張大林， 徐寶國， 宋愛國

(東南大學(xué) 儀器科學(xué)與工程學(xué)院, 江蘇 南京 210096)

0 引 言

手部運(yùn)動(dòng)功能的康復(fù)或重建是多數(shù)上肢功能受損患者的首要需求。腦機(jī)接口(brain computer interface,BCI)實(shí)現(xiàn)了腦電(electroencephalogram,EEG)信號(hào)與外部設(shè)備的直接交互[1,2]，無需依賴于大腦外圍神經(jīng)與肌肉通道，為癱瘓患者的康復(fù)治療提供一種新的途徑。

目前，BCI研究已經(jīng)取得了很大進(jìn)展，但使用EEG解碼自然動(dòng)作的研究仍然很少且不夠深入。傳統(tǒng)的基于運(yùn)動(dòng)想象的BCI[3,4]交互策略不自然，影響用戶的參與度，且指令集較少，控制維度低。針對(duì)以上問題，研究同側(cè)肢體不同自然動(dòng)作的EEG解碼是很有科學(xué)價(jià)值的。使用EEG解碼同一肢體的不同運(yùn)動(dòng)動(dòng)作,不但可以增加腦機(jī)控制的維度，還可以實(shí)現(xiàn)更直觀和自然的腦機(jī)控制。

非侵入式BCI的研究表明，運(yùn)動(dòng)相關(guān)皮質(zhì)電位(movement-related cortical potentials，MRCPs)能夠提供有關(guān)運(yùn)動(dòng)行為的信息，常用于運(yùn)動(dòng)認(rèn)知信息的時(shí)域分析[5]。MRCPs是伴隨自主運(yùn)動(dòng)出現(xiàn)的一種低頻(低于 6 Hz)誘發(fā)神經(jīng)振蕩電位[6]，主要包含準(zhǔn)備電位(bereitschafts potential,BP)[7]、運(yùn)動(dòng)電位和運(yùn)動(dòng)監(jiān)控電位。先前的研究表明，從EEG中提取的MRCPs特征成功地應(yīng)用于運(yùn)動(dòng)意圖、運(yùn)動(dòng)方向、速度、運(yùn)動(dòng)軌跡等信息的解碼[8,9]。

本文致力于從EEG中解碼單側(cè)手部的連續(xù)自然手部抓握行為，選擇了3種日常生活行為所需的右手抓握動(dòng)作作為解碼對(duì)象，分別是推拉抓取、旋轉(zhuǎn)抓取、插拔抓取。招募了5名健康受試者進(jìn)行的實(shí)驗(yàn)。研究結(jié)果揭示了自然抓握動(dòng)作與EEG信號(hào)之間的神經(jīng)相關(guān)性，同時(shí)也表明,EEG活動(dòng)中具有足夠的區(qū)分信息來對(duì)自然動(dòng)作進(jìn)行解碼,并達(dá)到可接受的解碼性能。

1 實(shí) 驗(yàn)

1.1 實(shí)驗(yàn)裝置與范式

本文研究的3種自然手部抓取動(dòng)作如圖1所示。設(shè)計(jì)了3個(gè)裝置以方便受試者自然地完成手部抓握動(dòng)作，如圖2所示。將設(shè)計(jì)的裝置分別和微型力傳感器/扭矩傳感器相連接，并將其固定在均勻等距地分布在扇形平臺(tái)上的支柱上。在扇形平臺(tái)的圓心位置處放置一個(gè)壓力按鈕用于檢測(cè)運(yùn)動(dòng)的開始。使用微型力傳感器/扭矩傳感器的目的是為了獲取受試者在實(shí)驗(yàn)過程中的運(yùn)動(dòng)行為信息。

