BCI是一种特殊的信息交换系统,它使大脑能够直接与外部环境互动,而不依赖于大脑的外周神经系统和人体的运动系统。随着BCI的快速发展,对于思维正常但患有神经系统疾病或严重残疾的患者,BCI可使他们重新获得锻炼或与环境沟通的能力,提高生活质量。对于健康人群来说,BCI可提供前所未有的感官体验并帮助提高注意力。最近,BCI技术已变得越来越成熟,该技术在医疗康复、娱乐、教育、军事等领域获得了更多关注和认可。
BCI系统分为外源性和内源性。外源性BCI需要利用外部条件来刺激大脑产生特定反应。BCI的EEG诱发模式主要包括事件相关电位P300和稳态视觉诱发电位(SSVEP)。内源性BCI是基于大脑节律的自我调节,不需要任何外部刺激,它们与人类的运动意向密切相关,可更好地反映主体的自主意向,因此也被称为主动BCI。运动想象(MI)是最常用的外源BCI范式。外源性BCI的优点是信号稳定,在特殊训练中消耗的时间较少,控制信号易于设置,因此该系统适用范围很广。然而,外源性BCI不是由用户直接调节的,因此它不仅依赖于外部刺激,还需要用户的注意力,这很可能会引起用户的疲劳。主动BCI不需要外部刺激,它可以更好地反应用户的自主意图,实现真正的精神控制。
图1 由运动想象BCI控制的机器人的唤起范式、信号处理和应用概述图。
MI是大脑的一种主观运动意向,它可以在没有外部刺激和明显动作输出的情况下,在大脑的初级运动区诱导μ节律和β节律的事件相关去同步和同步现象(ERD/ERS),即某些频率成分的能量衰减或增强。通过分析不同特征变化所对应的MI任务,可以了解用户的真实运动意图。因此,MI可被用作BCI系统的控制策略。西安科技大学的Jincai Zhang和Mei Wang撰写的这篇综述从三个方面回顾了基于运动想象BCI的机器人的发展历程:唤起范式、信号处理算法和应用场景。图1具体显示了这篇综述中涉及的研究内容。
# 唤起范式
1. 单一MI范式
MI-BCI系统通过检测和量化用户运动意图的大脑信号并将其转换为输出控制指令,实现用户的控制目的。该系统通常由三部分组成:信号采集、信号处理和输出设备,系统的整体框架如图2所示。单一MI-BCI系统控制机器人最早出现在2005年。Tanaka等人将用户大脑对左或右肢体运动的想象产生的EEG信号转化为指令,直接控制电动轮椅的左或右转。这项研究也为后来的其他研究提供了一个很好的参考价值。图3(a)是他们在实际环境中对系统的测试。
Chae等人研究了一个由MI-BCI系统控制的人形机器人,通过功率谱分析提取脑电的振幅特征,并根据Fisher's ratio选择信息特征分量。受试者使用基于机器人头部摄像头实时图像的EEG信号控制人形机器人在室内迷宫中寻找到目标。图3(b)显示了他们的实验过程。如图3(c)所示,Plechawska等人构建了一个直接的BCI,可用于控制机械臂的运动,然而其EEG信号的分类精度很低。因此,该系统的性能需要改进,在图3(d)中,Norman等人设计了一个用于康复治疗的手指机器人外骨骼。12名无障碍受试者使用该机器人用手指游玩了一个为康复治疗设计的电脑游戏。此外,如图3(e),所示Vijayendra等人利用人工神经网络对脑电数据进行分类,实现了四轴无人机的平移和角速度控制。Liu等人提出了一种基于BCI的远程控制双臂机器人。根据ERD/ERS现象,采用基于分类器的支持向量机(SVM)来识别操作者的具体意图,实现对机器人双臂的控制。五名志愿者参加了实验,他们都成功地完成了用大脑信号指挥机器人手臂举起和放下一个箱子的任务。图3(f)证明了这个框架的可行性和普遍性。
单一MI范式诱导的EEG信号使用较少的通道和较低的结构复杂性控制外部机器人系统。因此,它更容易被用户接受。然而,其缺点是对外部设备的有效控制指令很少,系统的整体性能相对较低。
