CN114027857B - 一种基于脑电信号测量运动能力的方法 - Google Patents

Abstract

本发明公开了一种基于脑电信号测量运动能力的方法。本发明使用脑功能网络和样本熵，分别检验在伪刺激和两种刺激范式下被试的不同复杂性和功能连通性，并提取脑网络特征和非线性动力学特征。此外，利用共空间模式算法分析了脑电信号的空间特征，并将其输入支持向量机模型中进行分类识别，以此评估运动康复的效果。本发明提高了关于经颅直流电刺激对运动康复评估的准确性和科学性。

Description

一种基于脑电信号测量运动能力的方法

技术领域

本发明涉及一种基于脑电信号测量运动能力的方法，特别涉及对脑卒中患者，在通过经颅直流电刺激的运动康复中，用于测量患者运动能力的方法

背景技术

经颅直流电刺激(TDCS)已被证明是调节认知功能和大脑可塑性的有效工具。在经颅直流电刺激刺激过程中，电流通过放置在头皮上的电极垫以1-2mA的强度从阳极传递到阴极。作为一种无创脑刺激技术，经颅直流电刺激因其潜在的临床应用而备受关注。

最近几年因为其潜在的临床和应用前景，经颅直流电刺激被广泛的研究。多个大脑区域，如初级运动皮质、运动前皮质、辅助运动区和小脑，已被证明与实际运动有关。将经颅直流电刺激应用于主运动区已被证明能增加皮层兴奋性并改变主运动区的可塑性，从而改善神经功能和运动控制能力。一些脑成像研究表明，运动技能学习也与主运动区以外的大脑区域有关，包括辅助运动区。辅助运动区和主运动区之间存在有效的连接，辅助运动区上的经颅直流电刺激导致负责运动前准备的神经结构或网络的兴奋性改变。这一发现表明，经颅直流电刺激可以从外部调节辅助运动区的兴奋性，从而改变受试者的运动功能。

然而，大多数关于刺激主运动区和辅助运动区的经颅直流电刺激的研究集中于分析行为数据(例如，提高运动任务中的手动灵活性、握力的准确性、反应时间和姿势控制)。这类研究缺乏对大脑功能连通性的深入分析。复杂的大脑功能，如协调运动、记忆和语言产生，在很大程度上依赖于大脑区域之间的动态互动。非侵入性神经调节影响大脑网络，而不仅仅是目标局部刺激部位；因此，可以通过分析刺激前后大脑网络的连通性和复杂性来探索不同电刺激实验的效果。一些实验表明，在接受经颅直流电刺激治疗的中风患者中，脑电图α频率处刺激的同侧运动神经网络的连通性与皮质脊髓兴奋性的变化密切相关。这似乎表明，功能连接似乎是一种强大而特异的反应生物标记物。在经颅直流电刺激实验中，通过分析受试者大脑皮层的连通性，可以有效地评估经颅直流电刺激的效果。

运动想象是行为中不涉及实际运动的内在表征，由于运动想象在运动康复训练中的有益作用，运动想象的研究逐渐增多。在一些左右手运动表象的实验中，将经颅直流电刺激应用于运动区可能会导致大脑皮层区域之间的连接发生变化。

常见的评价经颅直流电刺增强运动能力的研究多集中于行为学方法，通过对被试者的动作来表现出来。然而通过行为学来评估被试者的运动能力具有较强的主观判断，对实验设计的要求较高，评估很难做到精度，因此需要更加客观理性的指标来评估。

传统上对于经颅直流电刺激在运动功能上的研究和评价标准多以行为学数据为主，相类似的行为学数据缺乏对人体大脑机理的深入研究，其评价标准缺乏准确性和科学严谨性。

发明内容

本发明针对现有技术的不足，提供了一种基于脑电信号测量运动能力的方法。本发明改变了传统上以行为学数据来评估运动功能的方法，创造性地提出了一种基于脑功能网络和非线性动力学等综合分析方法来评估经颅直流电刺激前后的运动能力。