圖1 3種自然手部抓握動(dòng)作示意

圖2 實(shí)驗(yàn)裝置

實(shí)驗(yàn)范式如圖3所示，基于聲音提示引導(dǎo)受試者完成實(shí)驗(yàn)任務(wù)。在實(shí)驗(yàn)過程中，為了區(qū)分抓握任務(wù)，本文研究要求受試者執(zhí)行不運(yùn)動(dòng)任務(wù)。為簡(jiǎn)化聲音提示，將3個(gè)不同的抓取動(dòng)作分別映射為“Target 1”，“Target 2”和“Target 3”。對(duì)于不運(yùn)動(dòng)類別，將其映射為“Target 4”。受試者坐在舒適的椅子上，并保持右手放置在壓力按鈕上。實(shí)驗(yàn)過程中要求受試者使用右手自然完成聲音提示的實(shí)驗(yàn)任務(wù)。單個(gè)實(shí)驗(yàn)任務(wù)持續(xù)10 s。在0 s時(shí)，發(fā)出“Rest”提示聲，指示對(duì)象將右手放在按鈕上并休息。在3 s時(shí)，語音提示受試者將要完成的任務(wù)編號(hào)。要求受試者將注意力集中到聲音提示的對(duì)象上，這個(gè)階段持續(xù)2 s。在5 s時(shí)，“Go” 提示受試者開始執(zhí)行運(yùn)動(dòng)執(zhí)行動(dòng)作。受試者右手離開壓力按鈕到達(dá)提示的指定對(duì)象，完成達(dá)到、抓取、保持和返回等動(dòng)作，整個(gè)階段持續(xù)5 s。對(duì)于不運(yùn)動(dòng)類別任務(wù)，要求受試者保持起始姿勢(shì)，不要執(zhí)行任何抓握動(dòng)作，并盡量避免眨眼和身體運(yùn)動(dòng)。

圖3 實(shí)驗(yàn)范式

1.2 數(shù)據(jù)采集

5位志愿者(3男、2女, 平均年齡在(24±2)歲之間)參與了這項(xiàng)研究。受試者均為右利手，身體健康。實(shí)驗(yàn)前向每位受試者解釋了研究的目的和注意事項(xiàng)，并簽署了知情同意書。

本文使用Neuroscan SynAmps Ⅱ EEG放大器采集EEG數(shù)據(jù)。電極帽使用64通道的ActiCAP(10—20國際標(biāo)準(zhǔn)導(dǎo)聯(lián)系統(tǒng))。如圖4所示，40個(gè)有源電極被選擇為采集通道。左乳突和FPz分別用作參考電極和接地電極。采樣頻率為1 kHz，并通過采集系統(tǒng)從0.05～100 Hz進(jìn)行帶通濾波，50 Hz陷波濾波器被運(yùn)用來減少電源工頻干擾。EEG采集期間,電極阻抗保持在5 kΩ以下。

圖4 EEG采集電極分布

本文使用數(shù)據(jù)采集卡以1 kHz的頻率記錄傳感器和按鈕的數(shù)據(jù)。開發(fā)了上位機(jī)平臺(tái)同步數(shù)據(jù)采集卡和EEG采集，并提供聽覺導(dǎo)引。對(duì)于每個(gè)受試者連續(xù)記錄8組數(shù)據(jù)，每組中包括40次實(shí)驗(yàn)(每個(gè)任務(wù)10次)。每組記錄之間休息5～10 min。

2 理論與方法

2.1 運(yùn)動(dòng)起始檢測(cè)

由于參與者有反應(yīng)時(shí)間(reaction time,RT)，將受試者的運(yùn)動(dòng)開始時(shí)刻鎖定在“Go”提示時(shí)刻是不合理的。因此，本文基于壓力按鈕輸出的數(shù)據(jù)來校準(zhǔn)真實(shí)的運(yùn)動(dòng)開始時(shí)刻。檢測(cè)步驟如下：1)計(jì)算出每個(gè)受試者的RT，即受試者離開壓力按鈕時(shí)刻與“Go”提示時(shí)刻的時(shí)間差;2)尋找RT大于2 s的試驗(yàn)并將其丟棄;3)計(jì)算RT的平均值和標(biāo)準(zhǔn)偏差。在“Go”提示時(shí)刻的基礎(chǔ)上補(bǔ)償RT的平均值作為真實(shí)的運(yùn)動(dòng)開始時(shí)刻。

