脑机接口与近红外光谱成像技术 (1).docx
《脑机接口与近红外光谱成像技术 (1).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).docx(14页珍藏版)》请在冰点文库上搜索。
![脑机接口与近红外光谱成像技术 (1).docx](https://file1.bingdoc.com/fileroot1/2023-4/29/03ec595f-5d8b-43dc-847f-09b6e7780c0e/03ec595f-5d8b-43dc-847f-09b6e7780c0e1.gif)
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;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,2012年;Sagara和Kido,2012年;Faress和Chau,2013年;Power和Chau,2013年;Stangl等人,2013年;Hwang等人,2014年;Naseer等人,2014年;Schudlo和Chau,2014年;Hong等人,2015年)。
fNIRS-BCI的一些常用前额叶活动包括心算、音乐意象、心算和景观意象。
心算
心算(有时称为心算)是指在没有纸、笔、计算器、计算机等任何帮助的情况下,利用大脑进行隐蔽的计算。
它激活前额叶皮层。
由于它不涉及任何身体运动,因此广泛用于fNIRS-BCI。
许多研究已经成功地证明了其作为BCI心理任务的可行性(Naitoetal.,2007;Bauernfeindetal.,2008,2011;Utsugietal.,2008;Poweretal.,2010,2011,2012a,b;Adhikaetal.,2012;SagaraandKido,2012;PowerandChau,2013;Stangletal.,2013;Hwangetal.,2014;Naseeretal.,2014;Hongetal.,2015)。
心算包括心算乘法(Hwang等人,2014)或其他算术任务。
然而,最常用的心算是向后减法,它包括从一个大数字(例如,一个三位数)减去一个小数字(例如,一个两位数的数字),然后从先前的减法结果(例如,450-15,435-10,425-19等)(Power等人,2010年;Hwang等人,2014年;Naseer等人,2014年)。
音乐意象
音乐意象(也称为心理歌唱)是指在没有任何外部听觉刺激的情况下,组织和分析大脑中的音乐。
Naito等人。
(2007),Power等人。
(2010年),Falk等人。
(2011),Power等人。
(2011),Chan等人。
(2012)和Hwang等人。
(2014)成功演示了音乐图像作为大脑活动,可有效用于fNIRS-BCI。
其他前额活动
除了心算和音乐意象外,前额叶皮层的其他各种任务也显示出良好的效果。
其中包括心理计数(Naito等人,2007;Khan等人,2014)、景观图像(Naito等人,2007)、心理角色书写(Hwang等人,2014)、物体旋转(Abibulaev等人,2011;Abibulaev和An,2012;Faress和Chau,2013;Hwang等人,2014)、变化检测任务(Tanaka和Katura,2011),迷宫任务(Misawaetal.,2012)和情绪诱导任务(TaiandChau,2009;Moghimietal.,2012)。
一些研究表明,直接解码与主观偏好(LuuandChau,2009)、欺骗(Huetal.,2012)、视觉刺激(FaressandChau,2013)和其他(Ayazetal.,2009,2012)相关的神经。
如何选择最佳的心理活动来提高分类的准确性仍然是一个悬而未决的问题。
Hwang等人。
(2014)评估了各种心理任务组合在BCI中的应用。
这些任务包括运动表象(左右手表象和脚表象)、心理歌唱、心理算术(乘法和减法)、心理旋转和心理文字写作。
在测试的28种不同组合中,心算/心算旋转和心算/右手运动图像组合使用平均血红蛋白浓度值产生了最佳的LDA分类结果。
