【原】脑活动和基于脑电图的脑机接口在康复中的应用

中风是世界范围内致残和死亡的主要原因，肢体运动丧失是一种常见的结果。康复训练对中风患者至关重要，脑机接口（BCI）已成为改善中风后患者运动恢复的一项有前途的技术。BCI使患者能够利用大脑信号与周围环境进行交流，克服肢体的运动障碍，与传统的康复方法相比具有优势，例如使用闭环、以患者为导向的刺激运动。临床研究表明，使用BCI康复系统可以显著改善运动恢复。然而，仍有一些挑战需要克服，如准确性、稳定性和实时数据处理技术。因此，有必要进一步研究开发创新的BCI范式，以提高BCI康复系统的有效性和实用性。

侵入性和非侵入性BCI系统可以通过收集大脑信号来衡量受试者的意图。皮质电图（ECoG）和脑电图（EEG）分别成为最常用的有创和非侵入性方法。这些方法成功地利用这些信号的高质量空间和时间特性来解码生物力学参数。然而，由于接受手术的危险和记录数据的逐渐恶化，侵入性电极具有很大的缺点。因此，非侵入性技术在人类受试者中变得更加普遍。非侵入性技术包括脑磁图（MEG），近红外光谱（NIRS），功能性磁共振成像（fMRI），核磁共振成像（MRI）和EEG。基于EEG的BCI技术因其无创、低成本、易于使用、适应性强等特点，成为了人们关注的热点。同时，EEG信号也为残疾人和脑卒中患者提供了重要的脑控辅助和康复设备。基于BCI-EEG的解决方案的成功与否取决于EEG信号的特性和后续处理方法，因此对于信号的强度及其后续处理的精确性和可靠性的提高是非常重要的（图1）。

▲图1 脑电信号规则是BCI-EEG康复系统的主要要素。

建立适用于特定应用的基于EEG的BCI系统需要仔细选择适合所有实验阶段的范式和协议。每个范式都有其优缺点，应充分考虑患者身体状况和用户友好性。BCI系统有两个应用方向，一个是通过查看脑活动来控制外部设备；另一个则是闭环BCI系统，能够在恢复神经可塑性训练或调节脑过程中发挥关键作用。为了开发适用于特定应用的基于EEG的BCI系统，应选择适合所有实验部分的适当范式和协议。目前已经发表了几篇关于BCI康复系统的综述论文，但是这些文章中很少详细描述BCI系统在不同领域的应用，如何将BCI概念应用于这些系统、驱动模式和控制策略。研究人员在这篇文章回顾了过去五年BCI系统的当前发展情况，并概述了EEG、BCI、基于内源性和外源性EEG信号的不同范式及其优缺点，以及在不同应用领域中内源性和外源性的适用性，除了控制策略外，还包括EEG信号预处理和分类。最后综述了基于辅助机器人和虚拟现实技术的最新BCI康复应用。

    EEG和BCI概述

EEG是BCI应用中最常用的脑信号。EEG测量脑内神经元产生的电流所产生的脑活动电信号，通过将电极放置在头皮上，可以非侵入性地检测到EEG信号。电极放置有不同的放置系统：（10-5）、（10-10）和（10-20）EEG系统；其中最有前途的系统之一是（10-20）系统（图2）。EEG信号具有非侵入性、低成本、兼容性强、便携式、高时域分辨率等优势，这些因素促成EEG信号应用的广泛性，使其成为最常用的测量脑活动的工具。此外，它价格合理，具有出色的时域分辨率（1毫秒）。然而，它的信号质量较差，容易受到干扰，空间信号分辨率较低。

