熊 馨,廖江黎,伏云发,贺建峰
(昆明理工大学 信息工程与自动化学院,云南 昆明 650500)
脑-机接口(Brain Computer Interface,BCI)系统通过采集与提取大脑产生的脑电信号来识别人的思想,实现中枢神经系统与体外设备之间的直接交互[1],为人机交互方式提供了新的思路[2]。基于运动想象(Motor Imagery,MI)的脑-机接口是脑-机接口范式的一个重要点[3],由受试者的心理活动驱动,脑电图信号在健康人[4]、残疾、患有神经肌肉疾病或损伤等个体[5]中容易检测。但在实现具有更高自由度的BCI 时,解码不同运动参数相关的神经活动十分重要。
运动参数包括速度、方向、力量等反映运动状态的指标信息。通过解码运动参数信息不仅能化解现有BCI 系统指令集较小的短板问题,而且对揭示运动的神经编码机制具有重要意义。研究BCI 系统的关键在于特征的选择与提取,常用的方法有自适应共空间算法、自回归模型、熵和复杂网络属性等[6]。复杂网络分析是基于MI-EEG 构建脑功能网络,研究运动想象过程中大脑网络的变化;并通过脑功能网络的特征参数进行运动想象任务的识别。传统基于MI-EEG 对大脑进行功能连接分析往往是基于连接的时间静态分析,静态功能连接分析确实能够提供许多有价值的信息。KIM 等[7]对手指敲击运动想象的脑电信号建立动态因果模型,估计初级运动皮层(M1)、辅助运动区(SMA)、运动前皮层(PMC)与背外侧前额叶皮层(DLPFC)之间的有效连接的变化。HU 等[8]研究发现左右手运动想象任务中采用格兰杰因果网络分析存在一定问题,提出新的因果网络连接分析。RODRIGUES等[9]采用皮尔逊相关系数、斯皮尔曼相关系数、平均相位相干性等4 种方法构建功能连接网络,并计算网络参数,研究不同的网络构建方法及网络特征参数对运动想象任务分类结果的影响。大脑的功能连接具有瞬时变化特性,这种连接的动态性在任务态和静息态下的大脑都有所体现[10]。研究大脑功能连接的时间动态变化信息,有助于人类对大脑功能组织结构更综合的认识。在LI等[11]的研究中,将事件相关去同步(Event-Related Desynchronization,ERD)/事件相关同步化(Event Related Synchronization,ERS)分析与运动想象不同阶段(运动准备、ERD、ERS)的动态网络相结合,分析左右手运动想象任务下大脑活动的动态变化。这些研究的运动想象任务绝大多数集中在想象不同的肢体运动[12],少有基于运动参数的动态脑网络连通性研究。
因此本文引入动态脑网络的概念,通过对受试者频带范围进行筛选,将最优频带下经过预处理的EEG 时间序列按一定的非重叠窗口截断成等长的子序列,按时间顺序,采用加权相位滞后指数法对子序列计算功能连接,构建子序列的全脑EEG 功能脑网络,研究运动参数想象期间脑网络动态演化过程。
共有16 名健康的受试者(10 名女性和6 名男性,平均年龄22.85±2.51 岁,本科和硕士学位)参与脑电图数据采集。所有受试者都是右撇子,无中枢神经系统异常病史,无服用精神类药物记录。在实验之前,他们对这项研究给予了知情同意,并获得了昆明理工大学研究伦理委员会的批准。
对于握力任务,受试者被要求执行涉及右手的3 种不同的力(4 kg、10 kg 和16 kg)。在实验过程中,告知被试闭眼、放松,保持清醒,头部保持不动。对于每项力量,每个受试者参加3 组试验,每组试验包括30 次试验(分别为4 kg 力、10 kg 力和16 kg力各进行10 次试验)。