本发明的主要技术要素是，通过提取刺激前和多种刺激范式后的脑电信号特征，以脑功能网络和大脑非线性动力学为主要分析方法，对比分析经颅直流电刺激对运动想象能力的不同影响，具体的，使用脑功能网络和样本熵，分别检验在伪刺激和两种刺激范式下被试的不同复杂性和功能连通性。此外，利用公共空间模式算法分析了脑电信号的空间特征，并将其输入支持向量机模型中进行分类识别。

一种基于脑电信号测量运动能力的方法，通过一种融合人体行为学特征与功能网络特征的方法来评估经颅直流电刺激前后对被试者运动能力的提高效果，可以进一步指导后续刺激参数的调整。具体步骤如下：

步骤1.采用运动想象实验范式，根据国际10-20标准采集刺激范式下的运动想象脑电数据。刺激范式包括主运动区刺激和辅助运动区刺激。运动想象包括左手、右手、左脚、右脚四种运动想象模式。

步骤2.采集被试在执行步骤1中所述过程的多通道脑电数据后，先通过预处理去除眼动伪迹。通过相位同步指数构建多通道脑电数据的相关性矩阵，进一步选取阈值(T＝0.45)构建邻接矩阵，提取脑功能网络特征。通过样本熵提取非线性动力学特征，通过共空间模型提取脑电空域特征。具体如下：

1)脑电信号的预处理。通过1-40Hz的带通滤波去除高频干扰，之后通过独立成分分析去除眼动伪迹。

2)脑功能网络特征的提取。相关性矩阵，路径长度，聚类系数，小世界属性。

3)非线性动力学特征提取。采用近似熵复杂度计算方法分析经颅直流电刺激对脑电非线性特征的影响。近似熵复杂度表征非线性动力学特征。

4)空域特征提取。采用共空间模式算法提取脑电信号的空域特征。

步骤3.对由步骤2分别求出的脑功能网络特征、非线性动力学特征和空域特征进行线性耦合作为分类特征。

A＝(λ₁x₁,λ₂x₂,λ₃x₃,λ₄x₄·λ_ix_i)

A表示总的特征空间，x_i表示特定特征，λ_i表示特征的权值。

将此特征空间输入到支持向量机分类器(采用线性内核)中进行分类识别。以刺激前上下肢的分类准确度为基本准线，对比分析通过经颅直流电刺激之后的上下肢分类准确度，以测量出经颅直流电刺在增强运动能力中的作用。通过以上的步骤便可以评估经颅直流电刺激对增强运动能力的效果。

本发明具有的有益效果：以被试者大脑皮层信号分析对象，相比传统的行为学数据这种方法得到的评价标准，通过对脑功能网络特征、非线性动力学特征和空域特征进行融合得到分类特征，因此该方法具有较高的准确性和科学严谨性。通过对人体大脑信号的分析，可以进一步深入机理的分析经颅直流电刺激对被试者在运动功能康复中的不同影响，尤其在脑卒中患者的康复训练有着潜在的应用价值。

附图说明

图1为本发明实施流程图；

图2为实验示意图；

图3为相关性矩阵；

图4为脑功能网络特征示意图；

图5为大脑连通性示意图；

图6为非线性动力学特征示意图；

具体实施方式

下面将结合附图对本发明的实施方案作详细说明，以下给出了详细的实施方式和具体的操作过程：

如图1所示，本实施方案包括如下步骤：

步骤(1)，采用运动想象实验范式，分别采集刺激前和刺激范式下的运动想象脑电数据，刺激范式包括伪刺激、主运动区刺激和辅助运动区刺激。运动想象包括左手、右手、左脚、右脚四种运动想象模式，实验流程如图2所示。

被试者包括4名男性3名女性，实验前一周没有剧烈运动，无生理及生理疾病。采集时要求被试者端坐在电脑前注视屏幕，根据显示在屏幕的指令执行相应的运动想象任务。

在实验开始前要求被试者盯着屏幕上的十字标识，之后便是准备阶段，在此阶段一共持续10s,每隔1s会出现相应的指示数字提醒被试者。接下来便是运动想象任务的执行阶段，此阶段持续40s，屏幕上出现“向上”、“向下”、“向左”、“向右”的箭头。依次表示为左手运动想象、右手运动想象、左脚运行想象，右脚运动想象，每种运动想象各持续10s。之后被试者休息1分钟后重复四次上述实验。

