文摘
电动机的想象力(MI)的心理过程只有想象动作没有一个真正的运动。MI的研究取得了重大进展特征信息检测和机器学习解码算法,但是仍然存在问题,如整体识别率低、个体差异大的执行效果,使心肌梗死的发展遇到瓶颈。针对解决这个瓶颈问题,目前的研究优化MI原始信号的质量,提高想象力的困难的任务,”进行了定性和定量分析EEG节律特征,并使用量化指标,如ERD平均值和识别率。研究下肢MI的比较分析不同的任务,即高频运动想象(HFMI)和低频运动想象(LFMI)。结果验证以下:HFMI的平均ERD(−1.827)小于的LFMI(α−1.3487)乐队,也(β−3.4756 <−2.2891)乐队。α和β的特征频带,平均ERD HFMI小于LFMI,和的ERD值两个明显不同的( ;r= 0.945)。ERD强度性病HFMI值小于LFMI。这表明ERD强度主体之间的个体差异是较小的HFMI模式比LFMI模式。HFMI的平均识别率高于LFMI(87.84% > 76.46%),和两种模式的识别率明显不同( ;r= 0.429)。综上所述,本研究优化MI大脑信号的质量来源通过增强想象力的困难任务,实现改善的整体识别率的目的下肢MI的参与者和减少个体差异的执行效果和主体之间的信号质量。
1。介绍
最近,模拟练习的方法从大脑受到了人们的广泛关注科学和神经科学领域。同时,模式类似于模拟运动是大脑中的一种独立运动,也就是说,马达的想象力(1- - - - - -3]。电动机的想象力(MI)被定义为没有运动的自己,仅仅依靠自己的大脑来执行的运动想象自己(4]。MI的过程中,它可以增强能力激活大脑中特定的运动功能区域,然后实现改善运动机能的目的(5,6]。此外,运动想象和实际行动执行类似的认知过程,从而揭示运动想象的内在神经机制之间的关系和实际行动执行7]。MI独立和自发性的特点,不依赖于外部的刺激,已广泛应用于neurorehabilitation中风患者,运动训练,脑机接口等领域,已成为研究热点8]。
通过改善病人的下肢MI能够促进他们的腿部运动功能的恢复和增加腿部康复训练效果,MI有可能帮助中风患者家庭远程neurorehabilitation培训的技术支持下5 g通信。因为它是非常重要的量化ERD的价值和可能提供的基础和方便的方式来评估治疗效果的腿康复和运动技能培训的技术支持下,情报数据。家庭远程neurorehabilitation培训和状态或恢复效果评估可以降低治疗成本,避免可预防的疾病尤其是在COVID-19爆发。
先前的研究在MI一直关注分类图像的类型与不同的身体部位,将它们转换为控制假肢的执行人,例如,电脑光标,已经取得了显著的进展在特征信息检测和机器学习解码算法(9,10]。尽管如此,总体识别率很低,大型个人执行效果的差异,和信号质量的差异仍必须解决的问题,这阻碍了应用程序在家庭远程neurorehabilitation [8]。学者的研究已经证实,高频上肢MI可以增强心肌梗死的强度增强想象力的困难任务(11- - - - - -14];它也可能是一个有效的方法对下肢MI和潜在价值了腿运动康复和运动技能训练(11- - - - - -15]。不过,鉴于下肢MI的脑电图信号难以识别,很少有报道的研究下肢MI与不同频率(16,17]。本研究旨在探讨不同频率腿抬高想象任务MI比较高,低频下肢MI,确保HFMI能否增加想象力的困难任务,加强大脑的激活能力电机神经网络的参与者,并改善MI的实现效果。结果表明HFMI可以优化MI的大脑信号的质量,提高识别率,降低个体的差异在某些方面可能有利于腿运动康复和运动技能培训。
