基于動態功能連接的握力運動參數腦電識別

熊 馨，廖江黎，伏云發，賀建峰

（昆明理工大學 信息工程與自動化學院，云南 昆明 650500）

0 引言

腦-機接口（Brain Computer Interface，BCI）系統通過采集與提取大腦產生的腦電信號來識別人的思想，實現中樞神經系統與體外設備之間的直接交互[1]，為人機交互方式提供了新的思路[2]?；谶\動想象（Motor Imagery，MI）的腦-機接口是腦-機接口范式的一個重要點[3]，由受試者的心理活動驅動，腦電圖信號在健康人[4]、殘疾、患有神經肌肉疾病或損傷等個體[5]中容易檢測。但在實現具有更高自由度的BCI 時，解碼不同運動參數相關的神經活動十分重要。

運動參數包括速度、方向、力量等反映運動狀態的指標信息。通過解碼運動參數信息不僅能化解現有BCI 系統指令集較小的短板問題，而且對揭示運動的神經編碼機制具有重要意義。研究BCI 系統的關鍵在于特征的選擇與提取，常用的方法有自適應共空間算法、自回歸模型、熵和復雜網絡屬性等[6]。復雜網絡分析是基于MI-EEG 構建腦功能網絡，研究運動想象過程中大腦網絡的變化；并通過腦功能網絡的特征參數進行運動想象任務的識別。傳統基于MI-EEG 對大腦進行功能連接分析往往是基于連接的時間靜態分析，靜態功能連接分析確實能夠提供許多有價值的信息。KIM 等[7]對手指敲擊運動想象的腦電信號建立動態因果模型，估計初級運動皮層（M1）、輔助運動區（SMA）、運動前皮層（PMC）與背外側前額葉皮層（DLPFC）之間的有效連接的變化。HU 等[8]研究發現左右手運動想象任務中采用格蘭杰因果網絡分析存在一定問題，提出新的因果網絡連接分析。RODRIGUES等[9]采用皮爾遜相關系數、斯皮爾曼相關系數、平均相位相干性等4 種方法構建功能連接網絡，并計算網絡參數，研究不同的網絡構建方法及網絡特征參數對運動想象任務分類結果的影響。大腦的功能連接具有瞬時變化特性，這種連接的動態性在任務態和靜息態下的大腦都有所體現[10]。研究大腦功能連接的時間動態變化信息，有助于人類對大腦功能組織結構更綜合的認識。在LI等[11]的研究中，將事件相關去同步（Event-Related Desynchronization，ERD）/事件相關同步化（Event Related Synchronization，ERS）分析與運動想象不同階段（運動準備、ERD、ERS）的動態網絡相結合，分析左右手運動想象任務下大腦活動的動態變化。這些研究的運動想象任務絕大多數集中在想象不同的肢體運動[12]，少有基于運動參數的動態腦網絡連通性研究。

因此本文引入動態腦網絡的概念，通過對受試者頻帶范圍進行篩選，將最優頻帶下經過預處理的EEG 時間序列按一定的非重疊窗口截斷成等長的子序列，按時間順序，采用加權相位滯后指數法對子序列計算功能連接，構建子序列的全腦EEG 功能腦網絡，研究運動參數想象期間腦網絡動態演化過程。

1 材料和方法

1.1 實驗對象

共有16 名健康的受試者（10 名女性和6 名男性，平均年齡22.85±2.51 歲，本科和碩士學位）參與腦電圖數據采集。所有受試者都是右撇子，無中樞神經系統異常病史，無服用精神類藥物記錄。在實驗之前，他們對這項研究給予了知情同意，并獲得了昆明理工大學研究倫理委員會的批準。

1.2 實驗數據

對于握力任務，受試者被要求執行涉及右手的3 種不同的力（4 kg、10 kg 和16 kg）。在實驗過程中，告知被試閉眼、放松，保持清醒，頭部保持不動。對于每項力量，每個受試者參加3 組試驗，每組試驗包括30 次試驗（分別為4 kg 力、10 kg 力和16 kg力各進行10 次試驗）。

