- 相關(guān)推薦
基于功能近紅外光譜技術(shù)的腦機(jī)接口研究
【摘要】 我們將功能近紅外光譜技術(shù)運(yùn)用于腦機(jī)接口(brain-computer interface, BCI)的研究中。通過動(dòng)手指、想象動(dòng)手指、聽覺三個(gè)任務(wù)記錄大腦的響應(yīng)活動(dòng)，計(jì)算Hurst指數(shù)，輸入到BP神經(jīng)網(wǎng)絡(luò)中，建立了任務(wù)和腦響應(yīng)的相關(guān)模型。實(shí)驗(yàn)結(jié)果表明，響應(yīng)與任務(wù)的準(zhǔn)確識(shí)別率達(dá)到了70%，說明了近紅外光譜技術(shù)應(yīng)用于腦機(jī)接口研究中的可能性。
【關(guān)鍵詞】 功能近紅外;腦機(jī)接口;腦影像;Hurst指數(shù);神經(jīng)網(wǎng)絡(luò)
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
神經(jīng)生理學(xué)和神經(jīng)影像學(xué)的出現(xiàn)加強(qiáng)了人類對(duì)腦的理解。通過腦電、正電子放射層掃描術(shù)、磁共振等影像手段，人們可以了解人類大腦的活動(dòng)情況，即識(shí)別了大腦所處的狀態(tài)。
腦機(jī)裝置通過測(cè)度腦神經(jīng)活動(dòng)并根據(jù)相應(yīng)的神經(jīng)活動(dòng)而執(zhí)行對(duì)應(yīng)的外部動(dòng)作，以執(zhí)行用戶意圖為目標(biāo)[1]，它需要有穩(wěn)定性、一致性及魯棒性以滿足用戶體驗(yàn)。通過識(shí)別出大腦狀態(tài)并與相應(yīng)的狀態(tài)響應(yīng)融合，實(shí)現(xiàn)完成用戶意圖這種特定功能。隨著影像設(shè)備成本的降低以及信號(hào)處理手段的提高，腦影像的應(yīng)用越來越廣泛，腦機(jī)接口也越加受到人們的關(guān)注。本文中，基于近紅外光譜技術(shù)的腦機(jī)接口結(jié)構(gòu)見圖1。
目前主流的腦機(jī)接口都是基于腦電的，但1977年 Jobsis發(fā)現(xiàn)了可以通過光學(xué)手段來檢測(cè)深層腦活動(dòng)[2]。由于功能近紅外光譜技術(shù)(functional near-infrared spectroscopy, FNIRS)可以安全、便攜、經(jīng)濟(jì)以
圖1 基于功能近紅外成像技術(shù)的腦機(jī)接口結(jié)構(gòu)示意圖
Fig 1 Structure of BCI based on FNIRS及非侵入式的檢測(cè)腦活動(dòng)等特性[3]，使得FNIRS在腦機(jī)接口的應(yīng)用具有中的良好前景。圖2是腦磁圖、正電子放射層掃描術(shù)、功能磁共振、擴(kuò)散光等成像方法在時(shí)間、空間分辨率上的比較[4]。從中可以看出，功能近紅外光譜技術(shù)在時(shí)間、空間分辨率上介于其它成像方法之間，時(shí)間分辨率較高，同時(shí)也有較好的空間分辨率。
2 近紅外光譜技術(shù)的特點(diǎn)
當(dāng)生物組織被光照射時(shí)，存在著這樣一種“光學(xué)窗”效應(yīng)[5]，即光通過生物組織時(shí)，有的光譜會(huì)被吸收，而有些光譜則能透射出生物體，從而使得生物體內(nèi)部組織可見。近紅外波長處于650～950 nm之間，在生物體中就具有很好的“光學(xué)窗”效應(yīng)。在人腦中，氧合血紅蛋白(oxy-hemoglobin,Hbo2)和脫氧血紅蛋白(deoxy-hemoglobin, Hbr)是近紅外光的主要吸收者，見圖3。同時(shí)，這兩種物質(zhì)也是人體新陳
on near-infrared wavelengths代謝的重要標(biāo)志，它們可以反映大腦的活動(dòng)狀態(tài)。通過這些特性，可以使用功能近紅外光譜成像來反映人腦活動(dòng)，應(yīng)用于腦機(jī)儀器的研究中。
比爾-朗伯特定律描述了光在物質(zhì)中傳播會(huì)以指數(shù)形式衰減的規(guī)律，且在不同物質(zhì)衰減系數(shù)不同。當(dāng)近紅外光在生物組織中傳播時(shí), 不僅有吸收，還有散射，這是近紅外光在組生物體織中的傳播模型，它遵循廣義比爾-朗伯特定律[6]。
3 數(shù)據(jù)采集
在本文中，所有實(shí)驗(yàn)均是組塊設(shè)計(jì)實(shí)驗(yàn)，包含了三個(gè)任務(wù)，分別為：(1)Task1：動(dòng)手指;(2)Task2：想象動(dòng)手指;(3)Task3：?jiǎn)久蝿?wù)。