部分2处理方法和材料用于构建该模式的研究。这种实验范式是建立在非侵入式测量。部分3礼物的结果比较分析下肢MI的HFMI LFMI。部分4讨论了不同任务之间的差异。随后,结论和未来工作的安排解决。
2。方法和材料
2.1。比较实验
本文主要讨论了区分EEG信号的右腿运动想象不同的视频显示,指示的困难和低频腿升降和设计实验方案的基础上指导(图两种形式的任务1)。
(一)
(b)
(c)
图2显示了实验过程。在实验开始之前,有5秒的准备,对应于实验流程的准备阶段。受试者需要放松和休息很短的时间内,调整自己的状态为实验做准备。他们还要求看,想象时腿部运动举起右腿开始的视频。此外,他们被要求想象与视频操作过程严格MI的第一人称视角。MI之前,会有一个在屏幕上红色圆圈表明它将持续1秒,然后受试者将视频引发的MI任务开始。
在实验中,低频和高频小姐MI出现随机出现相同的概率,各占50%,以确保参与者参加了MI测试没有经过任何训练令人不安的影响。
视频显示参与者的右腿提高在真实场景的视频。当视频显示,右腿提高两次(如图4秒1 (b)),受试者LFMI执行。当右腿提高四倍的视频显示(如图4秒1 (c)),这个话题HFMI执行。右腿的视频提高每次从1秒;持续时间是4秒;4秒的屏幕表现出放松提示;和实验结束。使用诱导视频行为主要是保证所有的受试者都能严格执行MI任务在相同的模式中,振幅,遵循相同的视频测试速度。科目有义务去想象与视频操作过程严格MI的第一人称视角。
2.2。脑电图数据采集和处理的方法
EEG信号收集来自10个健康受试者(4 6雄性和雌性,享年20-26岁)、没有参加脑电图实验之前。在整个实验过程中,他们被要求戴上一个电极帽,轻松坐在椅子扶手,和行为HFMI LFMI实验的要求。实验设备SynAmps2 Neuroscan公司开发的电生理学的放大器。它有64个频道,设置了电沉积的基础上国际10/20体系。在目前的研究中,接地电极放置在中央区域的头;参比电极被设置在鼻子的顶端;采样频率为1000赫兹;带通滤波器是0.1 -200 Hz。滤波器的频带的软件采集设备是0.1和200赫兹之间。我们将通过数据通过MATLAB离线保存,然后执行带通滤波(18]。过滤范围是0.1到30 Hz。在实验之前,确保每个电极的阻抗受到5 k。4.5软件扫描也用于高质量数据采集(19,20.]。
与事件相关去同步(ERD)支持定量分析运动想象的脑电信号。脑电图的ERD现象是减少能量在某些特征频率的脑电波信号。ERD EEG信号定量分析有助于判断运动强度的想象力ERD的平均值的基础上19]。ERD的较小的值对应于MI强度越大。研究了MI脑电图特征频带,平均ERD值是使用以下公式计算: 在哪里n实验和的数量吗 代表了kth能量谱在频率估计f和时间t。当前的研究主要分析了ERSP价值相关的领导在0 - 4秒,外墙面赫兹。
本研究采用频域能量谱分析EEG信号描述EEG信号彻底从频域的角度。该方法适用于测量非线性和复杂的信号,因此,可以适应动态脑电图信号的分析。频域能量谱可以清楚地显示EEG信号的能量变化,及其基本原则如下。
对非线性EEG信号,一个随机变量X可以认为表达特点。的价值X应该设置为{x1,x2、…xn}(n> 1),和相应的概率P表示如下:
满足公式 ,和的概率吗我th。有了这个概率特性公式,非线性系统状态数的平均值可以表示如下:
在这项研究中,我们取代了概率在时域频域的能量谱密度来获取能量的表达式在频域频谱如下(17,21]:
在哪里代表了频域能量谱密度,基于短时傅里叶变换,通过公式推理的发展。它可以描述EEG信号,表达式如下:
从公式(6),motor-imaging EEG信号的频域能量图可以实现,可以获得和特征频率及其乐队在频域能量图。
3所示。数据分析和结果
