英语原文共 24 页
从低频脑电图的时域可以解码上肢的运动
摘要
运动引起的神经关联如何在人脑中表现一直是人们感兴趣的问题，并且已经用有侵入式和非侵入式的方法进行了研究。在本研究中，我们分析了单上肢运动在低频脑电图(electroencephalography, EEG)信号时域内的编码。15名健康受试者执行并想象6种不同的持续上肢运动。我们将这6个动作和一个休息类进行分类，得到执行动作的平均分类准确率为55%(运动vs运动)和87%(运动vs休息)，想象动作的平均分类准确率分别为27%和73%。此外，我们分析了源空间中的分类器模式，并定位了传递识别运动信息的脑区。分类器模式表明，运动前区、初级运动皮层、躯体感觉皮层和后顶叶皮层主要传递识别性运动信息。单上肢运动的解码在一个更自然的非侵入式控制的背景下是特别有趣的，例如，运动神经假肢或高度运动障碍患者的机械手臂。
介绍
了解人类大脑是如何编码动作的，对于开发一种对运动神经假体或机械手臂的直觉和自然控制至关重要。基于功能电刺激(functional electrical stimulation, FES)[1]的神经假体已经可以用于恢复脊髓损伤(spinal cord injured, SCI)患者[2]的运动功能。这些神经假体通常依赖于肩膀操纵杆作为控制信号，而脊髓损伤的终端用户需要学会用对侧肩膀运动来控制动作，比如抓握。然而，如果通过脑-机接口(brain-computer interface, BCI)解码运动意图，并随后转换为神经假肢或机械手臂的控制信号，这种控制对终端用户来说会有更自然的感觉。在对四肢瘫痪患者的人体实验中已经证明，侵入式BCI允许控制一个具有10个自由度(degrees of freedom, DoF)的机械手臂[3-6]。侵入式BCI比非侵入式BCI具有更好的信噪比，但侵入式BCI需要更专业持久的手术治疗，而且由于神经组织的反应，人体长期使用侵入式BCI的适应能力尚不清楚。另一方面，基于脑电图(EEG)信号的非侵入性BCI不需要手术，易于设置。它们通常依赖于伴随运动想象(movement imagination, MI)的感觉运动节律(sensoriimotor rhythm, SMR)的功率调节(参见事件相关(de)同步[7])，但其他脑电波节律也可以被利用[8,9]。这些功率调节可以作为神经假体的控制信号[2,10 - 12]。使用一个基于SMR的BCI，我们的小组已经展示了一个通过双足MI恢复侧抓力的四肢瘫痪(C4/5 ASIA a)患者。在后来的一项研究中，我们用基于SMR的BCI和写意系统[10]演示了SCI (C5 ASIA a)患者不同侧抓阶段之间的切换。最近，Rohm等人和Kreilinger等人[11,13]不仅恢复了四肢瘫痪终端用户的手部功能，还恢复了肘部功能(可以在Rupp等人的一篇综述[2]中找到)。然而，基于SMR的BCI通常只能检测到脑电信号中由右手MI和左手MI引起的空间上分离良好的模式，尽管最近的研究表明二者空间上的特异性检测更为明显。此外，基于SMR的BCI通常需要重复的MI动作。这通常需要BCI用户学习非自然的MI命令，比如使用重复的左手MI来控制右手动作[16]。然而，为了控制更自然，想象的运动应该尽可能接近实际的神经假体运动。在此背景下，对脑电图时域运动轨迹的连续解码进行了研究。Bradberry等人在脱机研究中显示了对手部三维速度[17]的解码，之后我们的小组显示了对连续运动任务[18]中三维位置的解码以及对想象运动轨迹[19]的解码。此外，还对手部关节角速度[20]进行了解码，并对手部运动方向进行了非侵入性解码。目前的状态允许从EEG解码运动轨迹和方向，但实际或预期运动的低相关性影响了可靠和准确的控制。
