- 相关推荐
基于功能近红外光谱技术的脑机接口研究
【摘要】 我们将功能近红外光谱技术运用于脑机接口(brain-computer interface, BCI)的研究中。通过动手指、想象动手指、听觉三个任务记录大脑的响应活动，计算Hurst指数，输入到BP神经网络中，建立了任务和脑响应的相关模型。实验结果表明，响应与任务的准确识别率达到了70%，说明了近红外光谱技术应用于脑机接口研究中的可能性。
【关键词】 功能近红外;脑机接口;脑影像;Hurst指数;神经网络
Brain-computer Interface′s Research
based on Near-infrared SpectroscopyHU Hanbin1，ZHU Ye2，JIANG Tianzi2
(1.Department of Automation, University of Science and Technology of China ,Hefei 230026，China;
2.China Science of Academic, Institution of Automation, Beijing 100190,China)
Abstract：In the article，Near-infrared spectroscopy is used on Brain-computer interface′s development. By recording brain signals during tasks such as finger-tapping、imaging finger-tapping and calling by name, calculating the Hurst index, then using Hurst index as input of a Back-propagation neural network, a model of task and brain response was constructed. The results show that the accurate rate is over 70%,it is possible to used NIRS on BCI.
Key words：Near-infrared spectroscopy; Brain computer interface; Brain image; Hurst index; Neural network
1 引 言
神经生理学和神经影像学的出现加强了人类对脑的理解。通过脑电、正电子放射层扫描术、磁共振等影像手段，人们可以了解人类大脑的活动情况，即识别了大脑所处的状态。
脑机装置通过测度脑神经活动并根据相应的神经活动而执行对应的外部动作，以执行用户意图为目标[1]，它需要有稳定性、一致性及鲁棒性以满足用户体验。通过识别出大脑状态并与相应的状态响应融合，实现完成用户意图这种特定功能。随着影像设备成本的降低以及信号处理手段的提高，脑影像的应用越来越广泛，脑机接口也越加受到人们的关注。本文中，基于近红外光谱技术的脑机接口结构见图1。
目前主流的脑机接口都是基于脑电的，但1977年 Jobsis发现了可以通过光学手段来检测深层脑活动[2]。由于功能近红外光谱技术(functional near-infrared spectroscopy, FNIRS)可以安全、便携、经济以
图1 基于功能近红外成像技术的脑机接口结构示意图
Fig 1 Structure of BCI based on FNIRS及非侵入式的检测脑活动等特性[3]，使得FNIRS在脑机接口的应用具有中的良好前景。图2是脑磁图、正电子放射层扫描术、功能磁共振、扩散光等成像方法在时间、空间分辨率上的比较[4]。从中可以看出，功能近红外光谱技术在时间、空间分辨率上介于其它成像方法之间，时间分辨率较高，同时也有较好的空间分辨率。
2 近红外光谱技术的特点
当生物组织被光照射时，存在着这样一种“光学窗”效应[5]，即光通过生物组织时，有的光谱会被吸收，而有些光谱则能透射出生物体，从而使得生物体内部组织可见。近红外波长处于650～950 nm之间，在生物体中就具有很好的“光学窗”效应。在人脑中，氧合血红蛋白(oxy-hemoglobin,Hbo2)和脱氧血红蛋白(deoxy-hemoglobin, Hbr)是近红外光的主要吸收者，见图3。同时，这两种物质也是人体新陈
on near-infrared wavelengths代谢的重要标志，它们可以反映大脑的活动状态。通过这些特性，可以使用功能近红外光谱成像来反映人脑活动，应用于脑机仪器的研究中。
比尔-朗伯特定律描述了光在物质中传播会以指数形式衰减的规律，且在不同物质衰减系数不同。当近红外光在生物组织中传播时, 不仅有吸收，还有散射，这是近红外光在组生物体织中的传播模型，它遵循广义比尔-朗伯特定律[6]。
3 数据采集
在本文中，所有实验均是组块设计实验，包含了三个任务，分别为：(1)Task1：动手指;(2)Task2：想象动手指;(3)Task3：唤名任务。
实验任务时间均为120 s，其中，任务(1)和任务(2)的单个trial 40 s，总计有3个trial;任务(3)中单个trial 60 s，总计2个trial(实验时序见图4)。任务(1)和任务(2)中头盔排布在被试的感觉运动区，任务(3)排布在听觉区(均以broadmann分区)。总计采集了60组次数据，其中任务(1)20组、任务(2)20组、任务(3)20组。实验数据采集仪器为CW 5系统，美国TechEn Inc生产。采样通道28位，频率10 Hz，波长690 nm和830 nm。头盔排布见图5，其中c1～c28表示通道号。
4 数据分析
4.1 信号预处理
首先对采集到的近红外数据规范化：
normintensity(t)=Instensity(t)/mean(intensity)(1)
然后计算出氧合、脱氧血红蛋白浓度变化：
-ΔConcentration=-log(normintensity(t))(2)
经过切比雪夫低通滤波器滤波，得到氧合血红蛋白和脱氧血红浓度蛋白浓度变化值，这些操作均通过homer[7]软件完成。其中ΔConcentration为氧合、脱氧血红蛋白的浓度变化。图6、图7显示了不同任务下氧合血红蛋白和脱氧血红蛋白的浓度变化曲线。图6 任务(1)和任务(2)其中一通道的氧合和脱氧血红蛋白浓度变化曲线
4.2 Hurst指数