本研究使用上面的方法来分析EEG数据HFMI和LFMI 10个科目(年代1 -年代10)根据时频图的分析,频域能量分析,ERD量化和CSP特征提取。研究已经证实,下肢HFMI激活大脑更大程度上比LFMI和获得更高的识别率。这表明HFMI可以更好地优化MI的大脑电信来源的质量。
3.1。时频图分析和ERD的结果
使用时频图的方法来分析EEG数据的所有主题,HFMI ERD现象和LFMI,如图3(一个)和3 (b),分别对应于HFMI和LFMI平均时频的10个科目。平均每个时频图获得的平均能量价值的10个主题。α和β的ERD现象乐队标记红色虚线和黑色虚线,分别。
(一)
(b)
图3确认了ERD现象的HFMIα频段8—13赫兹()0 - 4秒比LFMI更明显。二维时频图的定性分析表明,ERD现象造成HFMI由LFMI比这更重要的了。进一步比较的节奏特征ERD现象造成HFMI LFMI,频域分析然后进行脑电图。
3.2。频域能量分析和结果
进一步探索HFMI造成的ERD现象和LFMIα和β的乐队,利用MATLAB编程得到脑电能量和频域能量变化曲线根据公式(1)和(6)。频率对应图中的最低能量值是频率特征。图4给的平均频域能量曲线HFMI和LFMI 10的科目。
横坐标代表频率(赫兹),纵坐标代表平均值(dB)的脑电能量的10个主题对应的频带内的0到4次。蓝色和绿色曲线代表HFMI的脑电图改变能源和LFMI频率;紫色和绿色曲线代表HFMI的脑电图改变能源和LFMI频率;黑色的水平虚线代表基线;紫色的密度垂直虚线代表HFMI的特征频率;和紫色稀疏垂直虚线代表LFMI的特征频率。图4显示的平均频域能量曲线HFMI LFMI的10个主题。的α频段HFMI-induced ERD现象是更广泛的比LFMI, HFMI下降率更大。HFMI触发β频段的ERD现象也更广泛的比LFMI, HFMI有更大的下降率。
3.3。EEG节律特性和结果的定量分析
使用频域能量分析方法分析EEG数据的所有主题,阿尔法HFMI和LFMI每个主体的特征频率可以通过他们的频域能量曲线。特征频率对应的频率最低能量值在频域能量曲线。所以表1获得了;特征频率的频段和重叠区域HFMI和LFMI可以统计分析。
表1显示了α和β的特征频率HFMI和LFMI 10个科目年代1 -年代10。
HFMI的平均特征频率和α乐队中LFMI 9赫兹和10 Hz,分别。HFMI的平均特征频率和LFMIβ频段18赫兹和20赫兹,分别。
此外,如图5的相关分析的特征频率HFMI LFMI表明,之间有显著相关性的特征频率HFMI和LFMI ( ;r= 0.945)。
从表1,我们可以获得α和β特征频带的10个主题(年代1 -年代10)。定量分析后,α特征频带的HFMI 8—13赫兹10科目,和LFMI 8 - 12赫兹;β特征频带HFMI 18 - 23赫兹,和LFMI赫兹17 - 21是区间。的特征频带HFMI大于LFMI。这说明,HFMI的脑电图特点是更重要的比LFMI HFMI可以优化的质量比LFMI脑电图来源。
公式(1)和(2)可以用来获得的平均ERD HFMI和LFMIα和β每个主题的特征频带,然后统计分析给出了10个科目的平均数据,标准偏差(STD), - - - - - -成对的价值t测试和相关性(22]。
表2显示ERD的αβ值的平均特征频段。表中第一列代表主题的序列号,和第二和第三列是HFMI LFMI所有受试者的α特征频段,分别。第四和第五列的平均ERD的价值观是HFMI和LFMI所有受试者的β频带特点,分别。表2展品的ERD均值的总体特征频带中的所有科目HFMI小于的LFMI(−1.827 < 1.3487和3.4756−−<−2.2891),这表明ERD现象LFMI HFMI比这更重要的。此外,性病HFMI价值大于LFMI(0.4960 < 0.5279),显示ERD现象的差异小于HFMI科目中LFMI科目之一。
