基于脑机接口的闭环运动想象脑电图仿真
脑机接口（BCI），尤其是能够解码运动意图的脑机接口，由于其作为神经修复系统的潜力，能够改善患有各种运动功能损害病症（如脊髓损伤、肌萎缩侧索硬化症和中风）的患者的生活质量，已经成为积极研究的热门主题。一种成熟的方法是基于感觉运动节律（SMR）的运动想象BCI，它允许用户通过检测和解码与真实和想象的运动相关的SMR模式来控制物理或虚拟世界中仿真的运动。通常在BCI系统中，解码算法的测试、任务及其参数对于优化性能至关重要，然而，当研究广泛的参数集，进行人体实验既昂贵又耗时，而尝试利用以前收集到的数据线下分析却又缺乏系统和用户之间自适应反馈循环，极大限制了其适用性。因此，已有许多研究已经试图通过实时神经活动模拟器解决这一问题。
来自宾夕法尼亚州卡内基梅隆大学生物医学工程系的Hyonyoung Shi等人通过正向建模和新的运动想象编码模型，用于在闭环环境中进行基于SMR的连续光标控制实验，从而提出一种生成运动想象脑电图（EEG）的系统。他们将所提出的模拟器与10名健康人类受试者一起使用，以测试三个解码器和任务参数对10个不同值的影响。结果表明，他们所使用的模拟方法得出的统计结论与并行、成对和在线实验产生的结果相似，但只需要55%的时间。值得注意的是，在线和模拟实验都表明，无论受试者的平均成绩如何，光标速度限制都会对性能产生积极影响，这支持了在在线连续光标控制中放松光标增益限制的想法。该团队展示了闭环运动想象脑电模拟的优点，并为未来基于闭环SMR的BCI研究提供了一个开源框架。
首先，研究人员采用一种基于正向解决方案的生成方法，使用受试者的鼠标控制作为代表其直观实时运动意图的输入，自动控制激活信号的形状。编码模型被简单地定义为一组Sigmoid函数（图1），其数量取决于所使用的运动想象范式：1D使用2个函数，而2D使用4个函数。随后，为了验证EEG BCI模拟器是一种能够在特定环境下替代或补充实时实验的方法，他们设计了一项比较研究，以测试简单1D左/右（LR）运动想象光标控制范式中的归一化Z-score、控制系数计算试验次数（NT）和最大光标速度（CV）。
图1 编码模型的配置示例
10名健康人类受试者（平均年龄23.8±3.4岁，9名右撇子，6名女性）参加了一次现场和一次模拟实验，每个实验阶段结构相同，每个阶段包括10组24次1D LR中心外离散试验，以成对的方式随机分布，每次运行均会使用图2中的任务参数。每个实验开始以3秒的休息期开始，然后是2秒的准备期，这时目标被展示给受试者。随后受试者有长达6秒的时间通过调节他们的神经活动（实时实验）或用他们的惯用手移动计算机鼠标（模拟实验），来移动光标点击目标，如果光标在6秒的反馈控制周期内没有被点击，则该实验将被标记为超时实验，并且未正确点击目标的情况下也会终止。因此，一个试验有三种可能的结果：击中正确的目标（命中），击中不正确的目标（未命中）或超时。
图2 在实时和模拟BCI中测试的解码器和任务参数
脑电采集和在线信号处理：在实时实验中，使用连接到BCI2000模块的g.Nautilus RESEARCH 16 g.SAHARA系统以250Hz的采样率和±750mV的灵敏度获取EEG，从而对实验计时并可视化任务（目标和光标反馈）。在模拟实验中，受试者在至少25英寸宽的平坦办公桌上使用计算机鼠标连续控制屏幕上的光标。鼠标移动实时数据被转换为合成EEG，其被模拟器解码为实际的光标移动在屏幕上显示。
性能比较：为了定量表示BCI任务性能的不同方面，他们定义了几个性能指标——实验正确百分比（PTC）、平均决策时间、运行中到目标的平均综合距离。PTC代表在6秒反馈控制周期内，被主体控制的光标成功击中的运行中出现的总目标的比例。平均决策时间是每次实验从反馈控制期开始到结束的平均时间，其值越低越好。运行中到目标的平均综合距离是在反馈控制持续时间期间光标到目标的平均距离，其值越低越好。随后他们比较了从实时和模拟实验中观察到的性能与参数趋势，对每个实时和模拟趋势拟合了普通最小二乘线性回归，并获得了每个线性拟合项的统计显著性。
实时生成合成运动想象的脑电图：在制定和处理了编码模型的输入后，他们通过进行三次独立运行的2D目标到达运行实验来评估中心和经典配置模型对模拟EEG中所得到的任务特定SMR特征（即α功率）的影响，其中目标以随机顺序显示在主要位置，以提示受试者沿直线在每个方向移动计算机鼠标。为了验证经典和中心配置在模拟环境中的效果，他们从2D运行中可视化了解码的逐次尝试光标轨迹，以及对三个不同性能指标的影响（光标位置协方差Cx,y，真实与解码速度角，到目标的轨迹长度），这三个性能指标旨在评估经典配置隐含的对角线偏差的程度，并通过中心配置进行校正。
通过正向解决方案生成头皮脑电图：头皮脑电图生成流程的概述如图3所示。使用OpenMEEG（一种采用对称边界元方法的正向求解器）计算32通道×15002顶点的引线场矩阵，通过FSAverage解剖模板皮层表面作为源空间和Brainstorm默认的BioSemi32通道MRI进行注册。随后，基于Brainnetome atlas图谱选择标记A4ul_L和A4ul_R（左右区域4-上肢区域），A6cdl_L和A6cdl_R（左右尾背外侧区域6），将对应源级运动想象的激活信号建模为四个单独定义的幅度时间序列信号，每个信号均通过使用Kaiser窗口FIR滤波器对均匀的白噪声进行带通滤波而产生的。并用Tukey窗口对生成的信号进行滤波（width = 0.95 times the epoch length，cosine fraction = 0.8），最后通过Ah,a对其振幅进行归一化。
图3 脑电图BCI模拟（黑色文本显示）及预加载的引线场计算过程（蓝色文本显示）。
结果
良好的编码模型能够将解码器和任务参数分离
结果表明，两种编码模型的表现都符合预期（图4）。平均而言，在所有计算指标中，中心配置相对于经典配置降低了对角线偏差。在三个受试者中，居中配置在水平和垂直光标位置之间的负协方差较小（p = 0.0355）；真实和解码光标速度之间的角度偏差较小（p = 0.00258）；并且随着时间的推移轨迹长度更短（p = 0.00215）。趋势和可视化轨迹的统计显著性表明编码模型对模拟EEG的解码特征有明显的影响。表明定义良好的编码模型能够有效影响模拟器性能，将解码器和任务参数分离。
图4 经典和中心神经活动编码模型对二维左/右/上/下离散目标到达任务中解码光标轨迹的影响，以及在逐次试验的基础上对各种性能指标的影响。
综上所述，他们开发了一个运动想象脑电BCI模拟器，为闭环运动想象脑电生成提供了一个框架。这种框架有助于促进运动想象BCI和非侵入性BCI系统的在线测试。他们演示了模拟器的使用，以深入了解几个重要的解码器和任务参数的效果。采用和改进这类软件，将降低在线实验的障碍，并加速非侵入性BCI解码器、任务和系统的发展，使促进其更接近真实世界的应用。
参考：
Closed-loop motor imagery EEG simulation for brain-computer interfaces
https://www.frontiersin.org/articles/10.3389/fnhum.2022.951591/full
仅用于学术分享，若侵权请留言，即时删侵！