蜂鸣声表示每次试验的开始,同时屏幕中央会显示一个加号(+),持续2 s,此时受试者被要求保持放松并为试验做好准备。然后,白屏上出现一个图片形式的提示,指示4/10/16 kg 的握力,提示持续1.5 s,当提示图像从屏幕上消失并且白色屏幕上出现黑色星形固定光标时,受试者开始执行提示任务,任务维持3 s,直到固定光标从屏幕上消失;任务结束时,屏幕变黑,并且在下一次试验之前给受试者6~8 s 的时间休息。
本文选取运动参数想象3 种不同的力的数据进行实验。主要用运动区和辅助运动区的9 个脑电图电极,分别是FC3、FCz、FC4、C3、Cz、C4、CP3、Pz、CP4。
脑电图信号用MATLAB 的EEGLAB 工具箱进行预处理,MI-EEG 信号滤波至1~4 Hz、4~8 Hz、8~13 Hz 和13~30 Hz 频段,对4 个不同频段的3 种握力任务脑电数据进行t 检验,显著性水平设为P <0.05。结果15 个被试数据的显著差异出现在Theta 频带,最后本研究的数字带通滤波选择Theta 频段。
本文构建相应9 节点的全脑EEG 功能脑网络,得到9×9 的wPLI 关联矩阵。由于数据集降采样率到250 Hz,即每秒250 个数据点,如果时间窗选择得过小,则每段内的数据点过少,计算意义不大。本文分别针对0.5 s、1 s、1.5 s 的时间窗进行了分类识别,分别得到30、15、10 个wPLI 脑网络。选择聚类系数、平均最短路径长度、全局效率、局部效率4 个属性特征融合作为特征向量输入支持向量机做分类。结果滑动窗大小为0.5 s 时,识别率比其他几个窗略高,达59.13%。因此后续的研究选定0.5 s 的滑动窗做分析。构建滑动窗口大小为0.5 s时任意两个电极节点之间的加权相位滞后指数值,构建相应节点的EEG 功能脑网络,得到30 个对称的加权相位滞后关联矩阵表示动态功能网络。对于两两通道之间的wPLI,具体计算过程如下。
对任意两个EEG 信号xi(t)和xj(t),它们在t时刻的相位差表示为:
式中:k、l均是整数,在神经科学应用中,k和l通常选为1,φ i和φ j是时间序列i、j的相位。
如果两相位同步变化,那么式(1)中的相位差趋近于一个常数。时间序列xi(t)的瞬时相位为:
其中,相位差在-π 到π 对应PLI的值从0 到1,代表两节点间的相位耦合关系从小到大。但当相位差接近或等于0 或π,可能会发生相位同步较高而PLI值较低的情况[13]。加权相位滞后指数wPLI则可以避免这种情况,可以检测出相位差接近或等于0 或π 的相位同步,因此在基于PLI方法的基础上为了避免发生相位同步较高而PLI值较低的情况,增加瞬时相位差权重,也就是本文所用的加权相位滞后指数法(wPLI)。wPLI分布范围是[0,1],wPLI=0 代表两节点间无连接关系,当wPLI=1 代表两节点间有很强的连接性。
大脑功能连接的网络图由节点和边组成。本文将电极定义为节点,两两通道之间的wPLI值代表连接边。基于图论的脑功能网络中有许多重要的网络特征可以衡量网络性能。
聚类系数是量化网络中节点的聚集程度。Ci表示的是第i个节点的聚类系数,Ei表示的是与i相邻的节点中存有连接的边数,Ki表示是节点i的全部邻接点数目。
全局效率Eg这个指标可以较好地度量网络的全局信息处理和传输能力以及网络的整合程度。Lij代表从节点i到节点j之间的最短路径长度,N为网络中节点的总数。
特征路径长度L表示任意两个节点之间距离的平均值,表征了网络传输信息的能力。
局部效率EL反映网络的分化程度,衡量网络的局部传输能力。
对于握力任务,想象的任务被分为3 类(4 kg、10 kg 和16 kg 的力);利用wPLI分别计算3 种握力下每个被试的30 个动态连接矩阵,对得到的30个关联矩阵利用复杂网络工具箱计算网络参数,可能得不到最佳的效果。因此用基于脑区之间相位同步的数据筛选方法,从相位同步角度筛选最佳的数据序列段,对筛选出的数据段特征进行识别。
