脑机接口与近红外光谱成像技术 (1).docx

1、脑-机接口（BCI）是一种通信系统，允许使用大脑活动来控制计算机或其他外部设备。它可以绕过周围神经系统，为患有严重运动障碍或处于持续植物人状态的人提供一种交流手段。本文综述了基于fNIRS的脑机接口的脑信号生成任务、噪声去除方法、特征提取/选择方案和分类技术。fNIRS-BCI最常见的脑区是初级运动皮层和前额叶皮层。相对于运动皮层，运动表象任务优于运动执行任务，因为可以避免可能的本体感觉反馈。与前额叶皮层相比，fNIRS在检测心算、音乐表象、情绪诱导等认知任务方面显示出明显的优势，在去除fNIRS数据中的生理噪声方面，主要采用带通滤波。然而，为了克服脑电信号和生理信号同时出现在同一频带内时不能

2、使用带通滤波器的问题，人们正在寻求更先进的技术，如自适应滤波、独立分量分析（ICA）、多光点排列等。在提取与期望脑信号相关的特征时，使用去噪血流动力学响应的均值、方差、峰值、斜率、偏度和峰度。在分类方面，线性判别分析方法具有支持向量机（SVM）、隐马尔可夫模型（HMM）、人工神经网络等简单但性能良好的特点，fNIRS将更广泛地应用于神经康复和神经刺激后神经可塑性的监测。通过捆绑式探针、混合式EEG-fNIRS-BCI和初始凹陷的检测，有望在未来取得技术突破。脑-计算机接口（BCI）系统为用户提供独立于大脑输出通道（即外周神经系统和肌肉）的控制通道（Wolpaw等人，2002）。这种系统可作为运

3、动障碍患者（如肌萎缩侧索硬化症（ALS）和脊髓损伤患者和/或处于持续锁定状态（LIS）的患者）交流和运动功能恢复（通过神经修复）的手段。它也可以作为神经康复工具来改善这些人的运动和/或认知能力。典型的BCI系统包括五个阶段（见图1）：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

4、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；Turnip and Hong，2012；Wang等人，2012；Hwang等人，2013；Kleih and Kubler，2013；Ko and Sim，2013；Hammer等人，2014；Kim等人，2014；Soekadar等人，2014）、脑磁图（MEG）（Mellinger等人，2007）；Buch等人，20

5、08年；Sardouie和Shamsollahi，2012年），功能磁共振成像（fMRI）（Weiskopf等人，2004年；LaConte，2011年；van der Heiden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6501000nm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

6、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

7、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cHbO（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

8、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A

9、LS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cHbO（t）和cHbR（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

10、的心算任务中观察到了cHbO（t）和cHbR（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

11、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

12、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3 cm（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

13、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

14、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（Cui et al.，2010a，b；Seo et al.，2012）、手敲击（Hai et al.，2013；Khan et al.，2014）、手臂提升（Shin and Jeong，2014）、膝盖伸展（Shin and Jeong，2014）和手抓握（Nagaoka et a

15、l.，2010；Fazli et al.，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

16、，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；Power等人，2010、2011、2012a、b；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