刺激范式1与范式2用于经颅电刺激作用在主运动区和辅助运动区的比较。为避免个体因素引起的偏差，每个被试者分别进行范式1和范式2刺激实验。两个刺激实验中间间隔1个星期。经颅直流电刺激实验采用Soterix Medicald公司的4x1高精度经颅电刺激仪Neuroelectrics。

步骤(2)，对步骤(1)采集的脑电信号先进行预处理，之后提取脑功能网络特征，非线性动力学特征和空域特征。采集被试在执行步骤1中所述过程的多通道脑电数据后，先通过预处理去除眼动伪迹。通过相位同步指数构建多通道脑电数据的相关性矩阵，见图3，进一步选取阈值(T＝0.45)构建邻接矩阵，提取网络特征，见图4，图5。通过样本熵提取非线性动力学特征，通过共空间模型提取脑电空域特征。具体如下：

1)脑电信号的预处理。首先通过1-40Hz的带通滤波去除高频干扰，之后通过独立成分分析去除眼动伪迹。

2)脑功能网络特征的提取。

通过相位同步指数构建多通道间的相关系数矩阵。相位同步指数表示如下：对于一个单通道的EEG信号x(t)，其解析信号可以定义为:

其中是EEG信号x(t)的Hilbert变换。A_x(t)与φx(t)分别是EEG信号x(t)的当前值和当前相位。同样可以求得另外一个通道的脑电信号y(t)的当前相位φ_y(t)。如果φx(t)和φ_y(t)满足

|nφ_x(t)-mφ_y(t)|≤c

则认为两个EEG信号满足n:m的相位同步。其中C是一个常数,n和m是正整数。在本方法中取1:1相位同步，来进行刻画，该指数的值在[0,1]之间。本发明的相位同步指数定义为：

其中Φ_xy(t)＝φ_x(t)-φ_y(t)是两个信号的相位差，<·>_t表示结果在时间序列上取平均。如果相位同步指数p＝0则表示信号x(t)和信号y(t)不同步，如果p＝1则表示两个信号完全同步。

之后选择阈值(T＝0.45)，构建邻接矩阵，进一步提取网络中的路径长度、聚类系数和小世界属性等网络特征：

节点i的路径长度为：

其中，N表示该脑网络中节点总数，d_ij表示节点i和j之间的最短路径长度。

节点i的聚类系数为：

其中k_i为节点i的该脑网络中相邻节点总数，e_i为节点i与邻节点之间实际连接边总数。

脑网络小世界属性为：

其中C,L表示该网络中的聚类系数和平均路径长度，C_rand,L_rand表示随机网络中的聚类系数和平均路径长度。

非线性动力学特征提取。采用近似熵复杂度计算方法分析经颅直流电刺激对脑电信号非线性特征的影响。给定一段脑电信号，通道数为m，{x(i),i＝1,2,...,n}表示某一通道脑电信号，则脑电信号可表示为一组维数为m的向量。

X(i)＝[u(i),u(i+1),...,u(i+m-1)]，i＝1,2,...,u-m+1

定义两个信号序列X(i)和X(j)之间的距离为d[X(i)-X(j)]＝max[X(i+k)-X(j+k)]，k＝0,1,2,...,m-1，设置容许偏差值r通过计算i＝1,2,...,u-m+1值下的d[X(i)-X(j)]小于r的比例C_i ^m(r)对C_i ^m(r)取对数，并且对所有i取平均值，记作φ^m

同上可得φ^m+1，脑电信号的近似熵为：

ApEn(m,r)＝φ^m+1(r)-φ^m(r)

