧,加速髋关节置换患者术后康复。

融合注意力的滤波器组双视图图卷积运动想象脑电分类

在运动想象任务中,传统卷积神经网络难以准确表达大脑多区域协同神经活动;图卷积网络(GCN)能够在图数据中考虑节点(脑区)间的连接和关系,适于表示不同脑区的协同任务,为此提出融合注意力的滤波器组双视图GCN(AFB-DVGCN).由滤波器组构建双分支网络,提取不同频段的时域和空域信息;采用双视图图卷积空间特征提取方法实现信息互补;利用有效通道注意力机制增强特征和捕捉不同特征图的交互信息,以提高分类准确率.在公开数据集BCI Competition Ⅳ-2a和OpenBMI上的验证结果表明,AFB-DVGCN的分类性能良好,其分类准确率显著高于对比网络的分类准确率.