论文部分内容阅读
运动想象脑-机接口(Motor Imagery-based Brain-Computer Interface,MI-BCI)提供了一条不经周围神经系统的替代性运动输出通路,在运动辅助和神经康复领域有着巨大的应用价值。国内外许多研究单位均发展出了能够实时输出控制命令的在线MI-BCI系统,但是由于受脑电(Electroencephalogram,EEG)记录电极技术,脑电信号非平稳性,环境噪声,分类识别稳定性和被试间差异等因素的影响,多数在线MI-BCI在线系统无法走出实验室。本文采用EEG和功能磁共振(functional Magnetic Resonance Imaging,f MRI)两种模态,首先从静息态入手研究了影响MI-BCI控制表现的神经机制,其次发展了一种鲁棒性更好的特征提取算法和分类性能更高的模式识别算法。主要研究内容如下:1.不同被试操控MI-BCI的表现存在差异,我们提出了一个可以有效预测被试MI-BCI控制表现的静息态谱熵指标,它源自于C3电极记录的2分钟的闭眼静息态EEG数据。谱熵指标与被试的MI-BCI控制表现的相关系数达到0.65。在同一实验数据集内和不同实验数据集间的分类中,该指标均表现出了优良的区分MI-BCI控制表现高/低被试的能力,分类准确率分别为82%和89%。据文献调研,本研究是第一个讨论不同实验数据集条件下MI-BCI控制表现的预测指标的分类稳定性的工作。静息态EEG谱熵指标有助于在短时间内鉴定被试潜在的MI-BCI控制能力,避免对“盲”被试进行耗时的、无意义的训练。2.从静息态EEG脑网络的角度分析了MI-BCI控制表现被试间差异的神经机制。发现静息态EEG脑网络的空间拓扑结构与MI-BCI控制表现紧密相关,其中脑网络的平均功能连接强度,节点度,连接边强度,聚类系数,局部效率和全局效率与被试的MI-BCI控制表现呈现正相关关系,而脑网络的特征路径长度与其呈负相关关系。这揭示出高效率的静息态EEG脑网络有助于提高被试的MI-BCI控制能力。进一步,基于静息态EEG脑网络的四个信息传输效率指标,构建了一个多元线性回归模型来预测被试的MI-BCI控制能力,预测值与真实值之间的相关系数为0.75,均方根误差为10.5%。3.基于fMRI数据,在体素水平上计算了大脑功能网络中所有节点的功能连接密度(Functional Connectivity Density,FCD)。主要发现双侧壳核、脑岛和枕中回是与被试MI-BCI控制能力相关的重要节点,其中双侧壳核和脑岛处的长程FCD与MI-BCI控制表现负相关,而双侧枕中回处的长程FCD与MI-BCI控制表现正相关,以上结果有助于加深我们对MI-BCI控制的大脑网络机制的理解。4.提出了一种局部时间相关共空间模式(Local Temporal Correlation Common Spatial Patterns,LTCCSP)方法用于MI-BCI的特征提取。该方法将局部时间相关信息作为权重加入到CSP(Common Spatial Patterns)算法的协方差矩阵的估计过程中,可以提高估计出的空间滤波器的鲁棒性。仿真实验结果显示,LTCCSP在不同噪声出现概率情况下均能保持较高的分类识别准确率。在基于真实MI-BCI数据的对比实验中,我们发现LTCCSP依然能够获得最高的分类识别准确率。上述结果一致揭示出LTCCSP算法可以有效的提取MI-BCI的运动想象相关EEG特征,且具有较高的鲁棒性。5.提出一种用于MI-BCI的分类识别算法Z-LDA(Z-score Linear Discriminant Analysis)。经典LDA(Linear Discriminant Analysis)算法只使用训练集样本低维投影后分布的均值来定义分类边界,而Z-LDA同时使用投影后分布的均值和标准差信息来定义分类边界,能够自适应的调整分类边界以适应待分类样本异方差分布的情况。从仿真数据集和2个真实的MI-BCI数据集得到的结果一致显示,Z-LDA能够取得显著高于传统LDA方法的分类正确率,表明本文所提出的新型分类边界定义策略在MI-BCI中的分类识别中具有一定的优越性。综上,本文一方面建立了一个可以预测被试MI-BCI控制表现的静息态EEG谱熵指标,并基于EEG和f MRI两种模态从静息态脑网络角度研究了MI-BCI控制的神经机制;另一方面在MI-BCI的信号处理算法领域,首先发展了一种鲁棒性更好的CSP改进算法,其次提出了一种新的分类边界定义策略以提高分类正确率。这些工作有助于加快MI-BCI走出实验室的进程。