今天為大家介紹北京航空航天大學(xué)汪待發(fā)教授所發(fā)表的論文：<基于靜息態(tài)的近紅外腦機(jī)接口（fNIRS-BCI）空間濾波算法>

摘要

近年來，基于功能近紅外光譜(Functional near-infrared spectroscopy, fNIRS)的腦機(jī)接口(brain-computer interface, BCI)，具有時(shí)間分辨率和空間分辨率均相對適中，便攜可移動(dòng)，操作簡單方便，不受電磁干擾的影響等優(yōu)點(diǎn)，受到越來越多研究者的關(guān)注。但目前，基于fNIRS的腦機(jī)接口往往需要大量的訓(xùn)練數(shù)據(jù)來優(yōu)化空間濾波器和分類器，需對被試進(jìn)行較長時(shí)間的訓(xùn)練，導(dǎo)致BCI的使用成本高，難以實(shí)際應(yīng)用。神經(jīng)科學(xué)中的研究揭示了大腦的時(shí)空模式在靜息態(tài)（resting-state）和任務(wù)態(tài)（task-state）之間的高度相關(guān)性?；诖耍狙芯刻岢隽嘶陟o息態(tài)獨(dú)立成分分析（resting-state independent component analysis , RSICA)的空間濾波算法，旨在從靜息態(tài)中提取出與想象運(yùn)動(dòng)任務(wù)有關(guān)的大腦時(shí)空模式，進(jìn)而應(yīng)用于任務(wù)數(shù)據(jù)的濾波和分類中，從而減少訓(xùn)練數(shù)據(jù)量。與傳統(tǒng)的共空域模式(Common spatial pattern, CSP)和shrinkage算法的相比，在左右手想象任務(wù)的分類中，RSICA算法的分類準(zhǔn)確率提高了大約7% (RSICA, CSP, shrinkage: 69.8±12.1%, 63.3±10.3%, 63.4±11.8%)。并且，RSICA僅需22個(gè)訓(xùn)練試次即可達(dá)到70%的分類準(zhǔn)確率，而CSP則需要36個(gè)訓(xùn)練試次。相比傳統(tǒng)算法，RSICA算法只需少量訓(xùn)練樣本即可達(dá)到較高的分類準(zhǔn)確率，降低了用戶的訓(xùn)練時(shí)間和負(fù)擔(dān)，具有較大的應(yīng)用潛力。

研究方法

被試

本研究隨機(jī)招募了10名男性健康被試，均為右利手，平均年齡為22.2±3.1歲，年齡范圍為19至26歲，具有正常的聽力和視力（或矯正視力達(dá)到正常）。

探頭排布和實(shí)驗(yàn)范式

本研究使用丹陽慧創(chuàng)醫(yī)療設(shè)備有限公司的NirScan近紅外腦功能成像儀器進(jìn)行數(shù)據(jù)采集，使用了13個(gè)發(fā)射器和12個(gè)探測器，組成38個(gè)通道。發(fā)射器和探頭布置在初級感覺運(yùn)動(dòng)區(qū)。

探頭排布和實(shí)驗(yàn)流程

實(shí)驗(yàn)包含兩個(gè)部分：靜息態(tài)和左右手想象運(yùn)動(dòng)任務(wù)。首*行8分鐘靜息態(tài)數(shù)據(jù)采集。在靜息態(tài)數(shù)據(jù)采集過程中，被試需閉上眼睛，不進(jìn)行特定的思考，保持頭腦清醒即可。靜息態(tài)數(shù)據(jù)采集完成之后，被試根據(jù)電腦屏幕提示，開始進(jìn)行想象運(yùn)動(dòng)。想象運(yùn)動(dòng)為左手運(yùn)動(dòng)想象或者右手運(yùn)動(dòng)想象，每個(gè)任務(wù)各包含20個(gè)試次，任務(wù)順序隨機(jī)。

