基于信息流增益算法的脑运动功能康复效果评价研究

闫 铮 俞谢益 吴 畏

1(华侨大学信息科学与工程学院，福建 厦门 361021)2(华南理工大学自动化科学与工程学院，广州 510640)

基于信息流增益算法的脑运动功能康复效果评价研究

闫 铮1*俞谢益1吴 畏2

1(华侨大学信息科学与工程学院，福建 厦门 361021)2(华南理工大学自动化科学与工程学院，广州 510640)

近年来有学者提出构建主动意愿驱动的脑-机交互式康复训练方法，这将有助于提高中风后康复训练的效果。研究发现，随着训练的累积，患者的在线准确率逐步提高，然而这并不能直接反映患者自身运动功能的恢复情况。借助于在线记录的脑电图(EEG)数据，通过离线分析，寻找中风患者经康复训练后大脑运动功能康复效果的客观评价参数。为此，使用经典想象运动(MI)作为训练范式。在线分类方法采用广泛认可和使用的共空间模式(CSP)结合线性分类器(LDA)的方法，离线分析方法则采用脑功能连接网络信息流增益地形图来评估大脑运动认知功能的改善。3名正常受试参与实验用于验证在线算法，与中风患者的结果进行对照分析。一名中风后上肢功能障碍患者进行了12 d，连续测试，临床量表显示其训练前后的评分分别为9分和21分。与之相应的分析结果不仅表现在准确率的提高上，信息流增益地形图显示随着训练天数的增加，脑信息交互枢纽位置发生明显迁移，逐渐趋近于正常人的模式，具体表现在从训练前的强偏侧性变为了顶叶集中的模式。该结果提示，基于网络计算得到的信息流增益参数或可作为康复效果客观评价的一种新手段。

脑电图(EEG)； 想象运动(MI)； 脑功能网络； 信息流增益

引言

脑-机接口(brain-computer interface, BCI)通过对脑信号做特征提取及模式分类处理，把脑信号转换成对外部设备的控制命令，从而实现人脑与外部环境的通信[1-2]。BCI技术应用广泛，越来越多的学者致力于BCI技术的发展和应用研究[3-7]。在已有研究的基础上，近年来学者们提出了BCI在“功能恢复”方面的应用前景，即：将BCI作为一种康复训练的方法，给大脑在线学习和可塑提供一个平台，通过对大脑可塑性的引导来恢复大脑的功能[8-9]。相对于传统康复训练，BCI为康复训练提供了一个意愿驱动的渠道，进而实现主动式康复训练。根据运动学习理论，主动患者参与的康复训练模式将有更好的恢复效果。

目前，已有一些研究小组开展了基于BCI技术的神经康复研究工作[10-14]。然而，其中存在一些关键问题尚未得到解决。首先，已有的研究主要分析在线数据，目的在于提高系统的准确率，却忽视了康复过程中的分析研究；如果将在线记录的数据以训练天数作为尺度，则可观察患者在整个训练周期中脑模式的变化，为康复效果提供一种客观评价参数。其次，目前对于BCI系统的信号分析多采取“功能定位”的研究方法，即选定与功能区有关的导联进行特征分类。对于康复而言，可能涉及整个大脑的可塑性变化，较“功能定位”的思路，采用“功能整合”的思路将更为合适。研究表明，大脑不同区域通过协同作用和交互连接，形成一个复杂皮层网络[15-16]。尤其对于康复训练，网络层面的分析可以提供一个观测的窗口。

考虑到以上关键问题，笔者拟采用网络分析的思路，对在线记录的脑电数据以训练天数作为尺度，分析患者在训练过程中脑网络模式的变化情况。为此，本研究采用了经典想象运动(motor imagery, MI)BCI范式构建平台。选取一名中风患者连续训练12 d，对其训练过程进行了EEG的跟踪采集。结果表明，患者随着训练天数的增加，系统控制准确率逐步提高。对12 d记录的数据进行离线分析发现，中风患者在进行想象运动的过程中，大脑呈现较强的偏侧性。对每天的训练数据分析发现，随着训练的进程，患者的偏侧性逐渐减弱，最终呈现出与正常人大体相同的网络模式。

1 方法

1.1系统平台搭建

主要的系统平台包括用于采集脑电图(electroencephalogram, EEG)的脑电放大器，一台用于显示脑电信号波形的PC机作为服务端，另外一台用于进行EEG信号在线处理的电脑作为客户端。