空域特征提取。采用共空间模式算法提取脑电信号的空域特征，算法推导如下：

其中E₁表示第一类样本，E₂表示第二类样本，trace(E)表示求矩阵的迹。分别计算原数据的协方差矩阵，其中C₁表示第一类样本的平均协方差矩阵，同理C₂表示第二类样本的平均协方差矩阵，从而C_c＝C₁+C₂表示两类样本的平均空间协方差矩阵的和。且已知C_c是正定矩阵，从而可以进行奇异值分解，得到C_c＝U_CΛ_cU_c ^T，U_C为分解后特征向量，Λ_c表示分解后特征值的对角阵。进而通过矩阵C_c得到将矩阵P与第一类样本和第二类样本为：S₁＝PC₁P^T，S₂＝PC₂P^T得到S₁ S₂表示公共空间向量，且有S₁＝BΛ₁B^T，S₂＝BΛ₂B^T，Λ₁+Λ₂＝I，I表示单位向量。对于一个特征向量矩阵Q，当其中一个类别具有最大特征值，且另一个样本具有最小特征值，此时可以得到一个最佳的投影向量W＝(Q^TP)^T，通过得到的投影向量我们可以求出某一类原始数据的特征向量，即：Z_M×N＝W_M×MW_M×N。Z_M×N表示将原始数据的前M行和后M行作为输入特征，进一步归一化为：

以此可分别求出脑电信号中的空域特征。

其中非线性动力学特征如图6所示。步骤2的操作具体如图1所示为：(b)中给出去除眼睛和其他伪影的提取到的alpha频段EEG数据。(c)所示为(b)中信号预处理的具体步骤包括删除多余通道、带通滤波、独立分量分析去除伪迹、提取alpha频段信号。用脑地形图绘制的alpha频段信号近似熵如(g)中所示。(d)表示对经过预处理后的脑电信号用相位同步指数估计各个通道对之间的相关性，得到相关性矩阵，然后选取适当的阈值进而得到二值矩阵如(e)所示。对二值矩阵进一步处理可以得到脑网络拓扑图，以及表征脑网络的特征平均聚类系数和最短路径长度。

步骤(3)，对由步骤2分别求出的脑功能网络特征、非线性动力学特征和空域特征进行线性耦合，输入到支持向量机分类器中进行分类识别。

A＝(λ₁x₁,λ₂x₂,λ₃x₃,λ₄x₄·λ_ix_i)

A表示总的特征空间，x_i表示特定特征，λ_i表示特征的权值。

将此特征空间输入到支持向量机分类器(采用线性内核)中进行分类识别。以刺激前上下肢的支持向量机分类准确度为基本准线，通过对比分析经颅直流电刺激之后的上下肢分类准确度，可以客观的评估出经颅直流电刺在增强运动能力的作用。

Claims (2)

1.一种基于脑电信号测量运动能力的方法，其特征在于：包括如下步骤：

步骤1. 采用运动想象实验范式，根据国际10-20标准采集刺激范式下的运动想象脑电数据；

步骤2. 采集多通道脑电数据后，通过预处理去除眼动伪迹；

通过相位同步指数构建多通道脑电数据的相关性矩阵，进一步选取阈值构建邻接矩阵，提取脑功能网络特征；

通过样本熵提取非线性动力学特征，通过共空间模型提取脑电空域特征；

步骤3. 对由步骤2分别求出的脑功能网络特征、非线性动力学特征和空域特征进行线性耦合作为分类特征；

将该特征输入到支持向量机分类器中进行分类识别，以刺激前上下肢的分类准确度为基本准线，对比分析通过经颅直流电刺激之后的上下肢分类准确度，以测量出经颅直流电刺激在增强运动能力中的作用；

其中：

步骤1中所述的刺激范式包括主运动区刺激和辅助运动区刺激；所述的运动想象实验范式包括左手、右手、左脚、右脚分别向上、向下、向左、向右四种运动想象；

步骤2中所述的脑功能网络特征的提取具体包括相关性矩阵，路径长度，聚类系数和小世界属性；脑功能网络特征提取中，提取脑电信号集合中的每个子集合的各个脑电通道之间的相位同步指数，从而获得各个脑电信号子集合的脑电信号相位同步指数集合；

步骤2中所述的非线性动力学特征提取具体是采用近似熵复杂度计算方法分析经颅直流电刺激对脑电非线性特征的影响。

2.根据权利要求1所述的一种基于脑电信号测量运动能力的方法，其特征在于，步骤2中所述的预处理具体是：通过1-40Hz的带通滤波去除高频干扰，之后通过独立成分分析去除眼动伪迹。