▲图2将EEG表面电极放置在头皮上的（10-20）系统。

基于脑电信号的BCI系统主要依赖于脑电信号如何被区分，这取决于刺激方法是内部还是外部。在内源性BCI技术中，EEG是独立于外部刺激产生的，可以完全自由地由个体调节。对于有神经问题的患者，它也有助于更自然、更自发的交互。然而，这通常需要比SSVEP和P300更长的训练时间和更低的比特率。感觉运动节律（SMR）和慢皮层电位（SCP）是内源性脑电信号的两个典型例子。SMR可以承受两种幅度调制：事件相关同步和事件相关失同步。感觉运动节律由mu和beta节律组成，这是不同频率的脑活动，分别出现在mu（7-13 Hz）和beta（13-30 Hz）频带中。感觉运动节律对于运动想象任务非常重要，即使没有有效的运动存在。因此，使用感觉运动节律创建内源性BCI可以提高实用性，这比外源性BCI在实际应用中更有帮助。

外源性诱发电位如SSVEP和P300，是对外部刺激（如视觉或听觉线索）做出反应而产生的EEG信号。SSVEP是对不同频率的视觉刺激的反应，P300大约发生在受试者注意到外部刺激后约300毫秒，这些信号被用于外骨骼机器人中，以向外骨骼提供控制信号。在SSVEP中，向用户呈现几个控制输入，例如向前移动和向左移动，受试者可以通过聚焦特定的LED来选择这些控制输入。例如，Kwak等人使用外骨骼上连接有五个LED的视觉刺激屏幕来刺激SSVEP。每个LED指示不同的控制指令，例如站立、向前走和向左/向右转弯。P300不需要任何训练，但它的数据传输速率比SSVEP慢。用户通过选择编程到系统中的几个潜在指令之一来触发P300反应。SSVEP和P300都具有几乎不需要受试者训练并且实现高达60比特/分钟的高比特率的优点。然而，用户必须始终关注外部提示或刺激，用户可能很快就会因为强烈的刺激而感到疲劳，这限制了它们的应用。

    脑电控制策略

在人机交互控制领域，已经建立了各种控制机制。这些机制包括基于外骨骼的用户意图预测或跟踪、使用EEG信号的低级别直接控制以及基于EEG信号进行的人类运动意图（HMI）控制。使用这些方法可以控制不同类型的机器人，包括外骨骼、机械臂、轮椅和其他机器人。BCI有几种EEG过程，包括稳态视觉诱发电位（SSVEP）、事件相关电位（ERP）、SCP和SMR。混合脑机接口（hBCIs）也已被开发用于同时检测至少两种不同的大脑模式。研究人员正在寻求识别多个大脑区域，以增加命令的数量，提高分类准确性，减少信号检测时间，缩短大脑命令检测时间。

总体而言，基于脑电图的控制机制的使用已被证明在帮助患有肌肉萎缩、肌萎缩侧索硬化症和中风等疾病的个体康复方面是有效的。BCI信号可以使用头皮电极捕捉，并转换为控制机器人的命令，这使其成为一种流行的非侵入性技术，用于捕捉大脑活动。

1、脑电图信号准备

BCI系统包括四个主要组成部分，分别是信号采集、信号预处理、特征提取和分类（图3）。要使用EEG信号操作上肢或下肢外骨骼等外部设备，个体必须生成各种大脑活动模式，这些模式将被识别并转换为控制命令。经过对检测到的大脑信号进行预处理去除伪影，并为机器学习准备信号，将EEG信号转换为操作终端设备的控制命令。特征提取阶段从这个过程开始，然后在必要时将提取的特征提交给缩减过程。最后，根据任务将新投影的特征向量划分为不同的类别。通过这一系列的步骤，BCI系统可以实现人脑和外部设备之间的交互操作。

