英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
针对急性脑中风患者的运动想象信号的分类性能研究
Chayanin Tangwiriyasakul, Victor Mocioiu, Michel J A M van Putten and Wim L C Rutten
摘要
目的。有效的运动想象，即能够对感觉运动节律造成强烈抑制作用的运动想象，是运动想象疗法的关键。因此，一个高效的判别对象进行了何种运动想象任务的算法是其前提。一个最优的分类算法需要同时拥有有良好的分类准确率以及尽可能少的采集通道。对于各种的通道配置，我们研究了共空间模式-线性判别分析算法所带来的效益。
方法。实验对象包含：10个半球急性脑中风患者，11个健康的人。使用60个通道记录脑电图。使用运动执行任务训练分类器。对所有实验对象，先使用3到11个电极从运动皮层区域记录数据，然后将电极增加到45个，重复实验。
结果。无论是对健康的对象，还是患病的对象，使用CSP-LDA算法并没有使分类效果显著提高（AU-ROCasymp;0.7）。之后，由于运动想象活动相关神经元很可能超过运动皮层区域，我们再次对45个电极记录的数据使用CSP-LDA进行了处理。AU-ROC上升到了0.9，但是没有观测到是哪个电极起到了作用。最后，对于中度中风患者，我们成功的将记录自其健康的半球的EEG数据用于训练分类器（AU-ROCasymp;0.7）。意义。只有来自健康半球的EEG数据才能用于训练分类器。
关键字：BCI, 脑中风复健， 事件相关去同步
1引言
中风是导致成年人残疾的一个主要原因。在具有运动障碍的中风患者复健的问题上，身体训练是通常的疗法。然而这种疗法需要患者付出努力来活动他们受到中风影响的肢体。这个过程可能会让患者感到疲累或者灰心。此外，在脑中风急性发病期，一些病人完全丧失了控制其受影响的肢体的能力，这使得他们无法参加标准的身体训练疗法。近些年，基于运动想象的疗法作为一种替代选择被引入［1］。基于运动想象的疗法可能并不会替代身体训练疗法，但它可以作为一种补充疗法，来加强或者加速脑中风患者的康复。运动想象疗法基于以下观念：通过进行运动想象很可能使得实际运动相关的部分神经网络得到激活［2］。Page等人[3]对13位脑中风患者进行了运动想象疗法的可行性研究，表明了运动想象疗法在脑中风患者康复中的积极作用。在这个研究中，13位患者中的8位除了接受标准的身体训练疗法之外还进行了10分钟的运动想象环节。六个星期过后，进行了运动想象环节的患者的运动评分得到了提升，没有进行运动想象环节的患者的运动评分没有明显变化。此后，一些其他的研究也表明运动想象训练对运动能力的提升具有积极作用[4-7]。
在任何康复方案中反馈都是必要的[1]。在身体训练疗法中的运动执行是可以直接观察的，但是对象的运动想象却不能直接观察。运动想象可以被反映在特定的脑电图节律上：在想象运动的时候，皮层神经元被激活，导致感觉运动皮层出现事件相关去同步现象。在休息和运动想象或运动执行时，感觉运动节律功率的相对下降被用于进行ERD的判定[8]。为了证明是否发生了运动想象，一个基于脑电图的脑机接口会被使用：在休息阶段SMR一直存在，在激活阶段消失，则说明发生了强烈的运动想象。一个精确的用于脑机接口的分类器可以帮助患者在休息和活跃期间更好的控制他的大脑活动。为了区分休息和活跃状态，已有多种基于EEG的BCI系统被开发来帮助患者进行复健。但到目前为止还没有一个公认的最优分类方法。一个BCI系统的实现包括如下几个方面：（i）SMR频率带宽的选择，（ii）分类器技术的选择，（iii）最小化采集通道的数量。不像SMR带宽可能有一个特定的最优的频带，分类的方法和通道的数量是需要取舍的关系：大多数拥有高准确率的分类方法需要大量的采集通道才能实现。关于分类技术和通道数量的多种选择方案可以在参考文献中找到。例如，Kaiser等人[9]使用3个包含拉普拉斯过滤器的通道（C3，C4，Cz）来构建分类器。Gomez-Rodriguez等人[10]使用35个通道（平均值），涵盖了额叶皮层的后部，运动皮层和顶叶皮层的前部。Varkuti等人[11]使用了基于BCI系统的MIT-Manus Robot，使用27个应用了共空间模式（关于共空间模式的详细说明，见下文）的EEG通道。Ramos-Murguialday等人[12]使用了127个通道，涵盖了额叶皮层，顶叶皮层，颞叶皮层和运动皮层。
