【基于运动想象的脑机增强范式研究的文献综述3300字】

PAGE4基于运动想象的脑机增强范式研究的文献综述研究发现在单手执行运动或想象单手运动时，对侧感觉运动皮层脑电信号中α频段（8~12Hz）和β频段（13~30Hz）出现振幅降低，称为事件相关去同步（ERD）[56]。在运动想象脑电系统中，好的性能不仅需要良好的训练算法模型提高系统的准确率，还需要良好的实验范式设计，诱导用户更有效的完成运动想象任务，提供更有效的脑电特征，节约训练时间，增加系统鲁棒性。本节分别总结了经典的运动想象脑机增强范式研究现状和新兴的基于虚拟现实的运动想象脑机增强范式研究现状。（1）经典的运动想象脑机增强范式为了帮助用户增强大脑活动产生更强脑电特征，人们提出了很多反馈训练方法。自然直观，尤其与想象动作非常相似的反馈训练方法会更容易被用户所接受。目前，运动想象脑机增强范式仅使用视觉反馈、听觉反馈和触觉反馈指导用户，且大多数是基于视觉反馈[57]。经典的运动想象增强范式多利用显示屏提供视觉反馈，视觉反馈使用较多的形式主要有文本、图片、视频形式。Ono等[58]比较了没有反馈任务和电脑屏幕呈现的矩形条长度变化、手掌张开/抓握的图像两种视觉反馈任务，如图1.6。结果发现有反馈任务的事件相关去同步鲁棒性高于无反馈任务，类似真实运动的反馈是最有效的训练方法。Zhao等[59]提出了一种新的写作任务范式：被试在想象写汉字时，提供左手或右手的图片反馈。研究结果表明写作任务范式显著优于经典箭头范式，所提出的图片反馈写作任务范式可以指导被试有效地调节大脑活动。Lei等[60]提出了一种提供人在虚拟环境中走的视频反馈新范式，可提高或恢复残疾人的行走能力。实验结果表明：基于视频反馈的范式明显优于经典的基于文本的范式。目前，关于听觉反馈和触觉反馈的运动想象脑机增强范式研究较少。McCreadie等人[61]在其研究引入听觉反馈，结果表明听觉反馈可有效替代视觉反馈。Shu等[62]通过整合运动想象任务和单侧触觉刺激来提高运动想象脑机系统的准确率。如图1.7所示，在对照组中，被试完成左/右手运动想象任务，在实验组的运动想象任务中，对被试手腕增加持续的触觉刺激。结果发现，实验组的对侧皮层激活显著增强，且实验组的任务和空闲状态的在线译码准确率提高显著，从74.5%提高到85.1%，而对照组的在线译码准确率才达到54.6%。次年，Shu等[63]对比了纯运动想象、纯触觉刺激和触觉刺激辅助运动想象三种范式，结果发现触觉刺激辅助运动想象范式在α-β波段运动相关皮层激活增强最显著，且这种范式有利于促进脑卒中风患者的康复。图1.6视觉刺激反馈任务。a）电脑屏幕呈现的矩形条长度变化，b）第三人称手掌张开/抓握的图像反馈c）第一人称手掌张开/抓握的图像反馈图1.7实验设计。a）不同范式的试验流程，b）实验装置示意图此外，研究发现在视觉反馈中增加游戏互动、闪烁刺激等也可增强被试运动想象能力。Lim等[64]进行了有无游戏互动、有无闪烁刺激四组对照试验，结果发现：游戏互动对镜像神经元系统的激活明显强于其他三种条件，且能一直维持到训练结束。Jafarifarmand等[65]设计了基于无线电控制汽车(RC)的运动想象控制范式，被试通过想象移动左/右手控制汽车在指定的路线上左/右转，如图1.8。结果证明该范式的控制效率较高，30%受试者成功地控制了汽车，其余30%只发生了一次失误。图1.8实验环境图。a）脑电采集系统，b）信号处理传输系统c）RC车和路线近年来，研究者发现基于虚拟橡胶手的相关范式能提供更真实、自然的反馈。当给被试的橡胶手和真实手提供相同的视觉-触觉刺激，被试就会产生橡胶手错觉（RHI）,感觉橡胶手变成了自己身体的一部分。Niclas等[66]利用拟人化的机械手视觉指导被试的运动想象行为，并提供神经反馈。研究发现在所有运动想象试验中都诱导产生了很明显的事件相关去同步现象，且在单个试验中也可以检测到。Song等[67]提出了一种引入触觉刺激的电动橡胶手新范式。首先，遮盖被试的真实手臂，操作者用两把牙刷在手背相同的位置同时刺激橡胶手和真手，如图1.9所示。接着，被试通过观察电动橡胶手腕的伸/屈，进行运动想象。结果表明所提范式可以显著增强运动想象脑电特征，提高了脑机系统性能。图1.9RHI实验范式。a）RHI诱导环境，b）电动橡胶手腕的伸/屈（2）基于虚拟现实的运动想象脑机增强范式近年来，虚拟现实反馈技术已经开始应用于运动想象脑机系统中，基于虚拟现实反馈技术的脑机系统比经典脑机系统表现出更强的鲁棒性。因为虚拟现实技术能提供更自然、更真实的反馈、虚拟环境可以呈现多种组合刺激，且方便对用户的行为反应进行分析，如身体位置跟踪，双手跟踪。运动想象脑机技术和虚拟现实技术的结合可以增强大脑运动区域的激活[68]，通过强化被试的具身感知，进一步刺激特定的神经网络，增强所需神经的可塑性变化。不同反馈方式的组合也可以增强系统的鲁棒性，如引入触觉反馈、听觉反馈、游戏等。Pineda等[69]第一次将三维第一人称射击游戏与脑机接口技术相结合，发现可以增强用户运动想象脑机系统的鲁棒性，证实了基于二进制脑机接口系统的可能性。Kola等[70]对比具有虚拟现实反馈的脑机系统与标准运动想象脑机训练系统，如图1.10所示：证明了虚拟现实反馈技术有助于产生更强的运动想象脑电信号，基于虚拟现实环境训练比基于标准协议训练的平均准确率高4.4%。Liang等[71]提出了基于虚拟现实技术的目标导向运动想象增强范式。文献对比了基于虚拟现实技术的非目标导向和目标导向两种范式。非目标导向范式是被试在想象虚拟手的抓/放运动时，提供第一人称视角虚拟手抓/放运动的视觉反馈；目标导向范式是在同样的场景中，被试在想象左/右手的抓/放运动时，提供虚拟手抓/放目标物：小球的视觉反馈。实验结果表明，基于虚拟现实的目标导向范式的分类精度更高，该种范式能提高运动想象的脑机系统的有效性和稳健性。Kola等[72]进一步研究并构造了基于虚拟现实的驾驶宇宙飞船游戏场景，如图1.11所示：通过游戏化、逐步增加训练速度和虚拟现实设计加强用户的具身化认知，解决了运动想象脑机接口的用户参与度不高、注意力分散和吸引力缺乏难题。图1.10基于虚拟现实的运动想象脑机视觉反馈图图1.11运动想象脑机系统的VR视图目前基于虚拟现实的运动想象脑机增强范式多应用于医疗领域，如：中风患者的康复医疗。