基于静息态的近红外脑机接口（fNIRS-BCI）空间滤波算法

今天为大家介绍北京航空航天大学汪待发教授所发表的论文：<基于静息态的近红外脑机接口（fNIRS-BCI）空间滤波算法>

摘要

近年来，基于功能近红外光谱(Functional near-infrared spectroscopy, fNIRS)的脑机接口(brain-computer interface, BCI)，具有时间分辨率和空间分辨率均相对适中，便携可移动，操作简单方便，不受电磁干扰的影响等优点，受到越来越多研究者的关注。但目前，基于fNIRS的脑机接口往往需要大量的训练数据来优化空间滤波器和分类器，需对被试进行较长时间的训练，导致BCI的使用成本高，难以实际应用。神经科学中的研究揭示了大脑的时空模式在静息态（resting-state）和任务态（task-state）之间的高度相关性。基于此，本研究提出了基于静息态独立成分分析（resting-state independent component analysis , RSICA)的空间滤波算法，旨在从静息态中提取出与想象运动任务有关的大脑时空模式，进而应用于任务数据的滤波和分类中，从而减少训练数据量。与传统的共空域模式(Common spatial pattern, CSP)和shrinkage算法的相比，在左右手想象任务的分类中，RSICA算法的分类准确率提高了大约7% (RSICA, CSP, shrinkage: 69.8±12.1%, 63.3±10.3%, 63.4±11.8%)。并且，RSICA仅需22个训练试次即可达到70%的分类准确率，而CSP则需要36个训练试次。相比传统算法，RSICA算法只需少量训练样本即可达到较高的分类准确率，降低了用户的训练时间和负担，具有较大的应用潜力。

研究方法

被试

本研究随机招募了10名男性健康被试，均为右利手，平均年龄为22.2±3.1岁，年龄范围为19至26岁，具有正常的听力和视力（或矫正视力达到正常）。

  

探头排布和实验范式

本研究使用丹阳慧创医疗设备有限公司的NirScan近红外脑功能成像仪器进行数据采集，使用了13个发射器和12个探测器，组成38个通道。发射器和探头布置在初级感觉运动区。

  

探头排布和实验流程

实验包含两个部分：静息态和左右手想象运动任务。首先进行8分钟静息态数据采集。在静息态数据采集过程中，被试需闭上眼睛，不进行特定的思考，保持头脑清醒即可。静息态数据采集完成之后，被试根据电脑屏幕提示，开始进行想象运动。想象运动为左手运动想象或者右手运动想象，每个任务各包含20个试次，任务顺序随机。

RSICA算法

RSICA算法的具体流程如下。

  

RSICA算法流程

首先，对采集到的n通道静息态数据做ICA分解，得到不同的独立成分和对于应的空间滤波器。由于排布通道主要覆盖了感觉运动区，高度偏侧化的独立成分更有可能是与想象运动相关的独立成分，因此，我们提出“偏侧化指数（lateralization index）”来优选出最可能与想象运动相关的成分。优选出与任务相关的独立成分对应的空间滤波器后，将其应用于单试次想象运动数据来提取出任务特异性成分，最后，将用于特征提取和分类。

本研究中，使用斜率和均值作为分类的特征，考虑到2秒的血氧响应延迟，并且任务时间为0-15秒，因此选择2-17秒的时间窗进行特征提取。为了充分利用信息，HbO和HbR的信息均用于特征提取，且RSICA使用了前2个最与想象运动相关的成分，故单试次数据共提取8个特征。本研究使用线性判别分析(Linear Discriminant Analysis, LDA)构建分类器进行分类。

结果

展示了RSICA, CSP（共空间模式）和shrinkage三种算法平均分类准确率。绿色曲线为RSICA算法的平均分类准确率，红色曲线为CSP的结果，蓝色曲线为shrinkage的结果。

  

三种算法的平均分类准确率

随着训练集数量的增大，三种算法的分类准确率均得到提升，并且几乎在所有训练集下，RSICA算法的表现均高于另外两种算法。RSICA算法的分类准确率提高速度较快，只需要大约20个训练试次即可达到近70%的分类准确率。CSP算法的分类准确率在各个训练集情况下，其表现均低于RSICA算法。当训练集达到36个试次时，CSP算法的平均分类准确率达到了70%，以上结果表明，CSP算法更加依赖训练集样本量，在更小的训练集下，RSICA算法表现更加优异。Shrinkage算法对训练集的大小变化不敏感，训练集逐渐增加时，其分类准确率比较缓慢，当训练集大小为38个试次时，其平均分类准确率在68%左右，没有达到70%。

结论

与传统的仅使用任务态数据进行机器学习的算法不同，本研究提出的RSICA算法根据静息态数据中提取的想象运动信息，将该信息应用于任务数据特征提取和分类中，成功实现在少量训练样本下得到较高的分类准确率的目标。RSICA算法能有效减少BCI用户的训练负担，降低了BCI的使用成本，具有较高的实用价值。

Yanchun Zheng, Dan Zhang, Ling Wang, et al., "Resting-State-Based Spatial Filtering for an fNIRS-Based Motor Imagery Brain-Computer Interface," in IEEE Access, vol. 7, pp. 120603-120615, 2019. doi: 10.1109/ACCESS.2019.2936434