脑机接口与近红外光谱成像技术 (1)Word格式文档下载.docx

脑机接口与近红外光谱成像技术 (1)Word格式文档下载.docx

《脑机接口与近红外光谱成像技术 (1)Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《脑机接口与近红外光谱成像技术 (1)Word格式文档下载.docx（14页珍藏版）》请在冰豆网上搜索。

1）：

脑信号采集、预处理、特征提取/选择、分类和应用界面。

在第一个脑信号采集阶段，使用适当的脑成像方式获取适当的信号。

由于采集到的信号通常很弱，并且包含噪声（生理和仪器）和伪影，因此需要进行预处理，这是第二阶段。

在第三阶段，提取一些有用的数据，即所谓的“特征”。

在第四阶段中，使用合适的分类器对这些特征进行分类。

最后，在第五阶段中，将分类信号发送到计算机或其他外部设备，以向这些设备生成所需的控制命令。

在神经反馈应用中，需要实时显示大脑活动，从而实现大脑功能的自我调节。

图1描绘了功能性近红外光谱（fNIRS）和脑电图（EEG）脑机接口的示意图。

脑信号采集采用了几种方法，包括脑电图（Wolpaw等人，2002；

Turnip等人，2011；

TurnipandHong，2012；

Wang等人，2012；

Hwang等人，2013；

KleihandKubler，2013；

KoandSim，2013；

Hammer等人，2014；

Kim等人，2014；

Soekadar等人，2014）、脑磁图（MEG）（Mellinger等人，2007）；

Buch等人，2008年；

Sardouie和Shamsollahi，2012年），功能磁共振成像（fMRI）（Weiskopf等人，2004年；

LaConte，2011年；

vanderHeiden等人，2014年）和fNIRS（Ferrari等人，1985年，2004年；

Kato等人，1993年；

Hu等人，2013年；

Bhutta等人，2014年；

Rea等人，2014年；

Santosa等人，2014年）。

其中，fNIRS相对较新，它利用近红外光（通常为650~1000nm波长）测量氧化血红蛋白（HbO）和脱氧血红蛋白（HbR）的浓度变化（villinger等人，1993；