前额叶活动在fNIRS-BCI研究中的应用超过一半,这主要是由于fNIRS在前额叶区域的应用比较容易。
然而,活动选择取决于给定的fNIRSBCI应用程序。
例如,为了肢体神经康复的目的,最好使用运动皮层活动。
预处理:
采集的fNIRS信号含有多种噪声,可分为仪器噪声、实验误差和生理噪声。
由于仪器噪声和实验误差与大脑活动无关,最好在通过修正的比尔-朗伯定律将原始光密度信号转换为HbO和HbR的浓度变化之前去除它们(Huppert等人,2009)。
仪表噪声的去除
仪器噪声是存在于硬件中或由周围环境引起的fNIRS信号的噪声(例如,仪器退化)。
它通常包括(恒定的)高频。
这样的高频很容易被低通滤波器(例如,截止频率为3~5hz)去除。
此外,通过最小化外部光的变化,可以显著降低仪器噪声。
消除实验误差
实验误差包括像头部运动这样的运动伪影,这会导致光电二极管从指定位置移动。
这可能会导致光强度的突然变化,从而产生尖峰状噪声。
文献中提出了几种运动伪影校正方法:
基于维纳滤波的方法(Izzetoglu等人,2005)、基于特征向量的空间滤波(即基于主成分分析(PCA)的滤波)(Zhang等人,2005)、基于小波分析的方法(Sato等人,2006;Power等人,2010)、SavitzkyGolay类型过滤器(Haietal.,2013;ShinandJeong,2014)和其他(Cuietal.,2010a,b;Feketeetal.,2011;Cooperetal.,2012)。
请参见Cooper等人。
(2012)对各种技术进行全面比较。
生理噪声
生理噪声包括由心跳(1~1.5Hz)、呼吸(0.2~0.5Hz)、迈耶波(0.1Hz)引起的与血压波动有关的噪声(Boas等人,2004a,b;Zhang等人,2005;Franceschini等人,2006;Huppert等人,2009)。
采用了带通滤波、自适应滤波、主成分分析(PCA)和独立分量分析(ICA)等方法对其进行了去除。
带通滤波
由于上述生理信号的频率范围通常是已知的,因此带通滤波器可以是一种有效的手段。
一些fNIRS-BCI研究显示,使用简单的低通、高通或带通滤波去除生理噪声的结果很有希望(Coyle等人,2004、2007;Naito等人,2007;Sitaram等人,2007;Bauernfeind等人,2008;Luu和Chau,2009;Power等人,2010、2011;Hu等人,2012;Liu等人,2013;Hong等人,2015)。
文献中报道了用于带通滤波的各种截止频率:
例如Luu和Chau(2009),Power等。
(2011),Hu等人。
(2012)和Tomita等人。
(2014)分别使用了0.01~0.8Hz、0.1~0.5Hz、0.01~0.2Hz和0.1~0.5Hz的频带。
一般情况下,0.1~0.4hz频段可以有效地去除包括心跳和迈耶波在内的大部分生理噪声,而不需要消除10s周期任务所产生的fNIRS信号。
带通滤波器的类型包括巴特沃斯滤波器(LuuandChau,2009;NaseerandHong,2013;Naseeretal.,2014)、椭圆滤波器(Huetal.,2012)和切比雪夫滤波器(Sitarametal.,2007;Poweretal.,2012b)。
然而,目前还没有关于特定过滤方法相对于其他方法的绝对优势的报道。
高级过滤方法
带通滤波不能用来滤除生理噪声,例如,由于呼吸作用,其频率与血流动力学响应信号的频带重叠。
因此,其他方法,如自适应滤波(Zhang等人,2007;Hu等人,2010;Aqil等人,2012a,b;Kamran和Hong,2013,2014)、PCA(Zhang等人,2005)和ICA(Kohno等人,2007;Santosa等人,2013)也被用于去除生理噪声。
为了考虑生理噪声,可以在回归模型中加入额外的噪声相关元素。
除了对典型功能反应进行建模外,还可以包括一系列具有自适应振幅和相位分量的序列,以模拟心跳、呼吸和血压对特定生理噪声的贡献。