實(shí)驗(yàn)任務(wù)時(shí)間均為120 s，其中，任務(wù)(1)和任務(wù)(2)的單個(gè)trial 40 s，總計(jì)有3個(gè)trial;任務(wù)(3)中單個(gè)trial 60 s，總計(jì)2個(gè)trial(實(shí)驗(yàn)時(shí)序見圖4)。任務(wù)(1)和任務(wù)(2)中頭盔排布在被試的感覺運(yùn)動(dòng)區(qū)，任務(wù)(3)排布在聽覺區(qū)(均以broadmann分區(qū))�？傆�(jì)采集了60組次數(shù)據(jù)，其中任務(wù)(1)20組、任務(wù)(2)20組、任務(wù)(3)20組。實(shí)驗(yàn)數(shù)據(jù)采集儀器為CW 5系統(tǒng)，美國TechEn Inc生產(chǎn)。采樣通道28位，頻率10 Hz，波長690 nm和830 nm。頭盔排布見圖5，其中c1～c28表示通道號(hào)。
4 數(shù)據(jù)分析
4.1 信號(hào)預(yù)處理
首先對(duì)采集到的近紅外數(shù)據(jù)規(guī)范化：
normintensity(t)=Instensity(t)/mean(intensity)(1)
然后計(jì)算出氧合、脫氧血紅蛋白濃度變化：
-ΔConcentration=-log(normintensity(t))(2)
經(jīng)過切比雪夫低通濾波器濾波，得到氧合血紅蛋白和脫氧血紅濃度蛋白濃度變化值，這些操作均通過homer[7]軟件完成。其中ΔConcentration為氧合、脫氧血紅蛋白的濃度變化。圖6、圖7顯示了不同任務(wù)下氧合血紅蛋白和脫氧血紅蛋白的濃度變化曲線。圖6 任務(wù)(1)和任務(wù)(2)其中一通道的氧合和脫氧血紅蛋白濃度變化曲線
4.2 Hurst指數(shù)
Hurst通過對(duì)尼羅河水文數(shù)據(jù)研究,發(fā)現(xiàn)數(shù)據(jù)不服從布朗運(yùn)動(dòng)及正態(tài)分布的特性，而是如果有一年水量較大，那么，次年的水量也往往較大，并于1951提出了Hurst系數(shù)[8]。通過Hurst系數(shù)可以定量表征時(shí)間序列的持續(xù)性或長期相關(guān)性，其Hurst系數(shù)h代表的意義為：當(dāng)h=0.5時(shí)，標(biāo)志著一個(gè)序列是隨機(jī)的,未來的變化趨勢(shì)不受現(xiàn)在影響;h>0.5時(shí)，表示序列具有正持續(xù)性，未來的變化趨勢(shì)與現(xiàn)在的變化趨勢(shì)相同;h<0.5時(shí)，表示序列具有反持續(xù)性，未來的變化趨勢(shì)與現(xiàn)在的變化趨勢(shì)相反。當(dāng)h越接近于1，表明序列正持續(xù)性越強(qiáng);h越接近0，表明序列反持續(xù)性越強(qiáng)。自然界中具有長期相關(guān)性的時(shí)間序列是普遍存在的，Hurst系數(shù)已廣泛應(yīng)用于水文、地球化學(xué)、氣候、地質(zhì)和地震等領(lǐng)域。
由于功能近紅外信號(hào)反應(yīng)的是人體中的血紅蛋白濃度的變化，故采集到的近紅外信號(hào)也有類似的Hurst效應(yīng)，本研究把Hurst運(yùn)用到近紅外信號(hào)的分析中。
4.3 基于小波極大似然估計(jì)求解Hurst指數(shù)
最大似然估計(jì)
設(shè)G為一分?jǐn)?shù)高斯噪聲序列fGn，G=(G1,…,Gn)T，其協(xié)方差矩陣矩陣依賴于一未知參數(shù)向量θ：=(H,σ2)∈(0,1)×IR+，R表示實(shí)數(shù)集。則有：
L(G;θ)：=(2π)-N2|∑(θ)|-12e-12GT∑-1(θ)G(3)職稱論文
|∑(θ)|為矩陣∑(θ)的行列式值。θ的最大似然估計(jì)(MLE)可通過下面的最大似然估計(jì)函數(shù)得到。
LL(G;θ):=log L(G;θ)=-N2log(2π)-12log|∑(θ)|-12GT∑-1(θ)G(4)
由于極大似然估計(jì)運(yùn)算復(fù)雜耗時(shí)，并且穩(wěn)定性差。我們采用基于小波的極大似然估計(jì)方法。
小波極大似然估計(jì)
通過小波對(duì)fGn分解，我們從新得到新的似然函數(shù):
L(G;θ):=(2π)-N2|∑(θ)|-12e-12GwT∑-1(θ)Gw(5)