2.2 信號(hào)預(yù)處理

EEG信號(hào)是非穩(wěn)態(tài)隨機(jī)信號(hào)，很容易受到眼電或肌電的干擾。本文從采集的40個(gè)電極通道中優(yōu)選了33個(gè)通道進(jìn)行分析，排除與眼電和肌電高度相關(guān)的外圍通道(FP1, FP2, AF3, AF4, AF5, F5和F6)。進(jìn)一步地分析了同步采集的傳感器數(shù)據(jù)，排除了在“Go”提示開始后2 s還未執(zhí)行動(dòng)作的試驗(yàn)。

對(duì)離線EEG數(shù)據(jù)執(zhí)行拒絕策略后開展信號(hào)預(yù)處理。首先，利用零相位4階巴特沃斯濾波器對(duì)EEG在0.3～40 Hz進(jìn)行帶通濾波。其次，應(yīng)用獨(dú)立成分分析算法分解EEG數(shù)據(jù)，排除了眼電和肌電偽影成分。然后，為了提高EEG數(shù)據(jù)的信噪比，對(duì)處理后的EEG數(shù)據(jù)進(jìn)行共平均參考濾波。然后，將EEG降采樣至200 Hz。最后，截取運(yùn)動(dòng)開始前1.5 s和運(yùn)動(dòng)開始后3 s的EEG數(shù)進(jìn)行下一步分析。由于信號(hào)噪聲和人工偽影的問題，剔除了約12 %的實(shí)驗(yàn)。

2.3 特征提取和分類方法

本文分別提取時(shí)域和頻域特征，同時(shí)聯(lián)合時(shí)域和頻域特征對(duì)EEG信號(hào)分類。對(duì)于時(shí)域特征提取，首先使用零相位4階巴特沃斯濾波器對(duì)EEG進(jìn)行截止頻率為4 Hz的低通濾波，然后將每個(gè)電極通道的EEG幅值作為特征。對(duì)于頻域特征提取方法，計(jì)算EEG信號(hào)的功率譜密度(power spectral density,PSD)，取覆蓋delta[0.5︰4.5 Hz]、theta[4.5︰8.5 Hz ]、alpha [8.5︰11.5 Hz;11.5︰15.5 Hz]和beta [15.5︰20.5 Hz;20.5︰25.5 Hz;25.5︰30.5 Hz ]頻率范圍的功率平均值作為頻域特征。

本文使用收縮線性判別分析(shrinkage based linear discriminant analysis,sLDA)構(gòu)建解碼模型[9]。對(duì)所有的手部抓握運(yùn)動(dòng)類別和不運(yùn)動(dòng)類別執(zhí)行離線4分類實(shí)驗(yàn)。本文為每個(gè)離線分類試驗(yàn)定義了一個(gè)感興趣的窗口(window of interest,WOI)為[-1,3]s。選取500 ms時(shí)間窗分別提取時(shí)域與頻域特征。具體來說，對(duì)于時(shí)域特征方法，在每個(gè)電極通道選擇了以50 ms為步長的EEG振幅作為MRCPs特征，每個(gè)通道提取10個(gè)特征，總共提取330個(gè)特征；對(duì)于頻域特征提取方法，每個(gè)通道計(jì)算7個(gè)PSD均值作為特征，總共提取231個(gè)特征。為了獲取最佳分類性能的多分類模型，在定義的WOI上以50 ms的間隔滑動(dòng)時(shí)間窗，并訓(xùn)練和測(cè)試多分類模型。通過這種方式，在WOI上訓(xùn)練和交叉驗(yàn)證了80個(gè)sLDA模型。對(duì)于每一個(gè)多分類模型的訓(xùn)練均使用10次5折交叉驗(yàn)證，并計(jì)算分類正確率的平均值。