蜂鳴聲表示每次試驗的開始，同時屏幕中央會顯示一個加號（+），持續2 s，此時受試者被要求保持放松并為試驗做好準備。然后，白屏上出現一個圖片形式的提示，指示4/10/16 kg 的握力，提示持續1.5 s，當提示圖像從屏幕上消失并且白色屏幕上出現黑色星形固定光標時，受試者開始執行提示任務，任務維持3 s，直到固定光標從屏幕上消失；任務結束時，屏幕變黑，并且在下一次試驗之前給受試者6～8 s 的時間休息。

本文選取運動參數想象3 種不同的力的數據進行實驗。主要用運動區和輔助運動區的9 個腦電圖電極，分別是FC3、FCz、FC4、C3、Cz、C4、CP3、Pz、CP4。

1.3 數據預處理

腦電圖信號用MATLAB 的EEGLAB 工具箱進行預處理，MI－EEG 信號濾波至1～4 Hz、4～8 Hz、8～13 Hz 和13～30 Hz 頻段，對4 個不同頻段的3 種握力任務腦電數據進行t 檢驗，顯著性水平設為P ＜0.05。結果15 個被試數據的顯著差異出現在Theta 頻帶，最后本研究的數字帶通濾波選擇Theta 頻段。

1.4 動態網絡構建

本文構建相應9 節點的全腦EEG 功能腦網絡，得到9×9 的wPLI 關聯矩陣。由于數據集降采樣率到250 Hz，即每秒250 個數據點，如果時間窗選擇得過小，則每段內的數據點過少，計算意義不大。本文分別針對0.5 s、1 s、1.5 s 的時間窗進行了分類識別，分別得到30、15、10 個wPLI 腦網絡。選擇聚類系數、平均最短路徑長度、全局效率、局部效率4 個屬性特征融合作為特征向量輸入支持向量機做分類。結果滑動窗大小為0.5 s 時，識別率比其他幾個窗略高，達59.13%。因此后續的研究選定0.5 s 的滑動窗做分析。構建滑動窗口大小為0.5 s時任意兩個電極節點之間的加權相位滯后指數值，構建相應節點的EEG 功能腦網絡，得到30 個對稱的加權相位滯后關聯矩陣表示動態功能網絡。對于兩兩通道之間的wPLI，具體計算過程如下。

對任意兩個EEG 信號xi(t)和xj(t)，它們在t時刻的相位差表示為：

式中：k、l均是整數，在神經科學應用中，k和l通常選為1，φ i和φ j是時間序列i、j的相位。

如果兩相位同步變化，那么式（1）中的相位差趨近于一個常數。時間序列xi(t)的瞬時相位為：

其中，相位差在-π 到π 對應PLI的值從0 到1，代表兩節點間的相位耦合關系從小到大。但當相位差接近或等于0 或π，可能會發生相位同步較高而PLI值較低的情況[13]。加權相位滯后指數wPLI則可以避免這種情況，可以檢測出相位差接近或等于0 或π 的相位同步，因此在基于PLI方法的基礎上為了避免發生相位同步較高而PLI值較低的情況，增加瞬時相位差權重，也就是本文所用的加權相位滯后指數法（wPLI）。wPLI分布范圍是[0，1]，wPLI=0 代表兩節點間無連接關系，當wPLI=1 代表兩節點間有很強的連接性。

1.5 圖論分析

大腦功能連接的網絡圖由節點和邊組成。本文將電極定義為節點，兩兩通道之間的wPLI值代表連接邊?；趫D論的腦功能網絡中有許多重要的網絡特征可以衡量網絡性能。

聚類系數是量化網絡中節點的聚集程度。Ci表示的是第i個節點的聚類系數，Ei表示的是與i相鄰的節點中存有連接的邊數，Ki表示是節點i的全部鄰接點數目。

全局效率Eg這個指標可以較好地度量網絡的全局信息處理和傳輸能力以及網絡的整合程度。Lij代表從節點i到節點j之間的最短路徑長度，N為網絡中節點的總數。

特征路徑長度L表示任意兩個節點之間距離的平均值，表征了網絡傳輸信息的能力。

局部效率EL反映網絡的分化程度，衡量網絡的局部傳輸能力。

1.6 分 類

對于握力任務，想象的任務被分為3 類（4 kg、10 kg 和16 kg 的力）；利用wPLI分別計算3 種握力下每個被試的30 個動態連接矩陣，對得到的30個關聯矩陣利用復雜網絡工具箱計算網絡參數，可能得不到最佳的效果。因此用基于腦區之間相位同步的數據篩選方法，從相位同步角度篩選最佳的數據序列段，對篩選出的數據段特征進行識別。