Hoshi等人，1994；

Hoshi和Tamura，1997；

villinger和Chance，1997；

Boas等人，2004a，b；

Hong和Nguyen，2014年）。

它的主要优点是相对较低的成本、便携性、安全性、低噪音（与功能磁共振成像相比）和易用性。

与EEG和MEG不同，它的数据不易受到电噪声的影响，因为它是一种光学成像方式。

fNIRS测量由神经元放电引起的局部毛细血管网的血流变化。

由于血红蛋白是氧载体，所以在神经元激活后，HbO和HbR浓度的变化可能与相关的神经元放电有关。

fNIRS使用近红外（NI）光发射探测器对，工作于两个或多个波长。

发射到头皮的镍光通过脑组织扩散，导致光子的多次散射。

其中一些光子通过大脑皮层区域后离开头部，其中的发色团（即HbO和HbR）在时间上发生变化。

然后，使用战略定位的探测器探测这些退出的光子。

由于HbO和HbR对不同波长的NI光具有不同的吸收系数，因此，通过应用修正的Beer-Lamberts定律（Delpy等人，1988年）。

Jobsis（1977）首次报道了fNIRS的测量原理，并将其应用于脑血流动力学的研究已有二十多年的历史，尽管其BCI的应用才刚刚起步。

证明fNIRS治疗BCI可行性的第一项研究是Coyle等人。

（2004年）。

他们要求受试者进行连续挤压和释放软球的运动图像。

基于ΔcHbO（t）的活动阈值，他们确定大脑是被激活还是处于静止状态。

2007年，三项研究证明了控制fNIRS-BCI产出的可行性：

Coyle等人。

（2007）使用定制的fNIRS系统（称为Mindswitch）测试开关控制。

他们的方案包括两个交替呈现给受试者的选项：

当一个想要的选项被突出显示时，受试者执行挤压和释放软球的运动图像，以增强运动皮层中的HbO信号，并以此方式在心理上表达他们的选择。

运动图像中的信号与休息期间的信号进行分类，平均准确率超过80%。

Sitaram等人。

（2007）研究表明，使用支持向量机（SVM）和隐马尔可夫模型（HMM），fNIRS信号在执行运动和图像过程中的模式识别准确率达到80%以上。

另一方面，Naito等人对ALS患者进行了首次调查。

（2007）：

40名ALS患者（其中17名完全锁定）被要求将他们对几个问题的回答编码为“是”或“否”。

他们被要求通过执行心理计算、音乐图像和其他此类任务来回答“是”，并通过保持放松来回答“否”。

然后将光强信号的瞬时振幅和相位作为二次判别分析分类器的特征，成功地解码了70%的ALS患者的反应，这些患者并没有完全锁定。

然而，对于完全锁定的ALS患者，该方法仅适用于40%的受试者（分类准确率约为80%）。

2008年，Utsugi等人。

（2008）显示了“停止”控制的可行性。

他们测量了由心理计算产生的ΔcHbO（t）和ΔcHbR（t）的时空平均值。

Bauernfeind等人。

（2008）开发了fNIRS系统，并报告在前额叶皮层的心算任务中观察到了ΔcHbO（t）和ΔcHbR（t）的变化。

13名受试者的测量信号相对稳定。

在此基础上，提出了在BCI中的应用。

2009年，Luu和Chau（2009）证明了使用从前额叶皮层获得的fNIRS信号进行偏好解码的可能性。

九名受试者被要求对两种饮料进行心理评估，并决定他们喜欢哪一种。

他们没有使用特定的活动来选择首选饮料，而是在决策中使用直接的神经关联。

直接使用光强信号和线性判别分析（LDA）进行偏好解码的准确率在80%左右。

同年，Tai和Chau（2009）展示了从情绪诱导任务中开发fNIRS信号分类的BCI可行性。

受试者进行了几次积极和消极情绪诱导任务的试验，并使用遗传算法选择最佳特征。

然后，采用LDA和支持向量机对不同的特征集进行分类，平均分类精度在75-94%之间。

自2009年以来，几项研究成功地证明了fNIRS在有效BCI中的应用。

虽然基于EEG的脑机接口是最常见的无创性脑机接口，但fNIRS用于脑机接口的趋势仍在不断增加。

脑信号采集：

BCI使用大脑信号来收集用户意图的信息。

开发fNIRS-BCI系统的第一步是获取合适的脑信号。

最常见的两个脑区是初级运动皮层和前额叶皮层。

与运动执行和运动表象任务相对应的信号从运动皮层获得；

而与心算、心算、音乐表象、景观表象等相对应的信号则从前额叶皮层获得。

尽管在这两个领域中使用了几种不同的发射器-探测器配置，但发射器-探测器的距离通常保持在特定的范围内，因为它在fNIRS测量中起着重要的作用。

例如，发射器-探测器距离的增加对应于成像深度的增加（McCormick等人，1992）。

为了测量来自皮质区域的血流动力学响应信号，建议将发射器-检测器分离约3cm（Gagnon等人，2012）。

小于1cm的间隔可能仅包含表皮层贡献，而大于5cm的间隔可能导致微弱的、因此不可用的信号（Gratton等人，2006）。

图中所示为头部典型的发射器-探测器配置以及通过光到达两个探测器的路径

图2.适当数量的发射器/探测器对，以充分提取神经元活动，这取决于用于脑机接口的脑信号类型。

对于前额叶皮层，3个发射器和8个探测器可能足以充分获取与前额叶任务相对应的大多数大脑信号（Luu和Chau，2009；

Power等人，2010、2011、2012a、b；

Khan等人，2014；

Naseer等人，2014）。

对于与运动皮层任务相对应的大脑活动，6个发射器和6个探测器可以覆盖整个运动皮层。

在先前的研究中，4个发射器和4个探测器（Sitaram等人，2007年）、6个发射器和6个探测器（Naseer和Hong，2013年）以及5个发射器和4个探测器被用于获取运动皮层活动。

运动皮层活动：

来自初级运动皮层的活动是fNIRS-BCI应用的一个很好的选择，因为它们是对外部设备提供BCI控制的自然手段。

此外，从神经康复的角度来看，这些也可能是有用的。

运动皮层最常见的两种活动是运动执行和运动表象。

运动执行

运动执行任务是指移动身体的一部分来激活运动皮层，这涉及到通过肌肉动作发展肌肉紧张。

由于运动执行涉及肌肉的收缩，基于运动执行的bci受到来自收缩肌肉的本体感觉反馈的影响，因此，神经元的调节可能不仅仅来自中枢神经系统。

先前的研究中使用了几种运动执行任务，包括手指敲击（Cuietal.，2010a，b；

Seoetal.，2012）、手敲击（Haietal.，2013；

Khanetal.，2014）、手臂提升（ShinandJeong，2014）、膝盖伸展（ShinandJeong，2014）和手抓握（Nagaokaetal.，2010；

Fazlietal.，2012）。

运动表象

运动表象可以被定义为一种不涉及肌肉张力、收缩或弯曲的对自己身体部位运动的运动知觉的隐蔽认知过程。

由于BCI的主要目的是为运动障碍者形成一种交流途径，因此运动表象是fNIRS-BCI中最常用的任务之一。

运动表象任务包括对软球挤压的想象（Coyle等人，2004、2007；

Stangl等人，2013）、简单或复杂手指敲击序列的隐蔽表象（Sitaram等人，2007；

Holper和Wolf，2011）、脚敲击的想象（Kaiser等人，2014）、手抓/握紧的想象（Nagaoka等人，2010）；

Fazli等人，2012年；

Kaiser等人，2014年），手腕屈曲想象（Naseer和Hong，2013年），肘部屈伸想象（Mihara等人，2013年），特定手指折叠和展开（Mihara等人，2013年）。

与运动执行任务不同，运动图像信号没有本体感觉反馈。

前额叶皮层活动

前额叶皮层的活动也是fNIRS-BCI的一个很好的选择，因为它们涉及较少的运动伪影和由于毛发滑动而导致的信号衰减。

而且，对于运动功能相关的残疾，它们可能更有效。

鉴于这些优势，大多数研究都使用了显示出有希望结果的前额叶活动（Naito等人，2007；

Bauernfeind等人，2008、2011；

Utsugi等人，2008；

Luu和Chau，2009；

Abibullaev等人，2011；

Falk等人，2011；

Tanaka和Katura，2011；

Abibullaev和An，2012；

Adhika等人，2012；

Chan等人，2012年；

Hu等人，2012年；

Moghimi等人，2