Lin等[73]通过交互式虚拟现实游戏增强中风患者进行康复治疗的兴趣，并通过脑电采集装置实时监测患者的注意力。当患者的注意力相对较低时，增加视觉和听觉刺激。通过对照试验证实这种方法增强了患者的康复效果。Vourvopoulos等[74]开发了基于虚拟现实技术的运动想象脑机新范式，并评估了其对中风患者上肢康复效果。如图1.12所示，被试根据虚拟场景中向左/右的划船动作，想象对应的手划船的动作，目标是在固定的时间内收集尽可能多的旗帜。增强范式除了视觉反馈，还引入了对应手的振动刺激以及声音刺激，比如水和环境音效，玩家通过夺取旗帜获得分数时的事件音效。实验结果发现，中风患者康复效果显著，并通过功能性磁共振成像(fMRI)测量发现了大脑激活增加，提示大脑运动网络的神经可塑性改变。图1.12实验设置。a）脑电信息采集系统，b）OculusHMD，c）振动触觉模块，d）视觉反馈模块参考文献Nicolas-AlonsoLF,Gomez-GilJ.BrainComputerInterfaces,aReview[J].Sensors,2012,12(2):1211-1279.Kaori,Suefusa,Toshihisa,etal.Acomparisonstudyofvisuallystimulatedbrain–computerandeye-trackinginterfaces[J].JournalofNeuralEngineering,2017.MorashV,BaiO,FurlaniS,etal.ClassifyingEEGsignalsprecedingrighthand,lefthand,tongue,andrightfootmovementsandmotorimageries[J].ClinicalNeurophysiology,2008,119(11):2570-2578.PfurtschellerG,SilvaFHLD.Event-relatedEEG/MEGsynchronizationanddesynchronization[J].ClinicalNeurophysiology,1999,110(11):1842-1857.MorashV,BaiO,FurlaniS,etal.ClassifyingEEGsignalsprecedingrighthand,lefthand,tongue,andrightfootmovementsandmotorimageries[J].ClinicalNeurophysiology,2008,119(11):2570-2578.BaigMZ,AslamN,ShumHPH,etal.DifferentialEvolutionAlgorithmasaToolforOptimalFeatureSubsetSelectioninMotorImageryEEG[J].ExpertSystemswithApplications,2017,90.ChengD,LiuY,ZhangL.ExploringMotorImageryEegPatternsforStrokePatientswithDeepNeuralNetworks[C]//ICASSP2018-2018IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP).IEEE,2018.ShamloNB,MullenT,KotheC,etal.ThePREPPipeline:Standardizedpreprocessingforlarge-scaleEEGanalysis[J].FrontiersinNeuroinformatics,2015,9(16):16.HaoX,ZhangG,MaS.DeepLearning[J].InternationalJournalofSemanticComputing,2016,10(03):417-439.GramfortA,StrohmeierD,HaueisenJ,etal.Time-FrequencyMixed-NormEstimates:SparseM/EEGimagingwithnon-stationarysourceactivations[J].NeuroImage,2013,70(2):410-422.MichielsenME,SellesRW,GeestJNVD,etal.MotorRecoveryandCorticalReorganizationAfterMirrorTherapyinChronicStrokePatients:APhaseIIRandomizedControlledTrial[J].Neurorehabilitationandneuralrepair,2010,25(3):223-233.TeresaS,DanielH,RachelG,etal.3Dvisualizationofmovementscanamplifymotorcortexactivationduringsubsequentmotorimagery[J].FrontiersinHumanNeuroscience,2015,9.Alexander,Craik,Yongtian,etal.Deeplearningforelectroencephalogram(EEG)classificationtasks:areview.[J].JournalofNeuralEngineering,2019.SomersB,FrancartT,BertrandA.AgenericEEGartifactremovalalgorithmbasedonthemulti-channelWienerfilter[J].JournalofNeuralEngineering,2018,15(3):036007.1-036007.13.SweeneyKT,WardTE,MclooneSF.ArtifactRemovalinPhysiologicalSignals—PracticesandPossibilities[J].IEEETransactionsonInformationTechnologyinBiomedicine,2012,16(3):488-500.FitzgibbonSP,LewisTW,Power