Hurst通过对尼罗河水文数据研究,发现数据不服从布朗运动及正态分布的特性，而是如果有一年水量较大，那么，次年的水量也往往较大，并于1951提出了Hurst系数[8]。通过Hurst系数可以定量表征时间序列的持续性或长期相关性，其Hurst系数h代表的意义为：当h=0.5时，标志着一个序列是随机的,未来的变化趋势不受现在影响;h>0.5时，表示序列具有正持续性，未来的变化趋势与现在的变化趋势相同;h<0.5时，表示序列具有反持续性，未来的变化趋势与现在的变化趋势相反。当h越接近于1，表明序列正持续性越强;h越接近0，表明序列反持续性越强。自然界中具有长期相关性的时间序列是普遍存在的，Hurst系数已广泛应用于水文、地球化学、气候、地质和地震等领域。
由于功能近红外信号反应的是人体中的血红蛋白浓度的变化，故采集到的近红外信号也有类似的Hurst效应，本研究把Hurst运用到近红外信号的分析中。
4.3 基于小波极大似然估计求解Hurst指数
最大似然估计
设G为一分数高斯噪声序列fGn，G=(G1,…,Gn)T，其协方差矩阵矩阵依赖于一未知参数向量θ：=(H,σ2)∈(0,1)×IR+，R表示实数集。则有：
L(G;θ)：=(2π)-N2|∑(θ)|-12e-12GT∑-1(θ)G(3)职称论文
|∑(θ)|为矩阵∑(θ)的行列式值。θ的最大似然估计(MLE)可通过下面的最大似然估计函数得到。
LL(G;θ):=log L(G;θ)=-N2log(2π)-12log|∑(θ)|-12GT∑-1(θ)G(4)
由于极大似然估计运算复杂耗时，并且稳定性差。我们采用基于小波的极大似然估计方法。
小波极大似然估计
通过小波对fGn分解，我们从新得到新的似然函数:
L(G;θ):=(2π)-N2|∑(θ)|-12e-12GwT∑-1(θ)Gw(5)
其中θ同上定义，Gw:=(a-J,1，d-J,1，…，d-1,1，…，d-1,2J-1)T是小波变换系数。J是小波最大分解级数，∑(θ)是Gw的协方差矩阵，其一般为对角阵。本研究中采用的Daubechies小波，这也是一般常用的小波。
4.4 神经网络
多层神经网络[9]图结构见图8，其基本原理是：输入信号通过中间节点(隐层点)作用于输出节点，经过非线形变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量。网络输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。
反向传播网络的训练一般根据下面的最小平方误差函数优化：
E=12∑Nn=1(yn-dn)2(6)
其中：N：分类模式数目。Yn为网络输出。Dn为网络期望输出。
图8 多层神经网络结构图
Fig 8 Model of multi-layer Neural network
4.5 数据处理结果
试验中三个任务时长均为120 s,采样频率为10 Hz，每个任务通道有1 200个采样值。以25点为单位计算单一通道的小波极大似然估计指数，可以得到48个Hurst值。
构建BP网络，以Hurst值表征不同任务下的状态。其中输入层48结点，隐含层50结点，输出层1个结点，设定任务(1)时输出为1，任务(2)对应2，任务
5 讨论
在本研究中，我们描述了通过FNIRS信号对三个任务的脑功能活动识别过程。基于FNIRS的脑机接口为脑机交互的发展提供了一种有效的手段。本研究通过Hurst指数以及BP神经网络，离线地判定了脑的三个活动状态，表明了FNIRS应用于脑机接口的可能性。FNIRS由于其本身的安全、便携、经济以及非侵入等特点，相对于其他的影像方式，有着良好的用户体验。
【参考文献】
[1]Matthews, F.Hemodynamics for Brain-Computer Interfaces[J]. IEEE Signal Processing Magazine, 2008，25(1):87.
[2]Jobsis F. Noninvasive, infrared monitoring of cerebral and myocardial oxygen sufficiency and circulatory parameters[J]. Science, 1977，198(4323):1264.
[3]Bunce S.Functional near-infrared spectroscopy[J]. IEEE Engineering in Medicine and Biology Magazine, 2006，25(4):54-62.
[4]Strangman G，Boas D,Sutton J. Non-invasive neuroimaging using near-infrared light[J]. Biological Psychiatry, 2002，52(7):679-693.
[5]McCormick, P. Regional cerebrovascular oxygen saturation measured by optical spectroscopy in humans[J]. Stroke, 1991，22(5):596.
[6]Okada, E.Theoretical and experimental investigation of near-infrared light propagation in a model of the adult head[J]. Applied optics, 1997，36(1):21-31.
[7]Huppert T,Franceschini M,Boas D. Homer: a graphical functional NIRS analysis[M]. 2005.
[8]李永利，刘贵忠.自相似数据流的 Hurst 指数小波求解法分析[J]. 电子与信息学报, 2003，25(001):100-105.
[9]丛爽.面向 MATLAB 工具箱的神经网络理论与应用[M].中国科学技术大学出版社，1998.
【基于功能近红外光谱技术的脑机接口研究】相关文章：
基于军网的雷达远程诊断技术研究08-10
基于战略治理的企业环境风险研究08-28
基于工业机器人的自动化生产技术研究论文04-14
基于BP网遥感影像分类研究与应用08-10
基于web的异地并行设计与制造系统研究06-02
多层螺旋CT心功能评价研究概况06-14
原子吸收光谱法测定铝04-13
基于知网的翻译研究方向硕士毕业论文写作06-25
基于价值网的企业集群式供给链治理模式研究04-28