3 結(jié)果與討論

3.1 神經(jīng)生理學(xué)分析

對(duì)預(yù)處理后的數(shù)據(jù)使用零相位4階巴特沃斯濾波器對(duì)EEG進(jìn)行截止頻率為4 Hz的低通濾波，計(jì)算了所有受試者每個(gè)電極通道的MRCPs的總體平均值和其置信區(qū)間(α= 0.05)。如圖5所示，主要展示了運(yùn)動(dòng)皮層上FCz，C1，C2和Cz電極通道的MRCPs分布。從圖中可以觀察出，對(duì)于所有的抓握運(yùn)動(dòng)，MRCPs相對(duì)于不運(yùn)動(dòng)條件可以觀察到顯著差異(p<0.5)，不論是運(yùn)動(dòng)開始之前還是運(yùn)動(dòng)開始之后。總體來看，抓取條件下的MRCPs比不運(yùn)動(dòng)條件下激活程度更加明顯。在抓握條件下，可以在運(yùn)動(dòng)開始之前500 ms觀察到強(qiáng)烈的負(fù)偏轉(zhuǎn)，且在運(yùn)動(dòng)開始時(shí)刻，該偏移達(dá)到最大值。對(duì)于所有抓握條件，在運(yùn)動(dòng)之前，其MRCPs表現(xiàn)出相似的激活，而在運(yùn)動(dòng)之后出現(xiàn)顯著差異。綜上，可以發(fā)現(xiàn)，不同的自然手部抓握動(dòng)作誘發(fā)的MRCPs存在一定的差異。使用MRCPs特征解碼自然的手部抓握動(dòng)作具備可行性。

圖5 所有受試者抓握與不運(yùn)動(dòng)條件下FCz，C1，Cz和C2通道的MRCPs總體平均值(實(shí)線為MRCPs平均值，陰影區(qū)域?yàn)橹眯艆^(qū)間(α=0.05))

本文計(jì)算了3種自然抓握動(dòng)作和不運(yùn)動(dòng)條件下的PSD。如圖6所示，展示了C3,Cz和C4通道上所有受試者的PSD總平均值。可以觀察出所有的抓握條件呈現(xiàn)相似的PSD分布，而抓握和不運(yùn)動(dòng)條件之間具有顯著差異，不運(yùn)動(dòng)條件下的功率值要高于所有抓握條件的功率值，尤其是在mu和beta頻段。這與EEG的ERD/ERS現(xiàn)象存在關(guān)聯(lián)[5]?；赑SD的分析可以進(jìn)一步證明使用EEG區(qū)分同側(cè)手部自然抓握動(dòng)作的可行性。

圖6 所有受試者3種手部抓取與不運(yùn)動(dòng)條件下C3，Cz和C4的PSD平均值

3.2 多分類實(shí)驗(yàn)

本文分別展示了所有受試者在運(yùn)動(dòng)前1 s和運(yùn)動(dòng)后3 s的多分類性能以及總體平均分類性能。此外，計(jì)算了所有受試者在總體平均值的峰值處的混淆矩陣的平均值，并進(jìn)行歸一化。

圖7展示了所有受試者基于時(shí)域MRCPs特征的多分類結(jié)果。在運(yùn)動(dòng)開始后1.35 s處，獲得總體平均解碼性能的峰值精度為46.1 %(機(jī)會(huì)水平為27.1 %，α=0.05)[10]。對(duì)于所有的受試者，在運(yùn)動(dòng)開始前1 s分類準(zhǔn)確率已經(jīng)超過了機(jī)會(huì)水平，這意味著檢測(cè)多類抓取動(dòng)作的運(yùn)動(dòng)意圖是可行的，對(duì)于實(shí)現(xiàn)在線實(shí)時(shí)的BCI控制是至關(guān)重要的?；煜仃嚨慕Y(jié)果表明，所有抓握與不運(yùn)動(dòng)條件下的真陽率(true positive rate,TPR)對(duì)整體的多分類性能貢獻(xiàn)基本一致。

