基于运动想象脑机接口（BCI）背景下，对14名被试的脑电和近红外多模态测量数据进行分析。结果发现，近红外活动可以预测基于脑电的BCI控制的性能表现。然后发现近红外可以提供更新的，更稳定的脑电-BCI分类识别，从而显著增强识别分类的有效性并同时减小性能波动并增强BCI测量的性能稳定性。
前言
纵观应用于BCI研究中的设备使用，脑电无疑是常见的应用设备。不仅因其具有低成本，快速设置，干电极技术的突出优势和被试识别分类的有效性，也因其具有较高的时间分辨率。
但目前基于脑电的感觉运动节律的BCI研究一直存在一定的问题，比如并不是所有的被试的脑电感觉运动节律都能够应用于BCI研究，最近有研究发现脑电和近红外结合使用能够提升BCI研究的性能，尤其能够使一些不能进行BCI的被试可以操作脑机接口任务。
研究中发现一些被试能够很好的操作基于脑电的感觉运动节律的BCI实验，但当出现适应性活动或固定子空间分析时，脑电和近红外的结合无疑是理想的选择，脑电测量能够提高较高的时间分辨率，而近红外能够提供较高的空间分辨率并且近红外基于血流响应的特点也保证了测量中信号的稳定性，基于此基础上，我们发现近红外的指标能够预测基于脑电的BCI的性能表现，并可应用于识别分类同时减少脑电的性能波动。
实验方法
实验准备 同时使用近红外功能成像系统和脑电系统进行测量，近红外测量使用美国NIRX公司生产的NIRSout 8 -16台式机，该设备具有8个光源，波长为760nm和850nm，16个探测器，在本次研究中共形成24个有效通道。采样率为6.25Hz，以修正的Berr-Lambert定律计算血氧蛋白改变量，采用低通滤波0.2Hz进行数据预处理。
注：效果图（近红外与脑电结合方案，非该实验图）
电测量采用德国Brain Products 公司生产的BrainAmp设备，采用1KHz采样，共使用37个Ag/AgCI 电极，2导肌电和2导眼电进行测量，使用基于10-20的脑电测量帽测量，近红外光极和脑电电极距离在2-3cm以内。如图2所示：
红色为近红外光源位置，黄色为近红外探测器，绿色为近红外通道，黑色为脑电电极
实验测量
被试 选用40名被试进行测量，年龄在20到30之间。被试坐在舒适的并在测量时按要求活动手臂。要求被试按照范例进行运动想象任务。
EEG分类识别 通过2个Block，50个Trails的视觉反馈控制运动想象来计算脑电的识别分类。
每个Trial开始的2秒在屏幕中呈现注视点，然后一个4S的指导语提示左右或者右手进行举高，4S过后呈现10.5±5秒左右的黑屏。在线数据处理采用coadaptive校准。
被试基于两个运动想象的区块设计进行反馈，在第一个Block的100个trials分类识别，在脑电的相应通道使用拉普拉斯方法进行滤波。在第二个Block中使用第一个Block的时间和空间的滤波数据均值和被试的其他特征作为第二个Block的识别分类依据。在750ms的窗口中每40ms进行计算。
快速反馈 一旦300个trilas和7s的相关数据进行作为反馈的分类识别，持续35分钟。每个Trial开始的2秒在屏幕中呈现注视点，然后一个4S的指导语提示左右或者右手进行举高，根据识别分类输出，4S过后在下一个刺激之前呈现1±0.5s的白屏。
离线数据分析 前两个block的第一次长时间间隔的近红外数据被应用于运动想象。结果如另一篇论文：Enhanced performance by a Hybrid NIRS-EEG Brain Computer Interface所示，我们只选取300个trials快速反馈的数据,这些数据分布在60个block中，每个block有5个trials，并且计算相应Block的性能。使用Y作为每个区块分类识别输出标签，叠加5个Trail的总和。公式见原文，通过这种方式计算性能，我们得到了一个连续的性能测量，在我们的例子中，它比0-1丢失率更可取，不仅因为其更准确，也更适合于将NIRS指标特性应用到这个度量中，在下面段落中我们将会解释这点。从每个小组块中减去整体性能，就可以得出高于平均水平时间和低于平均水平时间的脑电图—BCI性能。
近红外型号被划分为多个片段，每个2S，5个trial分别为2 4 6 8 10，噪音通道被做删除处理。使用线性回归分析近红外数据在脑电数据上的性能预测。如图3所示。最上方薄黑色的区域代表trial，分别为左手和右手运动想象提示时间。每次5个，重复60次，每5个都遗漏一个不同的trial，从而导致每个trial的性能预测。使用这种预测来计算相关系数和回归系数。针做虚无假设下的相应的P值检验，并使用Bonferroni矫正。
基于近红外的数据预测，脑电数据分为三个类别，较好性能，一般性能和较差性能，三个类别都包括100个trials，分类原则包括了修正的滤波数，空间滤波和线性分类。第二步我们做了个元分类，包括四种识别分类。
结果发现 在表格1中中优化问题，通过表格2可以看出，在14名被试中，9名被试的脑电性能表现和预测之间不具有显著相关性。表2中可以看出所有被试的分类均值，所有训练阶段的刺激和元分类的四种类别间的配对样本T检验，其block的性能显著为0.013。
为了评估我们的方法是否在反馈过程中降低了性能的可变性，我们计算标准方法的所有60个Block的标准偏差，所有的试验都是相同的，以及元分类器。图4显示了一个散点图的结果。可以看出，我们提出的方法减少了14个被试中11个被试:表现的可变性，其中一个被试的可变性是相同的，而对于两个被试，标准过程的绩效波动比较低。配对样本T检验揭示了p小于0.05的显著关系。
图4：所有模块的性能标准偏差散点图。每个点代表一个被试。 左上角的百分比表示元分类器多少被试具有较低的标准偏差的。p表明配对t检验的显著性
总结
该新方法是结合NIRS和EEG的一种可行的技术，适合基于SMR的BCI，因为它保留了响应性的脑电图测量，而同时显著增强分类识别率以及性能的最小化波动。
参考文献：Fazli, S., Mehnert, J., Steinbrink, J., & Blankertz, B. (2012). Using NIRS as a predictor for EEG-based BCI performance. International Conference of the IEEE Engineering in Medicine & Biology Society (Vol.2012, pp.4911). Conf Proc IEEE Eng Med Biol Soc.
本论文中所使用的NIRX的NIRScout台式近红外和Brains product的BrainAmp脑电设备均为我司独家全国总代理的高端脑科学仪器，公司专注于脑科学、神经科学、医疗诊断、体育科学和人因工程领域，旨在为医疗机构提供神经诊断、监护、治疗方案及服务；为高等院校、研究机构提供教学、研究方法及服务；为体育科研、训练机构提供科研、训练手段及服务。您的需求是我们发展的动力。
版权声明：本文系瀚翔生物原创编译整理，转载请留言，获取授权，并注明作者和出处。
