功能性脑连接网络研究及其在被动脑机接口中的应用

Brain computer interface (BCI) provides a pathway through which brain can directly output commands and a manner by which brain states can be detected by means of decoding electroencephalogram (EEG) measured from the human scalp. This project aims to explore brain inter-regional connectivity relevant to different levels of workload, to construct brain connectivity network, and to reveal its topology and the dynamic changes of the topology relevant to workload. Furthermore, we will explore the representation of multi-layer connectivity network and define new quantitative measures, which are used to analyze complex brain connectivity. The aforementioned investigations will be done in both sensor space and source space. Their similarities and differences will be compared and clarified. In addition, the tensor algorithm combining relationships of domains of time, space, and frequency will be developed to extract features existing in the brain connectivity network. Constraints, such as non-negativity, sparsity, can be employed to restrict decomposed components in order to obtain better features representing workload-related connectivity. Finally, a connectivity network-based passive brain computer interface will be developed according to the results of brain connectivity exploration, which completely differs from the current BCIs that are based on spectral power in a specific band or event-related potential in a specific period. This project provides a new perspective for the research of brain computer interface.

脑机接口通过解码大脑的脑电信号，提供大脑直接输出指令的通道与检测大脑状态的窗口。本项目拟研究在不同工作负荷下脑内区域之间的连接关系，构建脑连接网络，揭示脑连接网络的拓扑结构以及连接网络拓扑结构在工作负荷下的动态变化。进一步研究多层连接网络的表征，定义新的多层网络的拓扑结构量化指标，用于分析大脑复杂的连接关系。首先研究在测量空间的脑连接网络，然后拓展到源空间脑连接网络的研究，对比分析脑连接网络在不同空间中的异同点。研究高阶张量在提取脑连接中的应用，结合时间-空间-频率多维空间的相互关系构建张量特征提取算法，并且采用非负、稀疏等约束条件发展适合连接网络特征提取的鲁棒算法。根据以上脑连接网络的研究结果，构建基于脑连接网络的被动脑机接口系统。这种基于脑连接网络的脑机接口系统完全不同于现有的基于特定频带能量、特定时间段内事件相关电位的脑机接口系统，为脑机接口的研究提供了新的途径。

脑机接口是一种人类大脑直接与外界沟通的新型通道，不仅可以辅助残疾人恢复失去的运动和交流能力，也可以用于正常的健康人，为他们提供额外的交流通道。正因为脑机接口具有不可估量的前景与价值，大家纷纷投入到脑机接口的研究中。虽然在脑机接口的研究中已经取得了巨大的进展与成果，但是还有很多需要攻克的地方。比如，现有模型的鲁棒性还是没有足够好。在脑机接口系统中，大都基于特定频带能量或者特定时间段内事件相关电位来提取特征。本项目为了弥补以上的不足，研究了功能性连接网络和深度学习算法，取得了一些成果。其中重要的内容和结果为:（1）通过研究不同的特征类别和不同的特征融合方法，提出了连接特征和频带能量特征融合的方式，在工作负荷分类中验证了此特征融合方式的优越性。（2）为了降低EEG信号非平稳性对于分类性能的影响，提出了隐空间编码的胶囊神经网络。在隐空间中用正态分布建模特征的概率分布。避免了特征映射中僵化的一一对应关系，提升了模型分类的鲁棒性。（3）提出了开发神经影像数据分类模型的新思路。不仅要从机器学习方面进行考虑，也要从神经影像数据采集的源头大脑的生理特性来考虑。基于此思路，提出了面向大脑结构的多卷积核胶囊神经网络。与其他深度学习模型对比中，所提出的模型取得了更好的分类性能。（4）提出了胶囊dropout和列卷积核，更适用于从大脑收集的神经影像数据。 5）基于以上研究成果，构建了用于检测工作负荷的被动脑机接口系统。本项目的研究不仅在深度学习上提出了新颖的模型，而且提供了一种切实可行的针对神经影像数据分类的模型开发思路。此外，本项目的研究成果提高了脑机接口中模型的鲁棒性，将会进一步促进脑机接口的实际应用，从而有利于人类和带来经济效益。