神经反馈对运动参数想象脑电的调节机理及脑控机器人应用

Brain-computer interface（BCI）is a new type human-computer interaction technology by which motor control can be directly restructed by brain signal bypass peripheral nerves and muscles. BCI can be strategically used for military purposes and also provide auxiliary control for severely movement disabled persons and healthy persons so as to improve the quality of their lives. The traditional BCI based on motor imagery only identifies limb types involved in imagined movement,and thus it does not provide kinematic parameters and only a small amount of direction control commands which are difficult to meet the flexible motion control.Although a new BCI based on motor parameters imagery can compensate for this limitation to some extent, subjects operating the BCI is difficult to produce EEG features which have significant difference and good separability among motor parameters imagery.This project intends to focus on exploring the mechanism of neurofeedback regulating EEG activity related to motor parameters imagery in order to look for the strategies and methods which subjects can produce EEG features having significant difference and good separability.Using multivariate analysis of variance and multiple comparisons method, we will reveal the laws for neural oscillations, movement-related cortices potentials (MRCPs) and synchronization activity between brain areas related to motor functions which are associated with imagined motion speed and gripping force variation and extracted by time-frequency analysis method, average technique and coherent algorithm.At the same time, the neurofeedback technology is optimized by these laws and the prototype system is builded for the BCI to flexibly control of a humanoid robot ' movement by the single-trial recognition algorithm of imagined motor parameters based on EEG.

脑机接口是一种新型的人机交互技术。该技术可直接由脑信号重建运动控制，可以战略性地用于军事目的，也可为严重运动残疾人和正常人提供辅助控制，从而改善生活质量。传统基于运动想象的BCI仅识别想象运动的肢体类型，不提供运动的参数，只提供少量的方向控制命令，难于满足灵活的运动控制。虽然新的基于运动参数想象的BCI在一定程度上可弥补此局限，但该类BCI的被试难于产生差异显著、可分性好的脑电特征。本课题拟聚焦探索神经反馈对运动参数想象相关脑电活动的调节机理，以寻找被试能产生差异显著、可分性好的脑电特征的策略和方法。采用多因素方差分析和多重比较方法，揭示由时-频分析方法、平均技术和相干算法提取的与运动速度和握力变化想象相关的神经振荡、运动相关皮层电位和运动功能脑区之间的同步活动规律。同时，利用该规律来优化神经反馈技术，采用基于脑电运动参数想象的单次识别算法，构建该类BCI灵活控制仿人机器人运动的原型系统。

脑机接口（BCI）是一种变革性的人机交互技术，其中运动想象BCI是一类重要的BCI，可直接由脑信号重建运动控制，可望战略性地用于军事目的，也有望为严重运动残疾人和正常人提供辅助控制，从而改善生活质量。传统基于运动想象的 BCI 仅识别想象运动的肢体类型，不提供运动的参数，只提供少量的方向控制命令，难于满足灵活的运动控制。虽然新的基于运动参数想象的 BCI 在一定程度上可弥补此局限，但该类 BCI 的被试难于产生差异显著、可分性好的脑信号特征，并且多数基于EEG单一信号特征解码，解码精度有待提高。本课题主要研究内容为：设计新的运动参数想象实验范式；基于EEG和fNIRS，研究运动速度和握力变化模式及其想象对这两种脑信号的调制，然后开展单次识别研究；观察并总结神经反馈对运动参数想象相关脑电活动的调节现象；研制运动参数想象脑电神经反馈技术并进行反馈形式和内容的优化，提高友好性和有效性；构建基于运动参数想象脑电神经反馈的BCI脑控仿人机器人或智能小车运动的原型系统。提出了一种基于EEG–fNIRS的混合BCI方法，两类信号联合特征用于解码握力和握速运动想象（二分类），取得了89%±2%的精度，比单独采用EEG或fNIRS特征提高了1%至5%的精度; 研究还表明，在想象握力和握速的（0，10）s期间内，HBO首先呈负向变化趋势，随后出现负峰值。负峰之后，在想象运动结束后约6-8秒左右出现具有正峰值的正向变化趋势。在（−2，1）s期间，脑电可能指示了在给定的想象握力和握速的准备、执行和监控期间的神经加工；结合NIRS和EEG特征，利用SVM分类三级的想象力（20/50/80% MVGF（最大自愿握力）和三级的握速（0.5/1/2 Hz）。NIRS-EEG融合特征的平均分类准确度为0.74±0.02。这些结果可能为基于NIRS-EEG的脑控机器人提供增加的力和速度控制命令。采用MI心理策略，通过实时呈现该心理活动相关EEG信号特征的能量柱形图给受试者，训练受试者快速掌握MI技能并调节其EEG信号的活动，并以MI多特征融合和多分类器决策相结合的方法，从而在线脑控智能小车。训练组（实验前接受设计的神经反馈系统训练）取得平均、最高和最低的识别率分别为85.71%、90.47%和76.19%。