基于视觉图形刺激的脑-机本征成分增强与识别研究

Working of a brain computer interface (BCI) relies on reliable recognition of specific intrinsic components in electroencephalogram signals. However, these components are very weak compared to background noises, and their characteristics may also vary with day-to-day changes of mental states and environmental conditions, causing possible instability of BCI classification performance in daily use. In our preliminary study, we found that the intrinsic components can be enhanced by a kind of varied visual pattern stimulus, which in the end significantly improved classification accuracy of the BCI. Distinctive from the traditional way of stimulus presentation, the visual pattern stimulus is of both complexity and variability in stimulus shape. Its effectiveness might arise from activation and enhancement of activities of certain neurons related to shape recognition and novelty detection, probably located in the occipito-temporal and frontal areas of the cerebral cortex. To explore effects of visual pattern stimulus on intrinsic components of BCI, as well as to solve the problem of performance instability, in this proposal, we plan to focus on two topics about the BCI based on the new stimulus: (1) Characteristics of the elicited intrinsic components and their change rules in daily life; (2) Adaptive recognition methods. The goal is to reveal the time and spatial characteristics, influence factors, as well as the dynamic change rules, of the elicited components, and accordingly, to propose an efficient adaptive learning method for BCI updating, with high classification performance and low computational load. Findings of this study will help to formulate significant features of the intrinsic BCI components elicited by visual pattern stimulus, and also hopefully resolve the instability problem of a BCI in daily use.

脑机接口依赖对脑电信号中本征成分的识别。然而，这些成分比较微弱，且可能随日常心理与环境因素的改变而发生变化，影响脑机接口的性能稳定。申请者发现，使用一种多变的视觉图形刺激，可有效增强本征成分，提高脑机接口的识别精度。有别于传统的刺激方式，视觉图形刺激兼具刺激形状的复杂性与可变性，其作用机理可能源于大脑皮层枕-颞区及额区某些与形状认知及新异检测有关的神经元的激活与活动的增强。为探究视觉图形刺激对脑-机本征成分的影响，并解决本征成分增强与识别稳定性的问题，本项目拟基于视觉图形刺激研究：(1)本征成分的特征与变化规律；(2)自适应识别方法。拟通过研究，揭示所述本征成分的时空特征、影响因素以及在日常应用中的动态变化规律，继而有针对性地提出具有较高识别精度与计算效率的自适应学习算法，提高脑机接口的自适应能力。预期研究成果将有助于获得关于视觉图形刺激所诱发本征成分的重要特性，解决脑机接口的稳定性问题。

脑机接口通过对头皮脑电信号中本征成分的解析，实现脑机通信与交互目的。然而当前脑机接口通信性能低且欠稳定，究其原因，其一是本征成分极低的信噪比致使检测难度增加，信息传输速率下降，其二是在长期使用中本征成分可能受心理与环境因素的影响而发生非平稳变化，致使已建立的解析模型失效，性能退化。为解决这一问题，本项目以我们在前期研究中发现的多变视觉图形刺激可引发本征成分特异性增强的现象为出发点，分别从本征成分特征分析、自适应识别方法两个方面展开研究。通过对本征成分特征的分析，揭示其影响因素和内在神经认知机制，寻找改善信号强度、提高识别性能的方法，同时通过对自适应模型方法的研究，寻找应对本征成分非平稳变化的方法，提高脑机接口的稳定性。.本项目主要研究工作包括以下方面：. 第一，在实验开展方面，提出正交与关联范式，开展脑机接口实验，研究了人脑对复杂可变视觉图形模式的认知加工过程，揭示了几何图形刺激与人脸、物体图像刺激之间在脑机交互性能与本征成分空间、时间特征方面的差异，发现了注意对相关认知加工的调节作用，提出了利用局部化活动驱动脑机接口以降低系统复杂度的方法。. 第二，在数据处理方法方面，针对本征成分混叠严重、难以准确估计的问题，系统地建立了ERP Speller的信号分析、分解理论模型，提出瞬态与稳态成分分解的概念与相关评估检验方法；针对本征成分微弱的问题，提出相关空间投影算法，结合深度学习神经网络，可获得较高的识别率；针对本征成分非平稳变化的问题，通过APSM模型优化，提出基于收缩闭球投影的自适应识别方法。. 第三，在实验平台搭建方面，针对BCI2000脑机接口实验平台时间精度不高，无法满足所需认知与行为研究条件的问题，开发具有高时间精度的帧同步驱动模块、多刺激任务模块及行为记录模块，集成深度神经网络执行模块，开发了同便携式脑电采集器等多种信号前端设备的数据传输接口。.