个性化的电极子集提高了针对重度脑瘫患者的脑电图P300设计脑机接口的校准精度
《Frontiers in Human Neuroscience》:Individualized electrode subset improves the calibration accuracy of an EEG P300-design brain-computer interface for people with severe cerebral palsy
【字体:
大
中
小
】
时间:2026年03月26日
来源:Frontiers in Human Neuroscience 2.7
编辑推荐:
摘要
引言:本研究通过事后离线分析,探讨了针对不同严重程度的脑瘫(CP)患者,个性化脑电图(EEG)电极位置选择对非侵入式P300设计脑机接口(BCI)效果的影响。
方法:使用前向选择算法从32个可用电极中选出表现最佳的8个电极,为每位参与者构建个性化的电极子集。选择8个电极子
摘要
引言:本研究通过事后离线分析,探讨了针对不同严重程度的脑瘫(CP)患者,个性化脑电图(EEG)电极位置选择对非侵入式P300设计脑机接口(BCI)效果的影响。
方法:使用前向选择算法从32个可用电极中选出表现最佳的8个电极,为每位参与者构建个性化的电极子集。选择8个电极子集的大小是因为将个性化子集的BCI准确性与广泛使用的默认子集的准确性进行了比较。
结果:在51名参与者中,个性化子集仅对重度CP组提高了校准准确性(平均绝对值+28.6%;95%置信区间[13.4%,46.1%];p < 0.0001)。轻度CP组或正常发育对照组未检测到组间益处,尽管这些组中有几名个体的表现有所改善(轻度CP组2/17人;对照组1/10人)。在包含保留测试数据的子集中(轻度CP组和对照组),校准增益并未转化为更高的测试准确性;在对照组中,子集效应在测试中减弱(-9.6%,95%置信区间[-13.3%,-5.8%],p < 0.0001),而轻度CP组没有变化。重度CP患者通常需要更大的子集才能接近渐近准确性,而大多数其他患者使用≤8个电极就足够了。
讨论:研究结果表明,电极选择可以适应重度CP患者的非典型神经解剖结构,而默认电极位置对于轻度CP患者和正常发育个体来说已经足够。
1 背景
P300设计的脑电图(EEG)脑机接口(BCI)通过解读大脑活动将用户的意图转化为计算机命令,以实现无需身体运动的打字或语音生成(Farwell和Donchin,1988)。P300是一个在感知到预期目标刺激后约300毫秒出现的正幅度成分,这种刺激出现频率较低且具有随机性。然而,P300 BCI设计并不专门检测P300成分,而是会检测任何与事件相关的电位(ERP)成分,包括P300、N200等(Kaufmann等人,2011)。EEG P300设计BCI最初由Farwell和Donchin(1988)提出,仅使用一个电极位置。后续使用更多电极的研究显示BCI性能有所提高(Sellers和Donchin,2006;Krusienski等人,2008),而最近的P300设计BCI通常从一组具有固定默认位置的多个电极中收集数据。一些最新的P300设计BCI研究使用了多达64个电极(Krusienski等人,2008;Bittencourt-Villalpando和Maurits,2018)。然而,更大的电极集会增加成本和设置时间,使得BCI对最终用户来说不太实用(Bhandari等人,2024;Colwell等人,2014;Yu等人,2015;Cecotti等人,2011)。特别是在考虑家庭使用时,护理人员必须为用户设置BCI,这一点尤为明显。实际上,只有65%的潜在脊髓损伤最终用户会对10-20分钟的设置时间感到满意(Huggins等人,2015)。此外,增加电极子集的大小可能在超过某个点后对准确性的提升有限(McCann等人,2015;Bhandari等人,2024)。因此,出于成本和设置时间的考虑,家庭BCI研究通常只使用8个电极(Holz等人,2015;Wolpaw等人,2018)。
BCI研究通常专注于改进解释大脑活动的分类器。一些常用的分类器,如逐步线性判别分析(SWLDA),在训练过程中包含了特征选择。然而,这种特征选择是对所有提取的特征进行的,而不考虑它们的电极来源,因此并不能减少数据采集所需的电极数量。因此,这些方法在降低硬件成本或设置时间方面的效果有限。同样,基于神经网络的方法可以整合多个电极位置的信息来学习潜在表示,并在分类准确性上显示出显著提升(Wang等人,2021,2020;Ji等人,2025)。尽管如此,这些方法通常依赖于高密度电极阵列,因此没有解决与电极数量相关的实际挑战,包括设置负担和最终用户的可访问性。如果成本和设置时间导致电极数量减少,那么了解家庭研究中使用的默认电极子集(Holz等人,2015;Wolpaw等人,2018)是否确实适合所有用户就非常重要。
研究表明,与有神经系统疾病的患者相比,正常发育的参与者使用P300设计BCI的表现更好(Halder等人,2015;Piccione等人,2006)。这些差异背后的机制尚未明确。然而,这种差异可能部分源于与神经系统诊断直接相关的神经解剖结构或大脑功能的差异。这引发了担忧,即试图最小化电极数量的商业化努力可能会导致无法为有身体障碍的人提供有效的BCI。如果电极选择能够创建提供更好信号检测的个性化电极子集,同时使用最少的电极数量,BCI可以变得更准确、成本更低、设置更快。使用有效的电极选择算法来获得定制的电极子集有可能消除实验室环境之外的BCI使用障碍。