HFMI的性病价值的β频段大于LFMI (0.6460 < 0.6725)。β的特征频带,ERD值HFMI任务参与者之间的差异很小,和ERD的差异值LFMI任务参与者很小。图6显示生成的统计分析 - - - - - -价值观和r值的HFMI和LFMIα和β频段通过统计分析获得。图6(一)说明HFMI ERD平均值和LFMI明显与α乐队( ;r= 0.811)。图6 (b)显示ERD意味着HFMI之间的相关性和LFMIβ频段( ;r= 0.212)。此外,图5描述的特征频率HFMI和LFMI明显与0 30赫兹的频率范围( ;r= 0.945)。
(一)
(b)
3.4。特征提取和分类分析和结果
分析EEG信号的识别率HFMI和LFMI更直接,8-30赫兹乐队EEG信号的重要选择ERD现象。
研究者拦截相对应的注意力由电动机的想象力所引起的信号段EEG信号进行离线评估它的识别率。公共空间格局(CSP)是用于特征提取和支持向量机(SVM)是用于分类23- - - - - -25]。
CSP技术从多引线中提取特征信号的数据在不同的条件下。它有一个良好的过滤效果的特点,电机成像脑电图信号(23,24]。我们协方差矩阵对角化的两种类型的脑电图信号同时使用主成分分析方法选择两种类型的协方差矩阵的不同部分,消除重叠部分强调状态。两种类型的原始信号过滤后,生成一个新的时间分布。同时,这增强了区别这两种类型的EEG信号,抑制噪声。过滤后的脑电图信号的公式表示如下: 在哪里X是原始的EEG信号,CSP是矩阵过滤,满足。
支持向量机是用来计算电机的想象力的识别率26]。基于svm的分类,rbf核函数是集C值(0.001,0.01,0.1,1);γ=“汽车”;研究了网格;最好的参数C选择通过培训来确定最优分类超平面。通过考虑网格搜索算法,分类分层交叉验证实施的十倍。最后,预测的测试集分类模型在每个褶皱与最优hyperparameters评估(27,28]。
支持向量机是用来计算两种任务模式的识别率,即HFMI和LFMI如下(26- - - - - -29日]:
导出过滤器采用获取训练样本和测试样本的特征值,这些都是脑电图信号从1 - 4第二HFMI和LFMI选择。测试样本的特征值用于分类和识别,最后,识别率产生(如表所示3)。表3代表10个主题和识别率,意思是,和性病HFMI LFMI。HFMI的平均识别率达到87.84%,与LFMI达到76.46%,已经超过了全球公认的水平(70%)。的性病HFMI认可率为0.00318,低于LFMI(0.00669),这表明个体差异识别主体之间的利率是较小的HFMI模式比LFMI模式。
此外,统计识别HFMI和LFMI(如图7)表明,识别HFMI和LFMI明显不同( ;r= 0.429)。
4所示。讨论和结论
在当前的研究中,实验范式HFMI LFMI相比,和研究结果证实HFMI脑电图的节奏特点是更重要的比LFMI。其中,ERD现象LFMI HFMI比这更重要的。的频域能量曲线比LFMI HFMI有较大下降。HFMI和LFMI分离,HFMI的识别率高于LFMI。
