运动相关脑电信号分析研究文献综述

1. 选题背景和意义：

脑机接口(Brain Computer Interface, BCI)是一种涉及多领域的人机交互方式，它不依赖于大脑正常输出通路（即外周神经及肌肉），而是通过特定的传感器对大脑发出的脑电波信号（EEG）进行采集，经计算机分析处理后转换成能够驱动外部设备的命令，进而代替人的肢体或语言器官实现人与外界的交流以及对外部设备的控制。

21世纪初的研究表明，神经假体控制可以通过非侵入式BCI实现（通过BCI来解码终端用户的运动意图，并将其转化为神经假肢或机械臂的控制信号）。然而，迄今为止，基于BCI的神经假体控制主要依赖于对基本运动任务的重复想象，如重复的脚部伸展/屈曲，或重复的手部开/合运动等。对用户而言，想象特定的足部运动来控制手并不是一次自然轻松的体验。许多研究者指出，要更自然、直观地控制上肢神经假体，关键在于解码更复杂、更自然的手部动作，例如生活常见的指捏、旋转、握取等动作。但是，相较于检测不同肢体上的运动，检测同一肢体（特别是同一关节）的不同运动要困难得多，原因在于它们运动时激活的运动皮层区域几乎相同。

近年来，许多研究发现，运动相关皮层电位(MRCP) 可用于运动意图检测和分类。MRCP分为与运动准备或意图相关的负阶段和运动执行正阶段，其电位形状会因各种因素而变化，如运动任务、力或运动速度等。因此，对运动过程中的MRCP解码为运动功能障碍患者提供了一种新的康复手段。

1. 课题关键问题及难点：
2. 降阻抗。为保证数据的精确度，在采集EEG数据前将电极阻抗降到5KOmega;以下。
3. 去除伪迹。EEG信号是非稳态随机信号，其信噪比较低，很容易受到其他生理信号的干扰，如眼电信号、肌肉信号等，因此在正式分析数据之前需要对采集的EEG进行相关伪迹的去除。
4. 特征提取和分类。由于采集的数据样本小，特征的数量大，样本-特征比较小，容易导致验证错误的增加。此外，特征的维数大，容易造成维数灾难。

1. 文献综述（或调研报告）：

要更自然、直观地控制上肢神经假体，关键在于成功解码更复杂、更自然的手部动作。为此，国内外学者对如何解码单侧手部/手臂动作做了大量的研究。基于EEG的MRCP研究调查表明，MRCP含有可用于运动检测和分类的鉴别信息，其电位的形状可能会因各种因素而变化，如运动任务、力或运动速度^[1]。Gu等人发现腕部想象运动的速度是在MRCP的时域内编码的^[2,3]。Jochumsen M等人分别从健康人执行或想象抓取动作时和中风患者在尝试抓取时的MRCP中解码出受试者的运动意图、运动力以及速度，证明了在运动开始之前检测不同的抓握并进行分类是可行的^[4]。基于此，部分学者开始利用MRCP对单侧手部/手臂的运动意图进行检测。Patrick Ofner等人先后分析了健康人和高度SCI患者在执行/想象抓取动作以及尝试抓取时EEG信号在低频时域内的编码，并通过源成像呈现了鉴别性运动信息在大脑上的传递过程^[5,6]。此外，Agashe等人尝试对各种物体进行手握和横抓的低频解码和分类，并使两名截肢的终端用户最终成功地控制了一只机械手^[7,8]。在他们的研究中，受试者在运动开始后250ms就已经达到分类的峰值精度。而在Andreas Schwarz等人的研究中，分类精度的峰值产生于约运动开始后1000ms^[9]。这说明Agashe等人在早期伸手阶段就已经发现了最具鉴别性的运动信息，而在Andreas Schwarz等人的研究中该信息出现在抓取阶段。此外，Andreas Schwarz等人还发现MRCP正阶段的峰值随着抓取动作的不同出现了时移^[9]。这些工作为实现更加自然直观的脑机交互提供了很多思路。

参考文献：

1. Shibasaki H, Hiroshi S, Mark H. What is the Bereitschaftspotential? Clin Neurophysiol. 2006; 117:2341plusmn;2356.
2. Gu Y, Farina D, Murguialday AR, Dremstrup K, Montoya P, Birbaumer N. Offline Identification of Imagined Speed of Wrist Movements in Paralyzed ALS Patients from Single-Trial EEG. Front Neurosci. 2009; 3: 62.
3. Gu Y, Dremstrup K, Farina D. Single-trial discrimination of type and speed of wrist movements from EEG recordings. Clin Neurophysiol. 2009; 120: 1596plusmn;1600.
4. Jochumsen M, Niazi IK, Taylor D, Farina D, Dremstrup K. Detecting and classifying movement-related cortical potentials associated with hand movements in healthy subjects and stroke patients from singleelectrode, single-trial EEG. J Neural Eng. 2015; 12: 056013.
5. Ofner, P., Schwarz, A., Pereira, J. amp; Muuml;ller-Putz, G. R. Upper limb movements can be decoded from the time-domain of lowfrequency EEG. PLoS One 12, e0182578 (2017).
6. Ofner P, Schwarz A, Pereira J, Muuml;ller-Putz GR, Wyss D, Wildburger R. Attempted Arm and Hand Movements can be Decoded from Low-Frequency EEG from Persons with Spinal Cord Injury. Scientific Reports. 9(1).
7. Agashe H A, Paek A Y, Zhang Y and Contreras-Vidal J L 2015 Global cortical activity predicts shape of hand during grasping Front. Neurosci. 9 121
8. Agashe H A, Paek A Y and Contreras-Vidal J L 2016 Multisession, noninvasive closed-loop neuroprosthetic control of grasping by upper limb amputees Prog. Brain Res. 228 107–28
9. Schwarz, A., Ofner, P., Pereira, J., Sburlea, A. I. amp; Muuml;ller-Putz, G. R. Decoding natural reach-and-grasp actions from human EEG. J.Neural Eng. 15, 016005 (2018).