▲图3 HMI的EEG信号处理。

2、特征提取

基于EEG的BCI中的特征提取阶段负责识别记录的脑信号中的相关信息，然后将这些信息映射到不同的处理向量中进行进一步分析。各种技术可以用于特征提取，例如自回归模型、离散小波变换、小波包变换和样本熵。为了管理冗余和不相关的信息，采用了特征选择方法，例如基于二进制粒子群优化（BPSO）的全局优化策略。可以进行类别可分性实验来评估特征提取的效果，例如使用从观看包含不同情绪刺激的图像的健康受试者记录的头皮EEG数据。使用基于统计的特征选择来确定最有用的EEG特征，这优于手动或多变量选择。使用不同的分类技术，包括支持向量机、k近邻、线性判别分析、朴素贝叶斯、随机森林、深度学习来使用最有效的特征对情绪进行分类。此外，最近提出了平稳子空间分析（SSA）来处理EEG数据的非平稳性。在检索到特征向量后，它被用来训练BCI的分类器。

3、分类

脑电在人类认知中的复杂结构很容易受到微小变化的影响，因此BCI系统需要一个高效且鲁棒性高的分类器，来使用特征向量识别用户意图。虽然回归方法使用特征来预测用户意图，但分类技术是目前最优选的选择。分类算法使用提取的特征来创建特征空间中各种目标之间的边界，并可以检测运动图像BCI中不同的运动活动。例如，已经使用EEG和fNIRS的组合来检测手指敲击和手臂运动。

此外，机器学习和深度学习技术已被用于识别基于EEG的BCI系统，在每一次连续的会话中，机器学习技术都允许BCI从受试者的大脑中学习，修改生成的用于分类想法的规则，从而提高系统的有效性。深度学习方法已被证明可以提高分类精度，还可以检测原始数据中的潜在结构或模式。目前，已经实现了各种分类算法，如k近邻（k-NN）、多层感知器（MLP）、决策树[92]、卷积神经网络（CNN）、线性判别分析（LDA）、支持向量机（SVM）[79]，其中SVM分类器优于LDA和k-NN等其他分类器。比较LDA、SVM和反向传播神经网络（BPNN）的分类精度时，前两种分类器产生了相似的高精度，比BPNN更显著。与PCA相比，递归神经网络（RNN）获得了94.5%的控制准确度和0.61 ms的时间成本，而PCA算法获得了93.1%的控制准确率和0.48 ms的时间成本。基于CNN的深度学习框架用于MI相关EEG信号的受试者间连续解码，使用自适应矩估计和随机梯度下降产生71.49%和70.84%的平均连续解码精度。模式识别步骤在特征分类步骤之后，这意味着EEG信号已经被分类为不同的形状，并且需要随后的步骤来确定模式识别。特征分类步骤在统计学、工程、信号处理和机器学习等领域具有各种类型的应用。

    EEG在BCI系统中的应用

EEG信号可以提供从大脑到几个外部设备的通道，为残疾人提供大脑控制的辅助设备，为中风和神经系统异常患者提供大脑控制康复设备。轮椅和通信帮助系统等控制设备已使用脑电图信号进行编程，如图4所示，在过去的十年里，不同的脑电图方法已被证明是控制康复和辅助设备的可行策略。

▲图4 BCI系统的应用。

1、BCI辅助机器人康复应用

2016年，德国图宾根大学医院应用神经技术实验室对6名年龄在30±14岁之间的截瘫受试者使用了混合型无创神经手外骨骼，以控制瘫痪的腕指屈伸运动，如图5所示。他们通过将眼电图（EOG）和EEG信号无线传输到平板电脑来控制手部外骨骼，使用平板电脑进行信号预处理，并将最终信号记录转换为控制命令，然后将其发送到控制箱，再通过柔性电缆系统将信号发送给执行器以移动手部机构。他们的系统证明了辅助脑/神经系统可以帮助截瘫患者独立完成日常活动，例如拿杯子喝水，用餐具进食或操纵不同的物品。