RSICA算法

RSICA算法的具體流程如下：

RSICA算法流程

首先，對采集到的n通道靜息態(tài)數(shù)據(jù)做ICA分解，得到不同的獨(dú)立成分和對于應(yīng)的空間濾波器。由于排布通道主要覆蓋了感覺運(yùn)動(dòng)區(qū)，高度偏側(cè)化的獨(dú)立成分更有可能是與想象運(yùn)動(dòng)相關(guān)的獨(dú)立成分，因此，我們提出“偏側(cè)化指數(shù)（lateralization index）”來優(yōu)選出可能與想象運(yùn)動(dòng)相關(guān)的成分。優(yōu)選出與任務(wù)相關(guān)的獨(dú)立成分對應(yīng)的空間濾波器后，將其應(yīng)用于單試次想象運(yùn)動(dòng)數(shù)據(jù)來提取出任務(wù)特異性成分，后，將用于特征提取和分類。

本研究中，使用斜率和均值作為分類的特征，考慮到2秒的血氧響應(yīng)延遲，并且任務(wù)時(shí)間為0-15秒，因此選擇2-17秒的時(shí)間窗進(jìn)行特征提取。為了充分利用信息，HbO和HbR的信息均用于特征提取，且RSICA使用了前2個(gè)與想象運(yùn)動(dòng)相關(guān)的成分，故單試次數(shù)據(jù)共提取8個(gè)特征。本研究使用線性判別分析(Linear Discriminant Analysis, LDA)構(gòu)建分類器進(jìn)行分類。

結(jié)果

展示了RSICA, CSP（共空間模式）和shrinkage三種算法平均分類準(zhǔn)確率。綠色曲線為RSICA算法的平均分類準(zhǔn)確率，紅色曲線為CSP的結(jié)果，藍(lán)色曲線為shrinkage的結(jié)果。

三種算法的平均分類準(zhǔn)確率

隨著訓(xùn)練集數(shù)量的增大，三種算法的分類準(zhǔn)確率均得到提升，并且?guī)缀踉谒杏?xùn)練集下，RSICA算法的表現(xiàn)均高于另外兩種算法。RSICA算法的分類準(zhǔn)確率提高速度較快，只需要大約20個(gè)訓(xùn)練試次即可達(dá)到近70%的分類準(zhǔn)確率。CSP算法的分類準(zhǔn)確率在各個(gè)訓(xùn)練集情況下，其表現(xiàn)均低于RSICA算法。當(dāng)訓(xùn)練集達(dá)到36個(gè)試次時(shí)，CSP算法的平均分類準(zhǔn)確率達(dá)到了70%，以上結(jié)果表明，CSP算法更加依賴訓(xùn)練集樣本量，在更小的訓(xùn)練集下，RSICA算法表現(xiàn)更加優(yōu)異。Shrinkage算法對訓(xùn)練集的大小變化不敏感，訓(xùn)練集逐漸增加時(shí)，其分類準(zhǔn)確率比較緩慢，當(dāng)訓(xùn)練集大小為38個(gè)試次時(shí)，其平均分類準(zhǔn)確率在68%左右，沒有達(dá)到70%。

結(jié)論

與傳統(tǒng)的僅使用任務(wù)態(tài)數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)的算法不同，本研究提出的RSICA算法根據(jù)靜息態(tài)數(shù)據(jù)中提取的想象運(yùn)動(dòng)信息，將該信息應(yīng)用于任務(wù)數(shù)據(jù)特征提取和分類中，成功實(shí)現(xiàn)在少量訓(xùn)練樣本下得到較高的分類準(zhǔn)確率的目標(biāo)。RSICA算法能有效減少BCI用戶的訓(xùn)練負(fù)擔(dān)，降低了BCI的使用成本，具有較高的實(shí)用價(jià)值。

Yanchun Zheng, Dan Zhang, Ling Wang, et al., "Resting-State-Based Spatial Filtering for an fNIRS-Based Motor Imagery Brain-Computer Interface," in IEEE Access, vol. 7, pp. 120603-120615, 2019. doi: 10.1109/ACCESS.2019.2936434