今天為大家介紹北京航空航天大學汪待發教授所發表的論文：<基于靜息態的近紅外腦機接口（fNIRS-BCI）空間濾波算法>

摘要

近年來，基于功能近紅外光譜(Functional near-infrared spectroscopy, fNIRS)的腦機接口(brain-computer interface, BCI)，具有時間分辨率和空間分辨率均相對適中，便攜可移動，操作簡單方便，不受電磁干擾的影響等優點，受到越來越多研究者的關注。但目前，基于fNIRS的腦機接口往往需要大量的訓練數據來優化空間濾波器和分類器，需對被試進行較長時間的訓練，導致BCI的使用成本高，難以實際應用。神經科學中的研究揭示了大腦的時空模式在靜息態（resting-state）和任務態（task-state）之間的高度相關性。基于此，本研究提出了基于靜息態獨立成分分析（resting-state independent component analysis , RSICA)的空間濾波算法，旨在從靜息態中提取出與想象運動任務有關的大腦時空模式，進而應用于任務數據的濾波和分類中，從而減少訓練數據量。與傳統的共空域模式(Common spatial pattern, CSP)和shrinkage算法的相比，在左右手想象任務的分類中，RSICA算法的分類準確率提高了大約7% (RSICA, CSP, shrinkage: 69.8±12.1%, 63.3±10.3%, 63.4±11.8%)。并且，RSICA僅需22個訓練試次即可達到70%的分類準確率，而CSP則需要36個訓練試次。相比傳統算法，RSICA算法只需少量訓練樣本即可達到較高的分類準確率，降低了用戶的訓練時間和負擔，具有較大的應用潛力。

研究方法

被試

本研究隨機招募了10名男性健康被試，均為右利手，平均年齡為22.2±3.1歲，年齡范圍為19至26歲，具有正常的聽力和視力（或矯正視力達到正常）。

探頭排布和實驗范式

本研究使用丹陽慧創醫療設備有限公司的NirScan近紅外腦功能成像儀器進行數據采集，使用了13個發射器和12個探測器，組成38個通道。發射器和探頭布置在初級感覺運動區。

探頭排布和實驗流程

實驗包含兩個部分：靜息態和左右手想象運動任務。首*行8分鐘靜息態數據采集。在靜息態數據采集過程中，被試需閉上眼睛，不進行特定的思考，保持頭腦清醒即可。靜息態數據采集完成之后，被試根據電腦屏幕提示，開始進行想象運動。想象運動為左手運動想象或者右手運動想象，每個任務各包含20個試次，任務順序隨機。

RSICA算法

RSICA算法的具體流程如下：

RSICA算法流程

首先，對采集到的n通道靜息態數據做ICA分解，得到不同的獨立成分和對于應的空間濾波器。由于排布通道主要覆蓋了感覺運動區，高度偏側化的獨立成分更有可能是與想象運動相關的獨立成分，因此，我們提出“偏側化指數（lateralization index）”來優選出可能與想象運動相關的成分。優選出與任務相關的獨立成分對應的空間濾波器后，將其應用于單試次想象運動數據來提取出任務特異性成分，后，將用于特征提取和分類。

本研究中，使用斜率和均值作為分類的特征，考慮到2秒的血氧響應延遲，并且任務時間為0-15秒，因此選擇2-17秒的時間窗進行特征提取。為了充分利用信息，HbO和HbR的信息均用于特征提取，且RSICA使用了前2個與想象運動相關的成分，故單試次數據共提取8個特征。本研究使用線性判別分析(Linear Discriminant Analysis, LDA)構建分類器進行分類。

結果

展示了RSICA, CSP（共空間模式）和shrinkage三種算法平均分類準確率。綠色曲線為RSICA算法的平均分類準確率，紅色曲線為CSP的結果，藍色曲線為shrinkage的結果。

三種算法的平均分類準確率

隨著訓練集數量的增大，三種算法的分類準確率均得到提升，并且幾乎在所有訓練集下，RSICA算法的表現均高于另外兩種算法。RSICA算法的分類準確率提高速度較快，只需要大約20個訓練試次即可達到近70%的分類準確率。CSP算法的分類準確率在各個訓練集情況下，其表現均低于RSICA算法。當訓練集達到36個試次時，CSP算法的平均分類準確率達到了70%，以上結果表明，CSP算法更加依賴訓練集樣本量，在更小的訓練集下，RSICA算法表現更加優異。Shrinkage算法對訓練集的大小變化不敏感，訓練集逐漸增加時，其分類準確率比較緩慢，當訓練集大小為38個試次時，其平均分類準確率在68%左右，沒有達到70%。

結論

與傳統的僅使用任務態數據進行機器學習的算法不同，本研究提出的RSICA算法根據靜息態數據中提取的想象運動信息，將該信息應用于任務數據特征提取和分類中，成功實現在少量訓練樣本下得到較高的分類準確率的目標。RSICA算法能有效減少BCI用戶的訓練負擔，降低了BCI的使用成本，具有較高的實用價值。

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