2. 混合范式
混合范式是指在BCI系统中结合EEG信号和其他信号,如肌电图、功能性近红外光谱或混合EEG信号的两种特征。其主要目的是增加控制指令的数量,提高BCI的分类精度。Fazli等人提出了一种混合范式,首次将EEG和近红外光谱学结合起来。功能性近红外光谱和EEG信号具有不同的信息内容并相互补充,实验证明这种混合模式可以提高MI任务的分类和识别精度。
Liu等人提出了一个新的框架,整合了传感运动节律和运动相关皮质电位的异步信号模式来控制下层外骨骼的步态训练。该方法为开发混合模式的BCI提供了新思路。混合模式下同一信号的不同特征的融合也得到了广泛的研究。目前主要的研究集中在MI和视觉诱导的大脑反应之间的融合,即MI-SSVEP和MI-P300。
图2 MI-BCI控制系统的总体框架。
Cao等人提出了一个自控式混合BCI轮椅控制系统,该系统可提供更多的控制指令。当电动轮椅在没有心理活动的空闲状态下被解码时,它以直线方式移动,左右移动的想象力被用来调整轮椅的方向。同时,根据实际情况,利用凝视特定闪烁按钮所诱发的稳态视觉诱发电位信号来加速或减速轮椅。在其他方面,利用MI-SSVEP混合范式,Pfurtscheller有效降低了控制操纵器的假阳性率。Zhang等人也实现了对四旋翼飞机运动的精确控制。虽然只有少数关于MI-SSVEP的研究出现,但它们已经成功地证明了这种混合范式在控制应用和康复训练领域的巨大优势。特别是在康复领域,与纯MI-BCI相比,用户几乎没有额外的成本。尽管结果令人鼓舞,但在这个系统必须考虑诸如减少和选择通道等实际问题。
MI-P300的混合范式也被广泛设计用于现实生活。P300指在特定的心理活动或特定的刺激后300毫秒附近出现的阳性波峰,可以在顶叶中央区域的Pz、Fz、Cz、Oz和其他电极上捕获。Bhattacharyya等人[40]通过解码机械手的左、右、前和静态运动中的假想运动信号,设计了一种独特的异步位置控制方案。当机械臂到达目标位置时,受试者通过产生P300信号停止机械臂的运动,并采用成功率稳态误差等指标来研究所提出的EEG驱动的位置控制方案的实时性能。混合范式不仅提高了控制精度,而且增加了对外部设备的控制指令。在医疗辅助轮椅的基础上,Yu等人增加了左转45°、右转45°、加速和减速等控制指令,总控制指令达到11条,实现了对轮椅更精细的控制。
从上述研究中不难看出,MI-SSVEP或MI-P300在提高识别精度、扩大指令集等方面有明显的效果。但是,混合范式引入的视觉刺激不仅容易造成视觉疲劳,争夺注意力资源,而且不适合眼动障碍患者。所以研究人员正在努力寻找更好的解决方案来解决这些问题。近年来,稳态体感诱发电位(SSSEP)被提出,它是由身体皮肤表面的体感刺激诱发的,注意力转移将适应电位,从而建立一个基于肌电图的BCI系统。最近的研究表明,带有体感刺激的SSSEP-BCI或不带体感刺激的SSSEP-BCI与MI-BCI的性能相当。因此,Yao等人提出了一种新的MI-SSSEP的混合范式。基于这些混合范式,Lee等人也提高了解码左右运动意图的准确性,为EEG控制骨骼机器人的运动方向提供了基础。
总的来说,混合模式的创新设计对提高当前MI-BCI的整体性能具有重要意义。混合BCI可能比单一BCI更复杂,也更难让所有用户接受。因此,混合BCI的范式设计对系统的整体性能起着非常重要的作用。需要进一步研究以优化混合范式系统,提高系统的稳定性和实用性。
# 信号处理算法
1. 特征提取方法