其中θ同上定義，Gw:=(a-J,1，d-J,1，…，d-1,1，…，d-1,2J-1)T是小波變換系數(shù)。J是小波最大分解級(jí)數(shù)，∑(θ)是Gw的協(xié)方差矩陣，其一般為對(duì)角陣。本研究中采用的Daubechies小波，這也是一般常用的小波。
4.4 神經(jīng)網(wǎng)絡(luò)
多層神經(jīng)網(wǎng)絡(luò)[9]圖結(jié)構(gòu)見圖8，其基本原理是：輸入信號(hào)通過中間節(jié)點(diǎn)(隱層點(diǎn))作用于輸出節(jié)點(diǎn)，經(jīng)過非線形變換，產(chǎn)生輸出信號(hào)，網(wǎng)絡(luò)訓(xùn)練的每個(gè)樣本包括輸入向量和期望輸出量。網(wǎng)絡(luò)輸出值與期望輸出值之間的偏差，通過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的聯(lián)接強(qiáng)度取值和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的聯(lián)接強(qiáng)度以及閾值，使誤差沿梯度方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，訓(xùn)練即告停止。此時(shí)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對(duì)類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信息。
反向傳播網(wǎng)絡(luò)的訓(xùn)練一般根據(jù)下面的最小平方誤差函數(shù)優(yōu)化：
E=12∑Nn=1(yn-dn)2(6)
其中：N：分類模式數(shù)目。Yn為網(wǎng)絡(luò)輸出。Dn為網(wǎng)絡(luò)期望輸出。
圖8 多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
Fig 8 Model of multi-layer Neural network
4.5 數(shù)據(jù)處理結(jié)果
試驗(yàn)中三個(gè)任務(wù)時(shí)長均為120 s,采樣頻率為10 Hz，每個(gè)任務(wù)通道有1 200個(gè)采樣值。以25點(diǎn)為單位計(jì)算單一通道的小波極大似然估計(jì)指數(shù)，可以得到48個(gè)Hurst值。
構(gòu)建BP網(wǎng)絡(luò)，以Hurst值表征不同任務(wù)下的狀態(tài)。其中輸入層48結(jié)點(diǎn)，隱含層50結(jié)點(diǎn)，輸出層1個(gè)結(jié)點(diǎn)，設(shè)定任務(wù)(1)時(shí)輸出為1，任務(wù)(2)對(duì)應(yīng)2，任務(wù)
5 討論
在本研究中，我們描述了通過FNIRS信號(hào)對(duì)三個(gè)任務(wù)的腦功能活動(dòng)識(shí)別過程�；贔NIRS的腦機(jī)接口為腦機(jī)交互的發(fā)展提供了一種有效的手段。本研究通過Hurst指數(shù)以及BP神經(jīng)網(wǎng)絡(luò)，離線地判定了腦的三個(gè)活動(dòng)狀態(tài)，表明了FNIRS應(yīng)用于腦機(jī)接口的可能性。FNIRS由于其本身的安全、便攜、經(jīng)濟(jì)以及非侵入等特點(diǎn)，相對(duì)于其他的影像方式，有著良好的用戶體驗(yàn)。
【參考文獻(xiàn)】
[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，劉貴忠.自相似數(shù)據(jù)流的 Hurst 指數(shù)小波求解法分析[J]. 電子與信息學(xué)報(bào), 2003，25(001):100-105.
[9]叢爽.面向 MATLAB 工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M].中國科學(xué)技術(shù)大學(xué)出版社，1998.
【基于功能近紅外光譜技術(shù)的腦機(jī)接口研究】相關(guān)文章：
基于單片機(jī)的MicroDrive接口設(shè)計(jì)03-20
一種用于單片機(jī)的紅外串行通信接口03-18
基于電阻式應(yīng)變片的近鉆頭工程參數(shù)測(cè)量技術(shù)研究03-07
基于ＵＳＢ接口的數(shù)據(jù)傳輸系統(tǒng)的研究與設(shè)計(jì)03-15
基于BP算法紅外遙感圖像去條帶方法研究03-07
基于鐵路選線CAD系統(tǒng)的圖形接口方法與交互技術(shù)11-22