當前位置:凤凰网官网彩票平台首頁 > 新聞中心 > 科研動態

科研動態

神經計算與腦機交互團隊在運動想象腦機接口研究中取得新進展

  • 发表日期:2020-07-06 【 【打印】【關閉】
  •   -機接口(Brain-computer interfaceBCI)系统是一个通过采集、分析大腦信号,并将其转换为输出指令,实现由大腦信号对外部设备直接控制的系统。BCI研究的重要目標之一是爲患有癱瘓或其他嚴重運動功能障礙的病人,提供一種不需要通過外周神經簣D∪獗隳軐崿F對外交流的工具。基于運動想象的BCI系統是唯一一種不需要外界刺激,反映使用者自主運動意識且受使用者主動調控的BCI范式,可以将人们直接通过想象控制目标运动的畅想变为现实。其作业模式最符合大腦正常思维活动的状态,且不易让使用者感到疲劳。 

      目前,基于EEGElectroencephalogram)的X硕想象型BCI主要集中于不同的肢体部位,而对于同一肢体更为精细的X硕想象型BCI卻鮮有報道。已有的不同肢體部位運動想象型BCI常常会导致运动意圖与末端效应器之间的认知失联,举例来说,使用者需想象左手运动以控制机械手伸开,而想象右手运动则是控制机械手抓握,大腦想象的左右手运动与机械手实际运动间的不匹配为这一类型BCI的操作帶來困難。因此,發展“所想即所得”的同一肢體精細運動想象型BCI系統具有重要價值,而當前這一領域研究的瓶頸問題急需在新型可分動作範式以及新型運動想象特征提取和分類方法方面進行探索解決。 

      针对该问题,自动化所神经计算与腦机交互(NeuBCI)團隊設計了單側肢體不同關節運動想象的新範式(右手握拳、右肢屈肘、靜息態),並對應采集了25名被試共計22,500個試次(trial)數據(圖1-a)。該數據集根據BIDS-EEG数据标准进行整理并开源,提供三种阶段的数据以满足不同研究者的需求。团队研究了单侧肢体不同关节运动想象诱发的大腦激活模式(圖1-b),提出通道相關網絡(Channel-Correlation Network)來學習導聯之間的整體表示,將集成學習應用于多個通道相關網絡的輸出,在三分類情況下解碼精度達到87.03%。研究结果证明深度学习方法对同一肢体不同关节的X硕想象任务解码的有效性,以及这种单侧肢体多个关节运动想象任务在实际应用中的潜力。 

      這項研究爲基于EEG的高精度运动意圖解析提供了科学基础簣D际踔С郑将促进运动想象腦机接口研究的发展,其在神经康复和智能机器人等领域有着重要的应用。 

      1 數據采集場景(a)以及所有被试的腦地形圖(b 

      該工作由NeuBCI團隊獨立完成,主要完成人爲馬學林博士、邱爽副研究員和何晖光研究員。相關研究成果發表在IEEE Transactions on Neural System and Rehabilitation EngineeringTNSRE)期刊上,開源數據發表在Scientific DataSDATA)上。 

     

    相關文章及鏈接: 

    [1]. Ma, X., Qiu, S. & He, H. Multi-channel eeg recording during motor imagery of different joints from the same limb. Harvard Dataverse https://doi.org/10.7910/DVN/RBN3XG  

    [2]. Ma, X., Qiu, S. & He, H. Multi-channel EEG recording during motor imagery of different joints from the same limb. Sci Data 7, 191 (2020). https://doi.org/10.1038/s41597-020-0535-2  

    [3]. Ma, X., Qiu, S., Wei, W., Wang, S. & He, H. Deep channel-correlation network for motor imagery decoding from same limb. IEEE Transactions on Neural Systems and Rehabilitation Engineering 28, 297–306 (2020). https://doi.org/10.1109/TNSRE.2019.2953121