本文在Theta 波段下计算3 种力的功能脑网络的wPLI关联矩阵。根据所选的0.5 s 时间窗将得到每种力下30 个9×9 的关联矩阵。为分析不同握力下的脑网络节点通道之间的同步性关系,将所有分段的wPLI值进行平均,得到每种力30 个9×9的关联矩阵的总平均关联矩阵,如图1 所示。编号1~9 代表了电极(节点)FC3、FCz、FC4、C3、Cz、C4、CP3、CPz 和CP4。
wPLI的取值在0~1,0 表示两电极信号完全没有连接性,1 则表示完全连接,连接性强。从图1中的wPLI矩阵的值分布(对应于右侧颜色标尺)来看,除了对角线(不具连接性),大部分节点间连接性强。大多节点之间的连接性值分布为0.68~0.75,颜色偏淡红至深红。
图1 3 种握力的wPLI 平均邻接矩阵
根据ROELFSEMA[14]等人对于运动区、视觉区的局部场电位记录得出结论:有效的信息传递行为须保持节点间高效且稳定的相位同步状态,要求信息传输时EEG 信号间的同步锁相值强度至少达到平均静息态锁相位值(Phase Locking Value,PLV)的24%,且持续时间大于46 ms。对0.5 s 的滑动窗进行相位同步值筛选,将FCz-Cz 和FCz-CPz之间的相位同步水平作为筛选依据,筛选结果如表1 所示。
表1 3 种握力下筛选出的数据段中PLV 的平均值
经过筛选,在动态的30 个网络数据中,每种力下有11 个网络的相位同步值符合条件,对这11 个网络的参数特征进行计算,3 种握力的4 种网络属性值如图2 所示。图2 中,C、E、EE、L 分别代表聚类系数、全局效率、局部效率及特征路径长度4个网络参数。
图2 3 种握力下的4 种网络属性值
对筛选过后的数据进行识别分析,结果平均识别率为74%;基于加权相位滞后指数分析法对静息态下的网络特征进行识别,最后平均识别率为72.10%。静息态方法下的平均识别率低于滑动窗的方法动态,验证了本文方法的有效性。为进一步验证本文方法,将滑动窗法与时段分割方法的结果对比。在Theta 频带范围下对运动时间段分割,提取握力运动前一秒(-1 s)的数据运动结束(3 s)的时间段数据,将信号拆成2~3 个子时段(即P=2或P=3),实验结果如表2 所示。
表2 时段分割的结果
多时段特征融合的结果与使用单个时段的结果相比均有提升,不同时段的识别率有所差别,这与运动脑电的时变性特点吻合。P=2 时特征融合结果优于不分时段的结果,P=3 时融合结果相比P=2时特征融合的结果反而有所下降,表明提取不同时段的网络特征参数进行融合,有助于分类结果的提升,但子时段个数较多可能造成信息遗漏,无法尽可能多地进行识别运动任务。本文方法的平均识别率比子时段划分中结果最好的-1~1 s 时间段提升2.06%,可能是动态连接能更好地反映运动想象过程的动态变化,且相位同步筛选,筛选了更有效的高质量数据段。此外,本文还用了基于相位滞后指数的网络分析,结果最后的识别率为71.19%。对比实验结果如表3 所示。
表3 实验对比结果
本文利用动态脑网络这个相对较新的研究视角,研究运动参数想象期间大脑网络的动态演化规律。相位同步水平是对大脑内部信息流通状态一种直观的评估指标,本文根据该特性对分段处理后的EEG 进行筛选,获得了11 段相位同步性较高的有效数据段,并对此进行网络构建和特征提取,最后进行分类识别,识别率比之前的59.13%提高了约24%。动态分类准确率与基于静态连接的方法和子时段划分的方法相比均有提高。利用运动参数信息解码的研究,可扩展相应的BCI 指令集,增加思维信息控制形式,实现更高自由度的脑-机信息交互控制。