利用多模态数据集构建脑机接口系统，解码多类与运动相关意图|实验|算法|脑机接口系统|脑电图

脑机接口(BCI)是一种分析大脑信号的方法，用于确定一个人的意图和状态，并可应用于分析各种运动想象(MI)。侵入性方法如心电图(ECoG)被用于获取高质量的大脑信号。脑机接口的研究旨在理解脑信号，其中不同的脑电模式应用于检测用户意图，并应用于多个领域。基于脑电图的脑机接口使用不同信号获取范式，如MI、事件相关电位(ERP)和运动相关皮质电位。这些技术被广泛应用于系统臂、拼写器、轮椅和神经义肢等方面。

韩国一研究团队提出了一种基于脑电图信号的无创脑机接口方法，用于评估抓取任务，并成功分类右手抓取任务。结果表明，特定于受试者的时间间隔选择方法在提高脑机接口范式和运动范式中的分类准确性方面具有积极影响，为个性化时间间隔选择和特征提取提供了新的设计思路，并为改进脑机接口系统的性能和应用提供了方向性建议。相关研究成果已发表在2023年第11届国际脑机接口(BCI)冬季会议上。

研究概述

该团队的研究方向受到先前类似研究的启发。施瓦茨等人使用人类脑电图数据成功识别自然抓握动作，离线运动执行(ME)实验的准确率分别为74.2%和65.9%。另一项研究由奥弗纳等人在低频脑电图信号中解码上肢动作，分类五种动作并取得良好结果。阿加谢等人提出的方法在ME和MI中的最终分类准确率分别为55%和27%，展示了全脑皮层活动对抓握动作形状的预测能力。本研究针对抓取任务提出了基于脑电图信号的无创脑机接口方法，通过实验和数据分析，建立了健壮的解码模型，并成功分类右手抓取任务。

图1：(左)五个不同的伸手抓握任务。每个抓取动作都与一个特定的对象相关联。(右)获取脑电和肌电信号的实验环境。

在这项实验中，选择了8名无神经系统疾病史的健康受试者，年龄在24-29岁之间，均为右撇子男性，以确保结果的一致性和可靠性。受试者在舒适的椅子上面对32英寸液晶显示器，进行了包括指定抓取任务和手形状在内的五种不同的抓取任务。每个任务进行了50次试验，持续4秒，期间需要受试者执行特定的抓握动作。脑电图数据通过64个Ag/AgCl电极在1000 Hz下采集，其中仅使用了20个运动皮层通道，以确保记录到的脑电图信号与运动相关电位相关。除了运动相关带，还考虑了运动相关皮层电位(MRCPs) [0.3-3] Hz，用于与MI分类和准备电位之间的关系。数据处理过程中，使用了EEGNet算法、线性判别分析(LDA)算法和公共空间模式(CSP)算法，对脑电图信号进行特征提取和分类。为了评估分类效果，本研究进行了十乘十交叉验证检验，并分析了数据编辑方法对解码模型性能的影响。

图2：(左)电极位置示意图和(右)实验方案，以解码运动执行和运动想象范式中的五类伸手抓握动作。

图3：一种基于肌电信号特征选择过程中选择受试者特定时间段的方法。测量肌电信号以确定特征选择的最佳时间段。

本研究的实验结果如表1所示，采用本研究所提出的译码方法后，大多数受试者的分类准确率都有所提高。在受试者S2和S5中，分类准确率明显提高，而其他受试者的准确率略有增加，最高可达83.38%。部分受试者在MI组中的分类准确率略有下降，但在MI组中，分类准确率持续上升。特别是在S4和S7中，分别实现了13%和14%的大幅提升。在实验中，每个受试者被分配了不同的时间点，同时对脑电数据进行了ME分割，受试者根据指示实时移动身体部位。与运动执行(ME)范式相比，使用肌电信号参考MI范式检测肌肉相关信号的方法显示出更显著的分类准确率提高。这种方法可以将MI分类的准确率从5%提高到14%。

总的来说，实验结果表明本文提出的译码方法对脑机接口研究具有积极的影响，能够显著提高抓取任务的分类效果，为未来相关研究和发展提供了重要的参考。

表1：使用针对多模态数据使用进行优化的数据编辑技术，在ME和MI范式中实现5类分类的准确性

研究意义

本研究的实验结果证实了特定于受试者的时间间隔选择方法在提高脑机接口范式和运动范式中的分类准确性方面的有效性。这种方法可以作为一种特征提取策略，可以在特定目的下提高多类分类的准确率，尤其在MI模式下。虽然本实验是在离线场景中使用基于视觉线索的同步系统进行的，但观察了到受试者以不同的速度、轨迹和力量完成MI。在每次试验中，还发现受试者在执行特定手部动作时使用了直观的MI-BCI。通过选择恰当的时间间隔长度来提取MI范式中运动相关的脑电特征是有益的。

这些发现对于进一步探索脑机接口技术和应用具有重要意义，指导未来研究在个体化的时间间隔选择和特征提取方面的设计。同时，该研究结果也为这一领域的发展提供了有益的参考和启示，为改进脑机接口系统的性能和应用提供了新的思路和方向。

—— End ——

仅用于学术分享，若侵权请留言，即时删侵！