特征提取是MI-BCI系统中信号处理的一个重要部分。其目的是将预处理的信号转化为特征向量,去除特征向量中的冗余数据,并突出预处理信号的重要特征。运动想象任务下的特征提取主要是针对频域和空间信息。常见的方法包括傅里叶变换、自动回归模型、小波变换、普通空间模式等。傅里叶变换的类型包括快速傅里叶变换和离散傅里叶变换。与离散傅里叶变换相比,快速傅里叶变换具有计算简单、计算时间短的优点,因此被广泛使用。
小波变换具有灵活的时间-频率分辨率,可变的时间和频率窗口可以用来逐渐细化信号,信号的能量强度或密度可以同时在时域和频域中表达。因此,它在脑电信号分析中经常被使用。自动回归模型在短数据的处理中应用更为广泛。其优点是计算量小、速度快、效率高,所以也适用于脑电信号的特征处理。独立分量分析算法是一种盲目的边缘分离方法,它不仅可以将原始脑信号中的干扰元素从有效特征中分离出来,还可以提取脑电信号的能量分布信息。主成分分析算法的本质是降低数据的维度,它通过正交向量将一组相关的特征转换为一组没有相关的综合特征,得到的新特征是原始特征的线性组合,它们按照方差从大到小的顺序排列。该算法降低了特征维度的可能性。当噪声干扰和冗余因素被去除后,原始特征的主要信息仍能得到反映。
CSP算法已被广泛用于提高MI分类性能。它提供了一组空间滤波器,同时使两类数据的协方差矩阵对角化,从而提取可分离的特征来代表脑电信号的大部分信息。Zhang等人介绍了一种新的方法,该方法在共同空间模式的基础上引入了稀疏贝叶斯学习算法来选择有效特征。实验结果显示了该方法的有效性,有望开发一个有效的分类器来提高MI的分类性能。Choi和Jo采用滤波子波段共同空间模式特征提取方法,将脑电信号过滤到不同的频段,然后对每个频段进行共同空间模式处理,提高了两类脑电信号的分类精度。
图3 基于MI-BCI的典型机器人控制实例。(a和b)
在以上总结的各种特征提取方法中,与其他算法相比,CSP算法及其改进算法可以最大限度地提高不同MI任务的信号差异,在提高MI分类性能方面得到了广泛的应用,这种滤波方法具有良好的分离特性,可以有效地提取EEG信号中的不同任务成分。
2. 分类方法
准确提取脑电信号的有效特征,提高分类和识别率是MI-BCI研究中最重要的。MI-BCI系统中常见的分类算法包括线性判别分析(LDA)、支持向量机(SVM)、K最近邻(KNN)、人工神经网络和模糊系统等。LDA是传统的模式识别算法之一。从本质上讲,它是一种基于监督学习的数据降维方法,它将样本数据映射到一个低维空间,形成按类别区分的子点,从而达到压缩特征维度和提取分类信息的目的。样本在投影后被分类,使类内方差最小,类间方差最大。线性判别分析算法比较容易实现,计算过程简单,耗时少。
谱系回归判别分析分类器是LDA算法的改进。谱系回归判别分析算法结合了谱系分析和线性回归。它有效地解决了LDA算法中的特征分解问题,节省了大量的分类时间和存储空间。
SVM是一种基于统计学习理论的机器学习方法。它通过适当的非线性映射将输入向量映射到高维特征空间,使得数据总是可以被最优超平面分割。最优超平面要求正确地分离两种类型的数据,并使分类间隔最大。KNN是一种常见的机器学习分类算法,其基本思想是提取待分类数据的特征,计算现有样本数据特征之间的距离,然后由小到大进行排序,最后,选择距离最近的样本数据的特征,确定样本中标记次数最多的属性作为待分类数据的类别。除了上述分类算法,随机森林(RF)算法也是一种常见的分类算法。它是由Breiman在2001年提出的一种基于统计理论的模式识别算法。本质上,它是一个包含多个决策树的分类器,获得样本数据的RF算法是基于自助法(bootstrap method)。决策树建模是针对每个采样数据进行的。在生成许多决策树后,通过投票获得最终的分类结果。