运动想象的基础上由真人视频,想象的困难任务的特点是想象各种leg-lifting运动频率。在预备试验,两次抬腿在4秒设置低频腿举起,即下限频率;四次电梯在4秒腿升力频率高,即上限频率。本研究由两个实验范式的比较HFMI LFMI:时频图显示,从一开始的两种类型的实验任务HFMI和LFMI结束的任务(t= 0 - 4秒),ERD现象引起HFMI是更重要的比LFMI(如图3)。因为ERD现象才能真正反映大脑皮层神经元的活动状态,运动想象任务不要求受试者执行任何练习,和受试者必须抑制自己的运动行为和完成运动想象任务在同一时间。随着想象力的难度增加,研究对象施加更大的抑制活动,防止执行运动的锻炼行为的发生,导致一个重要的ERD现象。ERD现象是,当一个人执行的肢体动作,对应的大脑区域的EEG信号抑制,从而导致一个明显和短期特定的频带能量衰减。想象力的任务HFMI相对更加困难;因此,HFMI有更强的激活状态感觉运动区皮质神经元的大脑。因此,电动机的想象力HFMI强度大于LFMI。
此外,表2申明的ERD平均值受试者的整体特征频带比LFMI HFMI较小(1.827 < 1.3487和3.4756 <−−−−2.2891)。从频域能量曲线,可以非常直观地分析ERD现象(如图4)。α和β的ERD现象带对应于能量的能量衰减曲线。HFMI的频域能量曲线的下降幅度大于低频的腿提升能量曲线,它表明HFMI能量衰减比LFMI能量衰减。阿尔法8—13赫兹HFMI的特征频带,以及α的特征频带LFMI 8 - 12赫兹;β特征频带HFMI 18 - 23赫兹,和β特征频带的LFMI赫兹17 - 21是区间。的特征频带HFMI大于LFMI。EEG节律特征HFMI LFMI可以反映大脑感觉运动神经网络的激活状态,表明HFMI激活大脑感觉运动神经网络状态明显比LFMI HFMI可以优化大脑电信的质量比LFMI来源。α乐队,性病HFMI价值小于的LFMI(0.4960 < 0.5279),那么在β乐队(0.6460 < 0.6725),和ERD强度中主体之间的个体差异是小HFMI模式比LFMI模式。
我们的目标主要集中在开发各种频率的腿抬高想象任务MI改善的信号,所以我们只使用传统方法,CSP-SVM [27,28]。值得注意的是,我们承认存在众多另类新颖的算法解码神经MI EEG信号的特性,如过滤器银行常见的空间模式(FBCSP),脑电图通道优化,脑电图通道优化,内部CSP的特征选择方法,和深度学习23,24]。此外,平均识别率HFMI(87.02%)高于LFMI(76.14%),这表明HFMI MI实现更好的效果了。识别利率的性病HFMI(0.00318)小于LFMI的(0.00669),这表明个体差异识别主体之间的利率是较小的HFMI模式比LFMI模式。
在本文中,高的比较研究——和低频视频诱导下的下肢MI提出了加速腿抬高;HFMI可以增加想象力任务的难度和提高MI的效果。因此,HFMI的特征频带和节奏特点和LFMI明显不同,的ERD现象比LFMI HFMI更明显。HFMI的识别率高于LFMI。我们的研究结果表明应用程序优化MI大脑电信资源的质量提高想象力的困难的任务,从而实现改善的整体识别率的目的参与者的下肢MI和减少个体差异,这可能会帮助家庭远程neurorehabilitation训练中风患者的功能恢复的技术支持下,大数据情报和电信(6,30.,31日]。运动运动学在非人灵长类动物的研究已经证明手达到或绘制任务,方向,速度,和其他信息,所以腿运动的各种运动参数MI强度和振幅等可以提高想象力的困难任务和有效的培训对象在未来的工作14,31日- - - - - -34]。
数据可用性
网上实验数据没有进行进一步研究,但可以在合理的请求根据天津科技大学的政策。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作在一定程度上为中国国家自然科学基金资助(61806146)和天津市自然科学基金(jcybjc95400 18日和19日jctpjc56000)。