圖7 基于MRCPs特征的多分類結(jié)果

圖8展示了所有受試者聯(lián)合時(shí)域和頻域特征的多分類結(jié)果。在運(yùn)動(dòng)開始后1.3 s處，獲得總體平均解碼性能的峰值為49.9 %，比僅使用時(shí)域特征解碼提高了4 %。對(duì)于不同的特征提取方法，均在運(yùn)動(dòng)開始后的約1.3 s處獲得最佳的平均分類性能，這對(duì)應(yīng)于受試者完成達(dá)到和抓取動(dòng)作的時(shí)刻?；煜仃嚨慕Y(jié)果表明，不運(yùn)動(dòng)條件下的TPR比所有運(yùn)動(dòng)條件下的TPR高15 %左右。對(duì)比僅采用時(shí)域特征和聯(lián)合時(shí)域與頻域特征的混淆矩陣，可以直觀地發(fā)現(xiàn)聯(lián)合特征解碼僅提高了不運(yùn)動(dòng)條件下的TPR。這表明，聯(lián)合特征解碼性能的提升實(shí)際是通過提高不運(yùn)動(dòng)狀態(tài)與手部抓握動(dòng)作之間性能，而不是提高了運(yùn)動(dòng)條件之間的分類性能來實(shí)現(xiàn)的?；贓EG的頻譜估計(jì)也證明了這一現(xiàn)象。

圖8 基于聯(lián)合時(shí)域和頻域特征的多分類結(jié)果

表1統(tǒng)計(jì)了不同特征提取方法下每個(gè)受試者的峰值分類精度及對(duì)應(yīng)的時(shí)間點(diǎn)。受試者S1僅使用時(shí)域MRCPs特征獲得63.75 %(STD±5.0 %)的4分類正確率。除S2外，所有的受試者使用聯(lián)合特征解碼方法獲得最佳的分類性能。所有受試者峰值分類精度的平均值分別為44.78 %(PSD特征)，48.39 %(MRCPs特征)和52.8 %(聯(lián)合特征)。相比之下，聯(lián)合特征解碼性能優(yōu)于其他2種單一特征解碼。

表1 不同特征提取方法下每個(gè)受試者的峰值分類精度及出現(xiàn)的時(shí)間點(diǎn)

基于多分類實(shí)驗(yàn)的結(jié)果，本文成功解碼了單側(cè)手部的3種不同的伸展抓握動(dòng)作，且基于低頻的EEG活動(dòng)中MRCPs特征的解碼結(jié)果與先前的研究是一致的[8，9]。結(jié)果表明，聯(lián)合特征方法能夠有效地提高解碼性能，尤其是改善了運(yùn)動(dòng)條件與不運(yùn)動(dòng)條件的分類性能，但對(duì)運(yùn)動(dòng)條件與運(yùn)動(dòng)條件之間的分類性能提高有限，聯(lián)合特征解碼性能的提升實(shí)際是通過提高不運(yùn)動(dòng)狀態(tài)與手部抓握動(dòng)作之間的分類性能來實(shí)現(xiàn)的。此外，獲得最佳平均分類峰值精度的時(shí)間點(diǎn)鎖定于受試者完成抓握動(dòng)作的時(shí)刻。

4 結(jié) 論

本文面向自然人機(jī)交互設(shè)計(jì)了EEG誘發(fā)實(shí)驗(yàn)，采集EEG數(shù)據(jù)，并成功使用EEG解碼3種不同的自然抓握動(dòng)作。神經(jīng)生理學(xué)分析表明，3種自然手部抓握動(dòng)作與不運(yùn)動(dòng)條件之間存在顯著差異，且不同的抓握動(dòng)作之間表現(xiàn)出不同的激活模式。4分類結(jié)果表明，使用時(shí)域特征分類方法，總體平均分類正確率的峰值為46.1 %，而聯(lián)合時(shí)域和頻域特征分類方法，達(dá)到了49.9 %的分類正確率。研究的發(fā)現(xiàn)為實(shí)現(xiàn)直觀和自然的BCI假肢控制提供了可能，也為上肢截肢者和先天性運(yùn)動(dòng)障礙患者的功能康復(fù)提供了一條途徑。