▲图5 控制手部外骨骼的工艺方案。

2019年，Zhang Jinhua等人考虑到病人手部康复的需求，如图6所示，他们使用EEG、EOG和肌电图（EMG）三种生物信号创建了一个多模式人机界面系统。他们使用生物信号为多任务实时软辅助机器人生成多控制命令。此外，他们调查了患者对使用可穿戴手进行机器人辅助手部运动的接受程度（图7）。为了应用EEG、EOG和EMG的概念，他们雇用了6名受试者，进行EEG假想流动马达、EOG左/右注视实验和不同手部运动的EMG实验。受试者花费不到2分钟来设置EEG/EOG模式参数。实验情境如下：2秒黑屏，然后屏幕中央有一个十字架，持续到4秒；之后，出现一个带虚线边框的提示图片，持续2秒。对于EOG，屏幕上会出现左/右箭头，指导受试者通过左/右眼跟踪箭头，然后使其眨眼。EEG模式是想象屏幕上的左/右手运动作为提示，持续2秒。训练时，EOG和EEG模型包含10次试验，包括5次左箭头和5次右箭头，5次左手和5次右手MI。使用这个模型，可以实现的控制命令数量明显高于其他单一模式。这个多功能模式实现了93.83%的分类精度和47.41比特/分钟的信息传输率

▲图6 （A）BCI的原型及其实验条件；（B）软机械手的控制方案。

▲图7 手部动作的结果展示。

2020年，N. Cheng等人研究了基于BCI的软式机器手套与软式机器手套在中风康复进展上的影响。共招募了11名慢性中风患者进行24周的实验，并将其分为两组（6名患者使用BCI软式机器手套，5名患者使用软式机器手套进行日常生活导向任务）。BCI软式机器手套组使用BCI运动想象为基础。软式机器手套组使用软式机器手套协助患者受影响的手完成日常活动任务。在BCI-软式机器手套组中，患者通过计算机屏幕了解到预定的任务，通过想象任务进行运动想象。然后，使用EEG帽收集被试的EEG信号，并检测出其ERD / ERS。采集系统发送两个控制信号，一个用于激活机器手套的执行器，协助手部进行特定的手指运动任务，另一个用于计算机屏幕，播放成功的特定手部运动任务的动画，如图8所示。在前六周，两组没有显著变化。但是在此之后，所有使用BCI软式机器手套的患者都宣布感受到中风患侧手部的轻微运动，其中有三名患者在24周内仍持续感受到这种感觉。在整个24周中，没有一名仅使用软式机器手套的患者有这种感觉。研究结果表明，BCI与软式机器手套训练相结合，以ADL为导向的中风康复具有潜在的长期益处和对运动动作的快速感知。

▲图8 BCI辅助软机器人手套。（A）用于中风康复的设置；（B）装置图解概述。

2021年，Mads Jochumsen等人开发了一种廉价的BCI系统，使用3D打印手腕外骨骼，并通过开源的BCI进行控制（图9）。该旨在克服BCI在康复领域应用的主要障碍，即成本和易用性，并检查其系统是否能够模拟神经可塑性。实验包括11名健康受试者，他们通过想象特定的右手腕运动来操作外骨骼，并测量了BCI系统的真阳性率和误检测率。研究结果表明，BCI系统的真阳性率为86.12%，每分钟有1.20±0.57个误检测。同时，MEP立即在BCI训练后增加了35-60%，在训练前30分钟增加了67-60%。然而，BCI表现和可塑性诱导之间没有相关性。研究发现可能有助于BCI技术在家庭康复中得到广泛应用，但需要提高用户的使用能力，并进行更多的中风受试者实验。

▲图9 基于开源的BCI进行控制的3D打印手腕外骨骼示意图。

2、BCI虚拟现实康复应用

Kathner等人在2015年开展了一项研究，探讨了在P300-BCI系统中，使用VR设备是否能够实现和传统显示屏相同的数据传输速度和准确度。他们选取了18名受试者，并要求他们在在线拼写任务中尝试三种不同的呈现方式，如图10所示。第一种方式使用了一个标准的5x5薄膜晶体管矩阵屏幕，第二种方式在虚拟现实场景中展示了相同的5x5屏幕，并填充了受试者的视野，第三种方式则类似于第二种，但只在受试者视野中显示了5x5矩阵中的一个字母。实证研究表明，三种呈现方式的在线拼写准确率都很高，分别为96％、96％和94％，这意味着VR设备可以实现与传统平板显示屏相同的精度和快速的P300-BCI数据传输。