2 實驗結果

2.1 EEG 功能腦網絡分析

本文在Theta 波段下計算3 種力的功能腦網絡的wPLI關聯矩陣。根據所選的0.5 s 時間窗將得到每種力下30 個9×9 的關聯矩陣。為分析不同握力下的腦網絡節點通道之間的同步性關系，將所有分段的wPLI值進行平均，得到每種力30 個9×9的關聯矩陣的總平均關聯矩陣，如圖1 所示。編號1～9 代表了電極（節點）FC3、FCz、FC4、C3、Cz、C4、CP3、CPz 和CP4。

wPLI的取值在0～1，0 表示兩電極信號完全沒有連接性，1 則表示完全連接，連接性強。從圖1中的wPLI矩陣的值分布（對應于右側顏色標尺）來看，除了對角線（不具連接性），大部分節點間連接性強。大多節點之間的連接性值分布為0.68～0.75，顏色偏淡紅至深紅。

圖1 3 種握力的wPLI 平均鄰接矩陣

2.2 相位同步篩選

根據ROELFSEMA[14]等人對于運動區、視覺區的局部場電位記錄得出結論：有效的信息傳遞行為須保持節點間高效且穩定的相位同步狀態，要求信息傳輸時EEG 信號間的同步鎖相值強度至少達到平均靜息態鎖相位值（Phase Locking Value，PLV）的24%，且持續時間大于46 ms。對0.5 s 的滑動窗進行相位同步值篩選，將FCz-Cz 和FCz-CPz之間的相位同步水平作為篩選依據，篩選結果如表1 所示。

表1 3 種握力下篩選出的數據段中PLV 的平均值

經過篩選，在動態的30 個網絡數據中，每種力下有11 個網絡的相位同步值符合條件，對這11 個網絡的參數特征進行計算，3 種握力的4 種網絡屬性值如圖2 所示。圖2 中，C、E、EE、L 分別代表聚類系數、全局效率、局部效率及特征路徑長度4個網絡參數。

圖2 3 種握力下的4 種網絡屬性值

2.3 分類結果

對篩選過后的數據進行識別分析，結果平均識別率為74%；基于加權相位滯后指數分析法對靜息態下的網絡特征進行識別，最后平均識別率為72.10%。靜息態方法下的平均識別率低于滑動窗的方法動態，驗證了本文方法的有效性。為進一步驗證本文方法，將滑動窗法與時段分割方法的結果對比。在Theta 頻帶范圍下對運動時間段分割，提取握力運動前一秒（-1 s）的數據運動結束（3 s）的時間段數據，將信號拆成2～3 個子時段（即P=2或P=3），實驗結果如表2 所示。

表2 時段分割的結果

多時段特征融合的結果與使用單個時段的結果相比均有提升，不同時段的識別率有所差別，這與運動腦電的時變性特點吻合。P=2 時特征融合結果優于不分時段的結果，P=3 時融合結果相比P=2時特征融合的結果反而有所下降，表明提取不同時段的網絡特征參數進行融合，有助于分類結果的提升，但子時段個數較多可能造成信息遺漏，無法盡可能多地進行識別運動任務。本文方法的平均識別率比子時段劃分中結果最好的-1～1 s 時間段提升2.06%，可能是動態連接能更好地反映運動想象過程的動態變化，且相位同步篩選，篩選了更有效的高質量數據段。此外，本文還用了基于相位滯后指數的網絡分析，結果最后的識別率為71.19%。對比實驗結果如表3 所示。

表3 實驗對比結果

3 結語

本文利用動態腦網絡這個相對較新的研究視角，研究運動參數想象期間大腦網絡的動態演化規律。相位同步水平是對大腦內部信息流通狀態一種直觀的評估指標，本文根據該特性對分段處理后的EEG 進行篩選，獲得了11 段相位同步性較高的有效數據段，并對此進行網絡構建和特征提取，最后進行分類識別，識別率比之前的59.13%提高了約24%。動態分類準確率與基于靜態連接的方法和子時段劃分的方法相比均有提高。利用運動參數信息解碼的研究，可擴展相應的BCI 指令集，增加思維信息控制形式，實現更高自由度的腦-機信息交互控制。