基于ARMAX模型的外生信号自回归滑动平均(auto-regressivemovingaverage)方法将生理信号作为外生信号,可用于预测特定认知任务中的脑状态。
每个信道处的fNIRS信号可被视为来自各种分量的线性组合的输出。
这些成分包括特定脑区内HbO和HbR变化的动力学特征(来自当前/先前刺激的影响)、生理信号、基线波动和其他噪声。
独立分量分析和主成分分析
独立分量分析可以从混合信号中分离出生理噪声,恢复原始的血流动力学信号。
与生理信号相关的独立成分(ic)可以通过其谱密度来识别。
分离与原始血流动力学反应相关的主要IC,产生生理无噪声信号。
Hu等人。
(2011)和Santosa等人。
(2013)使用独立分量分析从原始信号中分离生理噪声。
然后,使用所有ICs(权重来自其t值)和原发ICs重建原始血流动力学反应。
他们将该方法应用于心算任务,并与传统的低通滤波方法进行了比较,结果表明ICA方法优于低通滤波方法。
Funane等人。
(2014)使用ICA评估浅层和深层组织层的信号贡献,使用多距离光电二极管。
他们假设浅层的光路长度没有变化,但随着发射器-探测器距离的增加,光路长度呈线性增加。
通过将所有被深、浅层贡献率加权的集成电路按发射器-探测器距离求和,对深、浅层信号进行重构。
PCA可用于去除生理噪声(类似于去除运动伪影的情况),因为系统波动在来自不同通道的fNIRS测量之间是协变的。
因此,减小这种协方差,可以从信号中滤除系统性的生理噪声。
然而,PCA的性能在很大程度上取决于要去除的信道数量和特征向量数量(Cooper等人,2012),因此,当信道数量较少时,不建议PCA用于生理噪声去除。
此外,ICA在生理噪声去除中的实时应用仍在研究中(可以探索一种计算ic的移动窗口方法)。
此后,由于ICA方法的非实时性,带通滤波技术仍然占主导地位(Mihara等人,2012、2013;Kober等人,2014)。
fNIRS信号也受皮肤血流和浅表组织的其他贡献的影响(Kohno等人,2007;Takahashi等人,2011;Kirilina等人,2012、2013;Sato等人,2013)。
已经证明,通过使用几种不同的方法可以从脑信号中去除这些伪影:
使用附加的短距离检测器(Saager和Berger,2005;Luu和Chau,2009;Saager等人,2011)、自适应滤波(Zhang等人,2009)、统计参数映射(SPM),其中伪影是作为回归者纳入模型(Tachtsidisetal.,2010)和ICA(Kohnoetal.,2007;Funaneetal.,2014)。
Kohno等人。
(2007)发现其中一个ICs的空间分布与皮肤血流量直接相关,这再次被激光多普勒组织血流量仪证实。
Funane等人。
(2014)另一方面,使用独立分量分析(ICA)来分离深部和浅部组织(由于头皮和皮肤)中的吸收变化,使用多发射极探测器距离。
Zhang等人。
(2007年、2009年)使用自适应滤波器估计从短发射极检测器分离测量的信号中的全局干扰。
然后,从从长发射极检测器分离测量的目标信号中去除这种全局干扰。
特征提取/选择
数据预处理后,根据一定的特征对不同的脑活动进行分类。
在fNIRS-BCI中,尽管一些特征是直接从检测到的光强信号中提取的(Naito等人,2007;Luu和Chau,2009;Power等人,2010,2011),但大多数特征是从血流动力学信号中提取的。
其原因是HbO、HbR、总血红蛋白(HbT)和脑氧交换(COE=HbO-HbR)为选择合适的特征提供了更多的选择。
选择一个最佳的特征集进行分类是良好分类的关键。
有必要选择与某一类相似、与其他类不同的特征。
这些特征的不同组合为分类提供了必要的歧视性信息。
启发式方法
去除噪声后,血流动力学信号的形状通常是清晰的。
通过观察不同活动产生的血流动力学信号,可以确定信号的差异:
峰值、均值、方差、斜率、偏度、峰度等,从而作为不同信号分类的特征。
fNIRSBCI不同活动的最常用特征是信号平均(Coyle等人,2004、2007;Sitaram等人,2007;Luu和Chau,2009;Powe