近年来,随着人工神经网络(ANN)的不断发展,国内外许多学者开始使用人工神经网络作为脑电信号的分类器。作为一种由大量节点相互连接组成的运算模型,人工神经网络广泛用于回归分析和分类问题。它可以通过最小化分类训练数据的误差来接近任意的非线性决策函数,所以它是一种非线性建模方法。然而,这种方法是否能与机器人系统相结合,以提高系统的整体性能,还是未知数。在众多的ANN中,最常用的是多层感知器。然而,当EEG信号的噪声相对较高时,可能会出现过度拟合,导致分类精度的下降。Hettiarachchi等人研究了功能链神经网络作为分类器在MI-BCI应用中的应用。结果表明,这种方法不仅可以有效地弥补多层感知器的缺陷,而且与各种分类器相比,表现出最好的性能。所以它可以用于实时MI-BCI控制。
在过去的几年中,由于深度神经网络(DNN)在图像和语音识别方面的巨大成功。越来越多的研究人员将注意力转向深度学习技术,并试图使用深度学习方法对EEG信号进行分类。DNN通过提高计算能力和学习算法,可以进行非常复杂的非线性变换分类,取得前所未有的复杂分类结果。Yang等人构建了一个涉及多层卷积神经网络的端到端方案,以准确表示多通道包MI-EEG信号。该方案也被用于提取多通道MI信号中的有用信息。Lu等提出了一种基于人机界面的拖拉机辅助驾驶控制方法,利用低成本的脑机界面采集拖拉机驾驶员的脑电信号,然后进行小波变换去噪,计算并提取脑电信号的频谱特征,作为递归神经网络的输入。最后,对脑电辅助递归神经网络驱动模型进行训练,控制拖拉机直行、制动、左转和右转,控制精度为94.5%,时间成本为0.61毫秒。Chiarelli将混合范式与最新的深度学习算法相结合,评估深度神经网络分类算法在多模式记录中的准确性。结果显示,先进的非线性深度神经网络分类程序的结合可以显著提高BCI的性能。
图3 基于MI-BCI的典型机器人控制实例。(c和d)
此外,模糊系统也可以用来区分不同的模式。这些系统能够检测数据中通常难以检测的模式。模糊系统依靠对不精确性和不确定性的容忍度来实现简单而稳健的分类解决方案。神经网络与模糊系统相结合,得到了名为ANFN的新分类器。传统的信号处理算法需要大量的数据来训练分类器,所以MI-BCI需要很长的时间来记录足够的数据,导致其效率低,容易疲劳。Hossain等人设计了一种信息和直接转移学习方法的最佳组合,大大减少了对新用户训练数据的需求,提高了BCI系统的工作效率,特别是在训练数据较少的情况下。
总的来说,基于深度学习的分类算法不仅可以缩短用户的训练时间,而且与其他算法相比,分类精度也有一定程度的提高。它为MI-BCI控制的机器人系统中更高效、更复杂的运动意向识别提供了可行的解决方案。未来随着计算机硬件技术的发展和计算机计算能力的提高,深度学习算法与MI-BCI系统的结合研究将成为热点内容。
# 应用场景
MI-BCI系统因其在运动控制、神经康复训练和其他特殊环境的智能操作领域的潜在应用而被广泛研究。同时,MI-BCI系统所涉及的神经机制与运动功能密切相关,因此有望在提高用户脑区的信息处理效率方面发挥重要作用。根据不同的应用场景,由MI-BCI系统控制的机器人可以分为运动控制型和医疗康复辅助型。
目前,越来越多的人因为交通事故、疾病或衰老而患有运动障碍或行动不便。为了解决这个问题,Choi等人利用MI-BCI系统将运动想象的EEG信号转化为轮椅运动的控制指令,为那些残疾人提供了一种独立运动的方式,提高了患者的日常生活质量。
外骨骼是一种可穿戴的机器人,可以与人类用户进行密切的互动,用于帮助高位截瘫患者或晚期肌萎缩性侧索硬化症患者进行完整的康复训练或提供行走帮助。其中,动态上肢和下肢外骨骼已被强调为协助截瘫或四肢瘫痪的潜在技术。一些研究将BCI与外骨骼机器人系统相结合,这不仅可以改善一些神经系统缺失患者的生活质量,如中风和脑瘫,更重要的是,促进这些患者受损神经元的激活,帮助他们恢复受伤的运动功能。Hortal等人使用MI-BCI系统辅助控制混合上肢外骨骼,用于神经损伤患者的康复训练。然而,感觉反馈可以增加脑电图的调节作用,一些与处理感觉信息功能相关的皮层区域也可能参与到任务中,这可能对康复任务的临床设计有重要意义。