另一种使神经假体或机械手控制更自然的可能性是解码有关想象运动类型或质量的附加信息，这已经在脑电图的时域和频域完成。Gu等人发现腕部想象运动的速度编码在运动相关皮层电位(motor-related cortical potential, MRCP)的时域内[22-24]，Yuan等人发现mu节律和beta节律与手部执行/想象运动[25]存在这样的关系。Jochumsen等人[26]从MRCP中解码出健康人在执行和想象抓取动作时的运动力和速度，以及中风患者的尝试动作。基于EEG功率谱在频域的调制对同一肢体相关的MI进行分类:Edelman等人[15]对重复性想象手部屈/伸和前臂旋/旋进行分类，Yong和Menon对重复性想象抓握和肘部运动进行分类。基于这些发现，如果用一个想象的手臂重复仰卧来控制机械手臂的仰卧，可以增强自然的控制体验。此外，与经典的基于SMR的BCI相比，检测与同一肢体相关的不同MI增加了控制可能性的数量，而经典的基于SMR的BCI通常只检测左手/右手和脚MI。然而，重复性MI也不是最优的，因为在操作对象时通常不执行重复的手/手臂动作。因此，值得特别关注的是持续性MI，如单次假定。Vučković和Sepulveda展示了通过delta带和gamma带EEG频域分析分类持续的手腕伸展/弯曲和前臂旋前/旋后MI[27、28]。Gu等人根据mu带和beta带的功率调制和MRCP的回弹率对想象的腕关节伸展和腕关节旋转进行分类，但未发现MRCP的回弹率有统计学差异。。
在这项工作中，我们假设可以从低频时域信号(lt; 3hz)解码来自同一肢体的执行和想象的持续运动。我们采用了一个多类分类，包括6个运动类别:肘关节弯曲/伸展、前臂仰卧/内旋和手部张开/闭合。此外，这些动作属于休息类。我们在两个单独的运动执行(movement execute, ME)和MI阶段测量了15名健康受试者。据我们所知，在使用低频时域脑电图信号之前，还没有研究过同一肢体如此多的不同持续运动。此外，我们首次展示了在源空间中的基于EEG的运动解码分类器模式[29]，它允许估计分类器所利用的大脑区域。一般来说，本研究的目的是为了更好地理解单持续上肢运动是否能在低频EEG信号时域中编码，以及如何编码。
方法
主题
我们招募了15名健康受试者，年龄在22岁到40岁之间，平均年龄为27岁(标准差为5岁)。9名受试者为女性，除s1外均为右撇子。受试者因参与实验而获得报酬。获得所有受试者的书面知情同意，研究按照格拉茨医科大学伦理委员会批准的方案进行(批准号28-108 ex 15/16)。
范式
受试者坐在椅子上，他们的右臂完全由带有反重力支撑的外骨骼支撑(Hocoma，瑞士)，以避免肌肉疲劳，见图1A(图中个人已给出书面知情同意书，如PLOS同意书所述，以公布这些病例的详细信息)。
我们在两个不同的日子里对每个受试者进行两次测试，间隔不超过一周。在第一次测试中，受试者进行ME测试，在第二次测试中进行MI测试。受试者在两组中进行了六种相同的运动类型，包括肘关节屈/伸、前臂旋/旋和手的张开/闭合;均为右上肢(见图1B)。所有的动作都从一个中立的位置开始:手半张开，下臂伸展到120度，以一个中立的旋转，即拇指在内侧。除了运动课，还记录了一节休息课，在这节课上，受试者被要求避免任何运动，并保持在起始位置。在ME阶段，我们指导受试者进行持续的运动。在MI阶段，我们要求受试者执行在ME阶段所做的运动的动觉性MI[30](受试者在MI阶段之前执行一个ME运动，以支持动觉性MI)。
该范式是基于试验的，线索显示在受试者面前的计算机屏幕上，图2显示了该范式的序列。在第0秒，哔哔声响起，一个十字出现在电脑屏幕上(受试者被要求盯着十字)。然后，在第2秒，电脑屏幕上出现了一个提示，提示被试需要完成的任务(六个动作或休息中的一个)。实验结束时，受试者回到开始的位置。在每一阶段，我们记录了10次运动，每次运动42次。我们展示了6个运动类和1个休息类，每个类记录了60次实验。
记录
使用活性电极和四个16通道放大器（奥地利G.Tec医疗工程有限公司）从61个通道测量脑电图，这些通道覆盖额叶、中央、顶叶和颞叶区域。参考放在右侧乳突上，地面在AFZ上。我们使用了一个8阶切比雪夫带通滤波器，频率从0.01赫兹到200赫兹，采样频率为512赫兹。用50赫兹的陷波滤波器抑制了电源线干扰。此外，我们使用定制软件测量外骨骼
图1所示。实验设置和动作。a:受试者坐在椅子上，根据他们面前电脑屏幕上显示的提示执行/想象动作。b:受试者执行/想象:肘关节屈曲、肘关节伸展、前臂仰卧、前臂旋前、手合拢、手张开。
的手臂关节角度，并使用5dt数据手套（5dt，美国）测量手指位置，以确定运动设置。在每次会议之前，我们使用CMS 20 EP系统（Zebris Medical GmbH，德国）测量电极位置。单个电极位置用于源成像。
图2所示。试验序列。在0秒的时候，一个十字出现了，伴随着哔的一声;在第二个2秒，提示被提出，受试者分别执行/想象有规律的运动或避免任何运动。在试验之后，一个随机持续时间为2秒到3秒的中断出现了。