实验任务采用经典想象运动范式，任务为控制显示器屏幕上的小球并使其左右运动，最终击中屏幕上方显示的目标靶位置则为成功。整个过程分为：准备阶段，3 s；想象运动控制阶段，在6 s的时间里，要求患者想象患侧的上肢运动来控制小球，击中患侧方的标靶；结果反馈阶段，以及时长为5 s的休息阶段。

在线算法采用广为认可和使用的共空间模式(common spatial pattern, CSP)算法求解空域滤波器，最大化不同想象运动状态的能量比[17-18]。分类器使用线性分类器(linear discriminant analysis, LDA)进行左右两种想象任务的分类。

1.2数据离线分析

在之前的研究中，已将有向传递函数(directed transfer function, DTF)引入到稳态视觉诱发电位(steady-state visual evoked potential, SSVEP)的机制研究中。结果发现，在SSVEP视觉刺激中，枕顶叶作为一个连接皮层，用来集散大脑信息的交互[19]。在文献[20]中，基于脑功能网络方法，提出了信息流增益的概念，并对其应用做了展望。借助上述方法，本研究对3名正常受试和1名中风患者在执行想象左手时的脑电数据进行了网络分析，并绘制信息流增益脑地形图进行比较。此外，对于该患者训练之前及12 d训练过程中每天记录的数据也进行了信息流增益的计算，用以观察其在康复训练过程中脑信息交互模式的变化。

将导联为N的脑电数据表示为

X=[x1(t),x2(t),…,xN(t)]T

(1)

对其做多元自回归(multi-variate autoregressive, MVAR)拟合，得到[21]

(2)

式中，Λ(k)中的元素为MVAR模型参数，E(t)为零均值白噪声向量，p为拟合阶次。

接着，对式(2)两边做傅里叶变换，得到

X(f)=Λ-1(f)E(f)=H(f)E(f)

(3)

式中，

(4)

观察式(3)，易见H(f)为系统传递函数，其中定义元素Hij描述以j为输入；i为输出的两个导联间的连接强度，由此构建DTF连接矩阵[22]，有

(5)

考虑方向信息，以导联m为例，定义流入信息和流出信息为

(6)

由此计算信息流增益为

(7)

1.3实验数据采集

EEG信号使用Synamps2系统采集(NeuroScan Inc.)，采样率设为1 000 Hz。导联数目选取64全脑覆盖，位置采用国际通用10-20规则。参考电极位于头顶，实验中保持导联阻抗在5 kΩ以下。

总计4名(3名正常人，1名中风患者)参与了实验，均知情同意。患者由中国人民解放军总医院(301医院)提供。患者为男性，53岁，患病8个月，右侧大脑中动脉闭塞，症状为左手瘫痪。其前臂几乎完全丧失运动功能，但大臂还具有一定灵活性，Fugl-Meyer量表评测为9分(满分66分)。该患者无意识障碍，大脑中无金属植入物。

2 结果

2.1在线分类准确率

正常受试(3名)的系统控制平均准确率为93.7%，证明了在线分类算法的有效性，与正常受试比较，中风患者的实验控制难度较大，主要原因是其上肢会出现痉挛，对脑电信号引入噪声干扰，还无法长时间保持安静坐姿。因此，在实验前对该患者先做痉挛观察，在确定稳定的情况下再开始训练任务。另外，根据中风患者的身体情况将其每天的训练强度设定为3～5组不等，每组进行30次任务训练。系统的控制准确率如表1所示。

表1 中风患者系统控制准确率Tab.1 The accuracy of system control of stroke patient

由表1可见，与正常受试比较，中风患者由于患侧运动存在障碍，其相应的系统控制准确率较低，且每天各组的准确率并不稳定。例如，第11、12 d，整个准确率都比较高，但是也存在个别组次的准确率仅为40%的情况。在实验中，可以明显观察到患者的控制力较弱，长期实验容易疲劳，且较容易情绪化，这些都是造成准确率不够稳定的主要原因。

对比每天的平均准确率可以看到，随着训练天数的增加，患者的总体系统控制率呈上升趋势。这在一定程度上说明患者的想象运动能力得到加强，对应患侧的脑区得到了强化。进一步发现，在整个12 d的训练周期中，准确率的分布形式呈现大致3个阶段：第1～4 d，准确率较低，缓慢上升；第5～8 d，准确率有显著提高，在第8 d达到了100%；第9～12 d，准确率有所下落，但总体高于前4 d的准确率，大体在80%左右。笔者推测，在准确率上升阶段，随着训练次数的增加，患者逐渐适应了该系统，并且训练强度累积到一定程度，患者的康复训练起到了实际作用。而后期的准确率下降，可能与康复训练的周期有关。在传统的康复训练中也分多个疗程，在临床上有最佳康复治疗期、平缓期等的分期[23]。

