IEEE trans: fNIRS-BCI检测受试者步行时自我调节意向的研究

2021-06-05 MedSci原创 MedSci原创

在过去的20年里,越来越多的人由于衰老、外伤事故、自然灾害或脊髓损伤或脑血管意外等病理状况而患上运动功能障碍。脑-机接口(BCI)是一项很有前途的技术,可以帮助这些人恢复运动能力。BCI通过解码用户大

在过去的20年里,越来越多的人由于衰老、外伤事故、自然灾害或脊髓损伤或脑血管意外等病理状况而患上运动功能障碍。脑-机接口(BCI)是一项很有前途的技术,可以帮助这些人恢复运动能力。BCI通过解码用户大脑信号中的运动意图,然后控制外部机器人设备来恢复用户的运动功能。对于下肢运动功能障碍的患者,需要基于BCI的辅助步行机器人来帮助他们自然行走,甚至恢复他们的独立行走能力。因此,迫切需要一种实用的基于BCI的辅助步行机器人。

步行运动通常比其他运动幅度大,受环境影响较大。 脑磁图和功能磁共振成像不适应于脑信号分析,在实际应用中。已有一些脑电和fNIRS对步行状态识别的研究。 近红外光谱技术具有便携性好、环境要求低等优点 ,适合于采集在自然环境中行走的使用者的脑血红蛋白信号。因此,本文将fNIRS-BCI应用于步行过程中的自我调节意向研究。运动中的解码意图是BCI实际应用中的关键问题之一。在行走过程中,受试者可能希望在疲劳时降低行走速度或步长,或在匆忙时提高行走速度或步长,以及在跨越障碍物或到达目的地时调整步长等等。基于对主动步行速度和步长水平识别的研究 ,如果能够动态识别出期望的步态调整意图,将进一步提高BCI技术在控制中的应用价值。

Fig. 1. - a) Timeline of walking experiment. R represents the rest period and T represents the task period. DI, DR, PI and PR represent the four types of gait adjustment; b) The functional near-infrared spectroscopy device: LightNIRS; c) experiment photo; d) Distribution of the probes.

实验示意图

30名志愿者参加本研究。14名受试者为女性。所有受试者均无躯体或精神障碍史。随机选取20名受试者来分析和建立模型,剩下的10名受试者被用来验证模型。继先前使用fNIRS技术检测从静止状态行走的意图的工作之后,我们设计了一个实验方案来检测行走过程中的自我调节意图。为了模拟真实的行走,整个实验由受试者在没有任何提示的情况下自发进行。实验在实验室大楼的走廊里进行,没有受到外人的干扰。在实验过程中,受试者在大约10.5米的范围内以自适应状态行走,这是从实验室的一侧到另一侧的距离。然后,受试者在第二个实验室的另一个10.5米范围内以步态调整状态行走。也就是说,自我调节的意图发生在整个距离的中间位置,也就是两个实验室的交界处,门口的墙上有一条分界线。当受试者走到这个位置时,实验者立即通过NIRS软件记录下一个标记。在实验过程中,进行了四种状态调整。它们是一个速度增加(DI),速度降低(DR),一个步骤增加(PI)和一个步骤减少(PR)。当受试者提高或降低步行速度时,步幅保持与前一状态相同。同样,当受试者增加或减少步幅时,步行速度保持与前一状态相同。在这里,一个运动状态的开始到调整后的运动状态的结束被定义为行走任务。完成一项任务后,受试者立即停下来,站在任务结束时在那里休息。每两次步行任务之间都有一次休息。休息时,受试者处于放松状态。

Fig. 2. - The main diagram of our proposed classification framework for Pattern Task.

算法流程图

LightNIRS被用来测量大脑血红蛋白信号,包括氧合血红蛋白(HbO)、氧合血红蛋白(HbR)和总血红蛋白(HbT)。LightNIRS是一种便携式近红外光谱系统,测量时可以背在背上。本文主要测定了前额叶皮质(PFC)、运动前皮质(PMC)和辅助运动区(SMA)的血红蛋白浓度。本文将自我调节意图的检测分为两个子任务。第一个子任务是检测自我调节意图,命名为起始任务;第二个子任务是识别自我调节意图的类型,命名为模式任务。四种意向的准确率分别为92.5%(DI:37/40)、95%(PI:38/40)、62.5%(DR:25/40)和87.5%(PR:35/40),平均准确率为84.38%(135/160)。

传统的SP-BCIs从静息状态解码自我调节的意图,而在被试内BCIs需要大量的时间来训练被试并建立模型。这些缺点限制了BCI技术在实际应用中的应用。因此,本文主要解决了这两个关键问题。解码运动中的动态自我调节意图:解码运动中的自我调节意图可以克服传统的自定步调脑机接口的问题。我们设计了步行实验来检测自我调节意图。在行走过程中,四肢摆动幅度很大,这可能会给大脑信号带来更多的噪音。因此,应该消除信号中不相关的成分。本文采用了两种策略提高算法。性能。第一种策略是削弱个体差异的影响。头骨大小是明显的个体差异之一。头骨大小的差异可能会导致一种不好的结果,即LightNIRS中相同编号的通道可能位于不同受试者的不同大脑区域。因此,一个很好的解决方案是使用多个通道而不是单个通道产生的roi来减少区域位置引起的偏差。第二种策略是利用集成学习提高模型的泛化性能。在机器学习中,集成学习比单一模型具有更好的预测性能和泛化性能。

C. Li, M. Su, J. Xu, H. Jin and L. Sun, "A Between-Subject fNIRS-BCI Study on Detecting Self-Regulated Intention During Walking," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 28, no. 2, pp. 531-540, Feb. 2020, doi: 10.1109/TNSRE.2020.2965628.

版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (0)
#插入话题

相关资讯

Behavioural Brain Research: 狒狒大脑半球功能不对称研究——fNIRS功能性验证研究

侧化通常被认为是人脑的一个关键特征,它将人脑与其他动物的大脑区分开来;然而,越来越多的研究,特别是对非人灵长类动物的研究。例如,一些灵长类动物的研究提出了手动偏侧化的行为证据,这些证据在神经结构水平上

打开APP