之所以会有很多运动皮层之外的通道被选择是因为大脑的一些其他部分（比如下额叶皮层的前部，下顶叶皮层的前部和枕叶皮层的前部）在运动想象被观测到的时候也处于激活状态[13-15]。使用空间过滤器（比如拉普拉斯过滤器或者CSP过滤器）来降低容积传导效应[16]是一种可行的增加分类准确率的途径。在这些过滤器其中，CSP过滤器被证明是最优的[16，17]。理想的分类方法需要在高分类准确率的同时使用少量的通道以减少准备期的时间和成本。使用包含更少通道的BCI系统会使患者觉得更舒适，而这也会促使患者更有动力去参加复健训练。只有少数的研究是关于通道的最优数量，并且这些研究大都是在健康的对象身上进行的[18-20]。Sannelli等人建议使用48个包含CSP过滤器的通道以得到最优性能；然而，在将通道数量降低至32或8后，他们并没有发现性能有明显下降[18]。对于慢性脑中风患者，Bundy等人[21]建议使用其未受影响的脑半球的运动信号，理由在于慢性脑中风患者的未受影响的脑半球的活跃程度高于正常的大脑这一观测数据。然而，Tam等人建议使用8到36个不区分脑半球的通道来维持高分类准确率[22]。
就我们所知，到目前为止尚没有关于急性脑中风患者的最优通道数量的研究。又研究对半球脑中风患者在复健过程中患侧半球和健康半球的活动进行了观测[23，24]。这让我们觉得如下方案是可行的：先使用未受影响的半球的数据来训练分类器，之后对运动想象期间的患侧半球的运动想象相关的区域的数据分类。这可能会导致患者试图产生在健康半球产生过的大脑模式 ，由此增强半球（比如EEG）的对称性。健康的人的脑电图通常都是对称的[25]。脑电图的不对称程度与患者中风的程度相关[26]，并随着患者康复而减弱[26]。
本研究的目的是比较两个分类方法，并找到其中最优的方法：CSP LDA和单独的LDA使用不同的通道配置。我们将最优定义为分类器在拥有足够的准确率（接收操作特征曲线下的面积，AU-ROC至少为0.7）的同时使用最少数量的通道。除了对健康的志愿者进行评估之外，我们还会对半球脑中风患者进行评估，使用其的未受影响的半球的脑电图来训练分类器。
2方法
2.1实验对象
参与本研究的实验对象分为三组。组1（对照组）包含了5个相对年轻的健康人（平均年龄26.4岁，标准差为1.67，三位女性，四位右手惯用者）。组2（年龄匹配对照组）包括11位年长的健康人（平均年龄57岁，标准差为7.8，9位女性，10位右手惯用者）。组3由10位初次发作的半球急性脑中风患者组成（平均年龄64.9岁，标准差为13.4，5位女性，9位欠缺左手运动能力）。患者在发作两星期后参加本研究。患者的基本资料和临床数据总括在表1。每一位实验对象都被告知了实验的流程并且签了同意书。本研究得到了本地的Medisch Spectrum Twente Hospital的医学伦理委员会的批准。组2和组3的实验对象参与的实验内容完全相同，组1的实验内容略有不同（详见2.3小节）。组1的实验对象被用于找到评估分类器所需要的最少的测试次数。只有组2和组3才进行了CSP LDA和LDA的比较。
表1 中风病人的基本信息和临床数据
2.2记录脑电图
本研究所有的实验都在一个屏蔽室中进行。60个通道的脑电图记录仪（TMS international，The Netherlands）使用银/氯化银电极按照国际5-10系统进行记录。左右颞骨乳突被作为参考进行测量。采样频率为5KHz。所有的电极的阻抗维持在5K欧姆以下。为了避免脑电图被肌电图信号污染，第一行的所有电极(T7, FT7, F7, AF7, FP1, FPz, FP2, AF8, F8, FT8和T8)以及第二行的部分电极（F5, AF3, AF4和F6）被排除使用。
2.3实验方案
两种电影被用于引导患者放松不做任何运动（休息）或者模仿想象（执行）运动。三种不同的放松基线电影被使用：（i）两个移动的球（2B）；（ii）一个缓慢移动的花（FL）；和（iii）一个网格（GR）。网格是唯一的静止电影，由黑色背景和白色线条组成（详见图1）。执行电影的画面为右手（或左手）张开和闭合。每一个电影持续10秒。实验由三步组成:(1)校正，（2）MI和（3）ME。
⑴校正。通过首先呈现3种不同的基线电影，我们试图找到导致SMR功率最大的基线电影[27]。
⑵运动想象。在运动想象期间，我们重复16次测试，每次测试将最优的基线电影和右手电影组合同时放映（另外16次测试为左手电影的组合）。在基线电影放映过程中，实验对象被要求保持放松，不执行或想象任何运动。在执行电影放映时，实验对象要想象与电影相同的手部动作。
⑶运动执行。在运动执行期间，进行与⑵相同的实验流程。不同的是，在执行电影放映期间，实验对象被要求执行而不是想象屏幕上的动作。没有运动能力的患者被要求尝试移动他们受影响的手。