图3 基于MI-BCI的典型机器人控制实例。(e和f)
MI-BCI技术有可能通过诱导活动依赖的大脑可塑性来恢复运动功能。Ang等人研究了基于脑电图的MI-BCI系统结合MIT-Manus康复机器人对慢性中风和上肢偏瘫患者的疗效。在实验中,26名偏瘫受试者接受了中风后的运动恢复治疗,60%的受试者的运动功能安全得到了明显的改善。实践证明,脑电辅助治疗对脑卒中后严重偏瘫患者的康复是安全有效的。Woosang等人提供了一个闭环的传感运动综合运动康复系统,使用MI-BCI系统结合信息控制功能电刺激对卒中患者进行康复训练,显示BCI的准确性提高到80%以上。除了医疗康复,MI-BCI系统还被广泛用于其他领域。Marialuisa等人提出,机器人辅助训练项目可以改善亚急性和慢性中风患者的上肢运动功能。能诱导感觉运动网络的特定变化。因此,训练MI-BCI对中风患者的康复训练是有效和重要的。然而,为了提高这些结果的可靠性,还需要更多样本量的研究,以探索智能运动辅助康复对受试者大脑皮层的影响。
# 总结和未来方向
MI-BCI系统中对外部设备的控制已经从单一的MI唤醒范式逐渐发展到混合范式,该系统增加了机器人的控制指令,使机器人的功能更加多样化。在分类问题的研究中,随着计算机硬件技术的发展和计算机计算能力的提高,深度学习算法在促进BCI技术的发展方面有很大的潜力。
目前,MI-BCI技术仍处于快速发展阶段,在信号处理或异步控制研究方面,仍有许多问题和挑战有待解决。在未来的研究中,混合范式的创新和深度学习的日益成熟将极大地提高MI-BCI控制的机器人系统的整体性能。基于MI训练的康复机器人对中风患者上肢运动功能的恢复将是一个研究的热点领域。混合模式的创新可以提高患者的参与度,激发患者的运动意向,提高机器人辅助康复的效率。开发具有良好鲁棒性、能够纠正某些分类错误和较强自适应学习能力的康复训练机器人,将为医疗机构提供辅助脑卒中患者功能恢复的工具,可以改善传统治疗方法,更有效地帮助患者恢复受伤的运动功能。
参考:
https://www.sciencedirect.com/science/article/pii/S266724132100001X
—— End ——
仅用于学术分享,若侵权请留言,即时删侵!
更多阅读
他山之石丨Nature:AI模型越大越好吗?
Nature子刊:硬膜外刺激脊髓治疗脑卒中
意念控物——让科幻变成现实
上海交大教授卢策吾深度解读“具身智能”
预见2023:《2023年中国脑机接口行业全景图谱》
这个脑机接口实现每分钟超60个单词的意念说话
人类意识的大脑模式
加入社群
欢迎加入脑机接口社区交流群,
探讨脑机接口领域话题,实时跟踪脑机接口前沿。
加微信群:
添加微信:RoseBCI【备注:姓名+行业/专业】。
加QQ群:913607986
欢迎来稿
1.欢迎来稿。投稿咨询,请联系微信:RoseBCI
2.加入社区成为兼职创作者,请联系微信:RoseBCI
一键三连「分享」、「点赞」和「在看」文章来源:https://www.toymoban.com/news/detail-756255.html
不错每一条脑机前沿进展 ~ 文章来源地址https://www.toymoban.com/news/detail-756255.html
到了这里,关于综述:运动想象脑机接口控制机器人的研究的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!