2.2离线的网络分析及流增益结果

采用DTF构建大脑连接网络，并计算流增益来绘制脑地形图。对正常受试和患者训练前的脑功能网络模式进行比较，结果如图1所示。由图可见，正常受试的脑功能连接呈现两个较为密集的连接区域，一个是右侧运动区附近存在大量的连接，另一个是位于中央顶叶。患者的连接模式呈现较为明显的偏侧性，而最为密集的区域位于正常运动区的右侧。从信息流增益地形图上可见，正常受试的大脑连接枢纽区域位于中央处理区。作为运动的感知和运动信息交互的中央处理区，在想象运动中起着关键作用；而中风患者其连接枢纽的位置则偏离中央处理区，且分布范围较为局限。这可能是由于患者左手瘫痪，对应大脑右侧运动区域损坏，因此有大脑总体连接呈现出更多的局部聚集现象。

进一步用功能连接网络计算信息流增益，并绘制脑地形图，图2显示了患者12 d训练的结果。可以看到，在训练的前5 d，连接枢纽位置的呈现较不规律；在第6～9 d，大脑出现更多的信息交互，并且在左右脑区皆有分布，表明患者调用更多的大脑资源；在最后几天里，中央处理区附近出现连接枢纽，第12 d的结果已经较接近正常受试的分布。联系Fugl-Meyer量表的评测结果，在训练初期，该名患者只得到了9分；经过12 d的训练后再次进行量表测试，得分为21分。由此，有理由相信，通过对各脑区的联合分析，有可能为康复效果的评价提供一种新的手段。以往的运动功能评价主要借助于临床量表，量表的结果比较依赖于医生的经验及主观态度，而脑电信号的评价则是一种相对客观的评价指标。

3 结论

图1 正常受试和中风患者想象左手时的功能连接模式图和信息流增益地形图Fig.1 The brain connectivity patterns and flow gain mapping of normal subject and stroke patient when performing motor imagery of left hand

图2 患者12 d的信息流增益地形图Fig.2 The flow gain mapping of stroke patient during the 12-training day

本研究旨在通过引入网络分析方法，寻找中风患者经康复训练后大脑运动功能康复效果的客观评价参数。通过分析4名受试的实验数据可得出以下结论：1)进一步证实中风患者可通过学习，控制基于想象运动的BCI系统进行运动功能的康复训练；2)由脑功能网络模式分析发现，中央处理区在想象运动中起着信息交互枢纽的作用，而中风患者则呈现偏侧性较强的网络连接模式；3)随着训练天数的增加、训练强度的累积、患者功能的恢复，系统的控制准确率逐渐提高；4)通过信息流增益的计算，可观察到信息交互枢纽位置在康复过程中的迁移。该方法可为康复效果的客观评价提供一些启示。

在本研究结果的基础上，未来应引入更多的患者数据，且保证患者具有可比性，设置足够数量的对照组对结果进行统计验证。另外，在实验中在跟踪采集数据的同时，未能相应地测量每天的临床量表评分，使得结果在与量表的对应讨论上只能对比训练前后的情况，而无法进行天与天之间的对照。在后续的实验中，应在细节方面有更全面的考量。

致谢(感谢毕胜、寇程在患者筛选及提供上的帮助)。

[1] Wolpaw JR, Birbaumer N, McFarland J,etal. Brain-computer interfaces for communication and control [J]. Clin Neurophysiol, 2002,113(6):767-791.

[2] Vaughan TM, McFarland DJ, Schalk G,etal. The wadsworth BCI research and development program: at home with BCI [J]. IEEE Trans Neural Syst Rehabil Eng, 2006,14(2): 299-233.

[3] Leuthardt EC, Schalk G, Wolpaw JR,etal. A brain-computer interface using electrocorticographic signals in humans [J]. J Neural Eng, 2004,1(2): 63-71.

[4] Kennedy PR, Bakay RA, Moore MM,etal. Direct control of a computer from the human central nervous system [J]. IEEE Trans Rehabil Eng, 2000,8(2): 198-202.

[5] Kennedy PR, Bakay RA. Restoration of neural output from a paralyzed patient by a direct brain connection [J]. Neuroreport, 1998,9(8): 1707-1711.