因为募集组1的目的是可靠地界定每个组1中实验对象所需的最少的实验次数。在运动想象和运动执行步骤中，会进行八十次测试，四十次基线电影为花的移动，四十次基线电影为手的张合。为了避免组1的实验时间过长导致实验对象疲倦，我们省略了组1的校正步骤。组2和组3实验对象在运动执行阶段被记录数据已经被用到一个相关的研究上[28]。
图1 屏幕诱导图像
2.4可视伪迹排除
以500Hz的频率对所有的EEG信号进行采样。之后所有的数据通过一个通带为0.5-30Hz的4阶巴特沃斯过滤器。过滤之后的信号由一位有经验的临床神经生物学家进行视检，以判断信号是否存在肌肉伪迹和眼电伪迹。任何包含伪迹的EEG片段将被移除并不被用于分析。在排除伪迹后，每一次测试（包括基线电影和手运动的电影）持续时间为8秒。
2.5通道选择
本研究设计了多种通道选择配置。不使用CSP的情况，有5种配置：（i）配置A（一个包含C3,Cz,C4的三通道配置），(ii)配置B（一个涵盖了运动皮层的11通道配置，FC5, FC1, FC2,FC6, C3, Cz, C4, CP5, CP1, CP2和CP6），（iii）配置C（一个拉普拉斯过滤器被用于处理配置B中描述的11个通道所记录的数据，之后仅有C3,C4,Cz三个通道被选择），（iv）配置D（类似配置C，但11个通道都被选择作为特征维度）和（v）配置E（45个通道的所有信号都经过拉普拉斯滤波器进行空间滤波）。
使用CSP的情况，有2种配置：（i）配置F（与配置B相同）和（ii）配置G（所有45个通道不经任何空间滤波器）。
2.6特征提取
SMR的频率近限于母带（7-13Hz）。母带能量被提取以区分休息状态（基线）和活跃状态（运动想象或执行）。首先，根据列在配置里的通道来选择EEG信号。我们将伪迹从EEG信号中分离出去，然后将分离的EEG信号连接成更小的时间段（每一个时间段持续2秒，其中有1秒重叠）。随后，我们结合在7-13Hz范围功率谱密度（使用Welchrsquo;s的方法来估算，方法使用一个不重叠的2秒的窗口）来计算每个时间段的能量。比如，按照配置A，我们将得到一个三维特征向量，其包含C3,C4,Cz的母带能量。其他的配置的详细情况记录在附录表格A2（可从stacks.iop.org/JNE/11/036001/mmedia获取）。
2.7分类
在组1个实验中，我们评估了根据7种分配比例得到的7种分类表现，比如训练测试比例为5/95，10/90，14/86，20/80，25/75，33/67和50/50。对组2和组3的实验对象，我们随机分配50%的特征数据用于训练分类器。之后，我们使用剩下特征数据来测试分类器的性能。我们将接收操作特征曲线下的面积作为评估分类器的性能指标。在本研究中，我们希望比较使用CSP和不使用CSP两种方法的分类准确率。在不使用CSP的情况下，我们直接将特征功率送入LDA进行处理。在使用CSP的情况下，我们先对CSP进行预处理，然后进行特征的提取和分类。下面我们简单的回顾一下CSP的基础概念。
CSP算法使得信号在一个空间的方差值最大，将信号在另一个空间的方差值最小[18,29]。XCSP isin; RCHtimes;T是CSP过滤后的EEG信号，通过公式XCSP = W TX得到。W是一个CHxCH大小的矩阵,CH是EEG通道的数量。X是经过带通滤波器后的信号，是一个大小为CHxNos的矩阵，Nos是采样点的数量。在本次研究中，W矩阵是大小为11或者45的方阵，所以滤波器数量为11或者45。
经选择后的CSP矩阵为Wsel，大小为CHxnFil，nFil表示CSP对的数量，值为2，6，10。如果nFil为6那么W矩阵中的的最前和最后3列将被选择来构成Wsel。构建Wsel之后，EEG信号的过滤由下式计算XCSP = WselTX。与不使用CSP的情况不同，这里我们将XCSP的方差的对数值当作其特征送入LDA分类器进行分类。
图2概括了数据处理的方案。除了训练和测试的数据都源于患者执行MI任务期间的EEG记录之外（称为MI/MI），我们还使用了两种其他的训练测试组合：（i）使用ME的数据训练分类器，使用MI数据测试分类器(ME/MI)（ii）使用脑半球的ME数据训练分类器(half-ME/MI);详情见下文。CSP方法不会在half-ME/MI的情况下被使用。
在组3（脑中风患者）中，half-ME/MI分类器
全文共15800字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[145887]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