奥地利林茨约翰内斯·开普勒大学的Ortner等人发现将VR系统与基于MI的BCI技术相结合，可以提高神经系统疾病（尤其是运动障碍患者）的恢复效率。他们通过使用MI-BCI系统在VR场景中训练中风患者，让他们想象左右运动，并将这种想象作为一种常见的中风康复技术。研究人员还优化了算法，将分类平均误差降低到了9.6％。此外，其他研究人员提供了额外的证据，证明神经系统疾病患者可以通过使用基于运动想象的BCI系统，在虚拟现实场景中想象和模拟不同的动作，以执行旨在神经可塑性训练，帮助受伤的运动神经通路恢复。

2018年，罗马尼亚亚西工业大学的Robert Lupu及其团队提出了一种新型的中风康复治疗方法。该方法将患者置于虚拟环境中，由虚拟治疗师组织活动，使用虚拟现实Oculus Rift设备恢复大脑功能。该方法利用电刺激器帮助患者进行康复活动，并使用BCI系统和脑电图设备验证运动是否正确进行。BCI-FES TRAVEE子系统由刺激部分、BCI监测设备、EOG、VR耳机和计算机组成，。该系统主要关注屈曲和伸展动作。在实验中，患者坐在普通椅子或轮椅上，将FES电极放置在前臂伸肌上（图11）。在连接VR头戴式耳机之前，先放置EEG头盔和EOG电极，治疗师坐在患者面前，向他展示以下图像，以描述他将看到的内容：如图12所示，虚拟治疗师将举起他们的手，根据虚拟治疗师的指示，屏幕的左上角或右上角会出现一个大箭头，患者也会听到来自左侧或右侧的声音。安装VR设备和校准EOG系统后，就可以开始恢复训练，但只有在实际治疗师通知患者可以在两种视图之间进行选择（正面视角或镜像视角）后，才能进行治疗。在该系统中，受试者不受周围事件或真实环境的干扰，只沉浸在虚拟现实中。虚拟治疗师向受试者展示如何做每一项运动，并每次显示一个红色的大箭头。眼睛跟踪系统检测患者何时失去注意力并发出警告。与其他研究相比，该系统实现了较低的控制错误率。

▲图10 （A） 眼镜的视野。在（A）中，用户看到五乘五矩阵，屏幕是固定的。在（B）中，用户只能看到五乘五矩阵中的一个字母，受试者移动头部以专注于特定的字母

▲图11 BCI-FES子系统和执行康复训练控制命令的患者

▲图12 VR环境。

    讨论

P300-BCI系统具有成本低、可靠性高和应用多样化等优点，因此可用于康复治疗。为了提供更沉浸式的体验，许多研究小组将P300与VR技术相结合，以帮助神经疾病的康复。MI为BCI研究和实施提供了坚实的基础，并且MI-BCI和VR系统的组合可以增加运动障碍患者康复训练的有效性。然而，在VR反馈中，存在开发和实施上的障碍，包括分散注意力和VR设备使用不一致。为了解决这些问题，研究人员对几种BCI反馈和VR平台进行了测试，发现最有前途的是使用MI-VR新型多平台原型，通过在利用头戴式显示器的VR环境中提供多模式反馈来改善注意力。综合对比沉浸式VR环境、感觉刺激和MI后，NeuRow系统是一种有前途的VR-BCI系统，可以提供MI驱动的BCI的整体方法。

参考来源：

A Review of Brain Activity and EEG-Based Brain–Computer Interfaces for Rehabilitation Application

—— End ——

仅用于学术分享，若侵权请留言，即时删侵！