运动开始检测
为了检测ME会话中的运动信息，我们使用来自外骨骼和数据手套的传感器数据。肘部和腕部传感器（外骨骼）分别用于检测肘部屈伸和前臂内旋/外旋。对于打开/关闭设置，我们对数据手套传感器数据进行了主成分分析，并仅使用第一个主成分进行进一步处理。当传感器数据和之前的时间平均值（从-1 s到-0.5 s）之间的绝对差超过阈值时，检测到移动。根据每个传感器选择阈值，以确保及时检测运动设置，并尽量减少假阳性检测（通常，检测运动的时间不超过80 ms，比人类专家在目视检查传感器数据时检测到的时间晚）。为了考虑不同类别之间的系统检测时间差异（例如不同的传感器阈值和肢体部分的不同惯性），我们将每个类别的检测时间平均值向所有类别的平均值移动。因此，平均来说都是一样的。对于没有明显运动的类（即休息类和MI类），我们假设一个虚拟运动开始。每名受试者的虚拟运动起始点单独计算为运动类的平均运动起始点。以这种方式，所有的类都是可比的。
预处理
我们使用EEGLAB基于每个通道的联合概率检测和去除噪声通道(平均每个受试者1.4个通道)。为了节省计算时间，我们将数据采样到256赫兹。此后，我们通过带通滤波（0.3Hz-70Hz，四阶零相位巴特沃斯滤波器）对数据进行标记，并使用eeglab[31]找出（1）分别高于/低于-200mu;V和200mu;V阈值的值，（2）具有异常联合概率的试验，（3）具有异常峰度的试验。 方法（2）和（3）分别以其统计量标准差的5倍为阈值，对人工制品污染试验进行检测。人工制品污染试验只做了移除标记，还没有移除。然后，我们用0.3 Hz ~ 3hz之间的零相位四阶巴特沃思滤波器对原始（未滤波）256 Hz的EEG数据进行滤波，并将数据重新引用到一个共同的平均参考值。随后，我们放弃了之前标记为受人工干扰严重的试验。
分类
预处理后的信号采用收缩正则化线性判别分析(shrinkage regularized linear discriminant analysis, sLDA)分类器进行分类[32,33]，该分类器嵌入到下一节描述的判别空间模式(discriminative spatial pattern, DSP)[29]框架中。
我们进行了两种类型的分类:首先，我们将所有6个运动类分类。其次，我们将所有的移动类聚合到一个类中，并将其与其他类进行分类。我们将这些分类类型分别称为mov-vs-mov和mov-vs-rest分类。在mov-vs-rest分类中，我们从聚合的运动类中随机删除试验，以确保两个类的试验数量相等。由于mov-vs-mov是一个由6个类组成的多类分类，我们采用了一对一分类策略，产生了15个二进制分类器。为了验证分类，我们使用了10x10倍交叉验证。
利用EEG数据，我们采用了两种分类方法:(1)单时间点;(2)不同长度的时间窗(0.2-1 s)，单时间点分类对精度过程的时间分辨率更高，更适合分析随时间的信息分布。此外，使用下一节描述的DSP方法可以很容易地获得相应的分类器模式。另一方面，基于时间窗的分类有望提高分类精度。由于每种方法都有其优点，我们在本文中分析了这两种方法，并将它们称为基于“单时间点”和“时间窗”的分类。
分类器模式
基于判别空间模式(DSP)方法[29]对分类器模式进行了计算。该方法允许同时计算LDA分类器和相应的模式。LDA可表示为费雪准则的优化问题，并可连续表示为广义特征值问题。当求解这个广义特征值问题时，对应于最大特征值的特征向量得到LDA权向量。DSP还解决了剩余特征向量的广义特征值问题，得到了一个权矩阵。然后可以将这个权值矩阵倒过来得到模式。
设x(t)为t时刻脑电信号通道维数[通道x 1]的向量，对计算得到的t时刻脑电信号通道维数[通道x 1]的权值向量wt，对原始脑电信号通道向LDA空间投影的标量y(t)。那么LDA可以表示为
(1)
wt对应于特征值最大的特征向量。用DSP我们得到了一个权重矩阵，其中第一列(按特征值排序)对应于LDA解:
(2)
这个权值矩阵可以倒转得到对应于LDA权值的模式:
(3)
(4)
事实上，我们得到了一个sLDA权向量，因为我们使用收缩正则化计算了类内分散矩阵(Fishe
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