[6] Wessberg J, Stambaugh CR, Kralik JD,etal. Real-time prediction of hand trajectory by ensembles of cortical neurons in primates [J]. Nature, 2000,408(6810): 367-371.

[7] Pfurtscheller G, Muller GR, Pfurtscheller J,etal. ‘Thought’-control of functional electrical stimulation to restore hand grasp in a patient with tetraplegia [J]. Neuroscience Letters, 2003,351(1): 33-36.

[8] Daly JJ, Wolpaw JR. Brain-computer interfaces in neurological rehabilitation [J]. Lancet Neurol, 2008,7(11): 1032-1043.

[9] 刘小燮, 毕胜, 高小榕. 基于运动想象的脑机交互康复训练新技术对脑卒中大脑可塑性影响 [J].中国康复医学杂志, 2013,28(2): 97-102.

[10] Shahid S, Sinha R, Prasad G. Mu and beta rhythm modulations in motor imagery related post-stroke EEG: a study under BCI framework for post-stroke rehabilitation [J]. BMC Neuroscience, 2010,11(1): 127-128.

[11] Pan Yaozhang, Goh Q, Ge S,etal. Mind robotic rehabilitation based on motor imagery brain computer interface [C/CD]//International Conference on Social Robotics. Singapore: ION, 2010: 161-171.

[12] Ang K, Guan C, Chua K,etal. Clinical study of neurorehabilitation in stroke using EEG-based motor imagery brain-computer interface with robotic feedback [C]//Proceedings of IEEE EMBS. Buenos Aires: IEEE, 2010: 5529-5552.

[13] Fei Meng, Tong Kaiyu, Chan Suktak,etal. BCI-FES training system design and implementation for rehabilitation of stroke patients [C/CD]//Proceedings of the International Joint Conference on Neural Networks. Hong Kong: ION, 2008: 4103-4106.

[14] 李明芬, 贾杰, 刘烨. 基于运动想象的脑机接口康复训练对脑卒中患者上肢运动功能改善的认知机制研究 [J]. 成都医学院学报, 2012,7(4): 519-523.

[15] Schnitzler A, Gross J. Normal and pathological oscillatory communication in the brain [J]. Nature Reviews Neuroscience, 2005,6(4): 285-296.

[16] Sporns O, Chialvo DR, Kaiser M,etal. Organization, development and function of complex brain networks [J]. Trends in Cognitive Sciences, 2004,8(9): 418-425.

[17] Muller-Gerking J, Pfurtscheller G, Flyvbjerg H. Designing optimal spatial filters for single-trial EEG classification in a movement task [J]. Clin Neurophysiol, 1999,110(5): 787-798.

[18] Ramoser H, Gerking JM, Pfurtscheller G. Optimal spatial filtering of single trial EEG during imagined hand movement [J]. IEEE Trans Rehabil Eng, 2000,8(4): 441-446.

[19] Yan Zheng, Gao Xiaorong. Functional connectivity analysis of steady-state visual evoked potentials [J]. Neuroscience Letters, 2011,499(3): 199-203.

[20] 闫铮，高小榕，应俊. 基于认知功能连接的信息流增益计算方法及应用 [J].电子与信息学报, 2014,36(11): 2756-2761.

[21] Franaszczuk P, Blinowska K, Kowalcayk M. The application of parametric multichannel spectral estimates in the study of electrical brain activity [J]. Biological Cybernetics, 1985,51(4): 239-247.

[22] Kaminski M, Blinowska K. A new method of the description of the information flow in the brain structures [J]. Biological Cybernetics, 1991,37(3): 203-210.

[23] 缪鸿石. 中枢神经系统(CNS)损伤后功能恢复的理论(一) [J]. 中国康复理论与实践，1995,1(1): 1-4.

Study of the Rehabilitation Effect Evaluation of Brain Motor Function Based on the Method of Flow Gain

Yan Zheng1*Yu Xieyi1Wu Wei2

1(School of Information Science and Engineering, Huaqiao University, Xiamen 361021, Fujian, China)2(School of Automation Science and Engineering, South China University of Technology, Guangzhou 510640, China)

electroencephalogram (EEG); motor imagery (MI); brain functional network; flow gain

10.3969/j.issn.0258-8021. 2015. 03.015

2015-01-20， 录用日期:2015-02-03

国家自然科学基金(61203369, 61403144)

R318

D

0258-8021(2015) 03-0365-05

*通信作者(Corresponding author)， E-mail: zhengyan.thu@gmail.com