文献中讨论了许多EEG-BCI的电极选择方法,包括过滤、包装、嵌入式和混合电极选择技术(Alotaiby等人,2015;Bhandari等人,2024)。过滤技术使用独立标准来评估电极的实用性。另一方面,包装技术依赖于分类算法或机器学习来评估个体的电极子集。虽然过滤技术在计算上比包装技术更便宜、更快,但它们的准确性往往较低(Alotaiby等人,2015;Bhandari等人,2024)。过滤技术的例子包括最小化类内方差、最大化类间方差、最大化熵以及使用常见的空间模式滤波器系数。包装技术包括支持向量机(SVM)来排名每个选定电极的贡献,以及正则化线性判别分类器(RLDC)(Alotaiby等人,2015;Bhandari等人,2024)。嵌入式技术将电极选择整合到分类器的构建中。混合技术结合了上述技术(Alotaiby等人,2015)。其他方法包括使用主成分分析(PCA)来评估每个电极的贡献(Yildiz和Bergil,2015)、分类器不一致性(Yang等人,2014)以及回溯搜索优化(Dai和Wei,2017)。
使用P300设计BCI数据评估的电极选择包装方法包括确定性搜索(如穷举搜索(Colwell等人,2014)、前向或后向(包括n-forward-m-reverse和跳跃式)选择(Colwell等人,2014;McCann等人,2015),以及概率和机器学习方法,如稀疏贝叶斯线性判别分析(LDA)(Yu等人,2015)、人工神经网络(Yang等人,2012)和遗传算法(Yang等人,2012;Hasan等人,2014;Kee等人,2012)。最近的工作还展示了群体智能和混合元启发式算法的有效性(Bhandari等人,2024)——包括粒子群优化(PSO)、二进制PSO(Arican和Polat,2020)、多目标PSO(Chaurasiya等人,2018)和混合元启发式优化(HMO)(Martínez-Cagigal等人,2018)。尽管提出了许多电极选择方法,但相对较少有方法针对有脑部异常的个体进行了评估(Bhandari等人,2024)。为了解决这一差距,本研究调查了个性化电极位置是否可以通过更好地适应脑瘫(CP)患者常见的非典型神经解剖和神经生理特征来提高基于P300的BCI性能。具体来说,这项研究是对重度CP、轻度CP和正常发育对照组参与者使用定制个性化电极子集对P300-BCI准确性的离线调查。我们假设CP患者可以从电极选择中受益:1)提高BCI准确性;2)能够在不牺牲性能的情况下使用更小的电极子集大小。据我们所知,现有文献中没有系统分析使用电极选择对CP人群的P300设计BCI准确性的影响。
2 方法
2.1 分析数据
我们对两种不同的BCI使用协议的数据进行了离线分析,以访问4选词汇测试。协议1的数据来自轻度CP患者和正常发育对照组(Warschausky等人,2022)。协议2涉及重度CP患者(Huggins等人,2022)。特别是,协议1的参与者需要具备足够的身体能力来完成标准的纸质版多项选择词汇测试。这意味着他们必须能够说出所需答案的数字或可靠地指向答案。只有那些无法独立完成纸质版多项选择测试的参与者才有资格参加协议2,因此他们可能从基于BCI的替代方案中受益。
在两种协议中,数据都来自Electro-Cap International, Inc.的32位置湿电极(如图1所示)EEG帽(F3、Fz、F4、FC5、FC3、FC1、FCz、FC2、FC4、FC6、T7、C5、C3、C1、Cz、C2、C4、C6、T8、CP5、CP3、CP1、CPz、CP2、CP4、CP6、P3、Pz、P4、PO7、PO8、Oz),其中只有16个电极(图2中的默认16个)用于会话校准(F3、Fz、F4、T7、C3、Cz、C4、T8、CP3、CP4、P3、Pz、P4、PO7、PO8、Oz)。校准使用BCI2000(版本3)P300分类程序中的逐步线性判别分析(SWLDA)进行。EEG记录使用两个同步的g.USBamp EEG放大器(Guger Technologies,奥地利)。
图1 显示了32个电极的位置,包括默认的16个(Huggins等人,2016;Thompson等人,2014,2012;McCann等人,2015)和默认的8个(Wolpaw等人,2018)电极。
图2 显示了每个参与者的定制子集位置和校准准确性,以及它们带来的变化。它们共同展示了定制电极位置的变异性程度和BCI性能的变化。
词汇测试格式的每个问题(试验)包括录音单词的音频呈现和屏幕上显示的四张图片。识字能力不是纳入/排除标准,也没有以书面形式呈现单词。用于校准的单词被选为容易与图片匹配的单词。在记录校准数据时,通过将匹配音频单词的图片设置为彩色,将其他图片设置为灰度来吸引用户的注意力。每张图片都有一个标记的角落,其中黑色背景上的灰色文本会增强(闪烁)为亮白色,以引发P300。每个标签以伪随机顺序闪烁一次。每个标签在重复之前闪烁一次。每次闪烁后的EEG都会被分析是否存在P300响应(见附录图A1)。每个标签每个试验闪烁10次。
2.1.1 协议之间的差异
协议1的P300刺激有一个额外的连续闪烁的棋盘边框(图3,左),旨在引发稳态视觉诱发电位(SSVEP)。协议1数据的离线SSVEP分析未显示显著的SSVEP响应,怀疑数据收集期间显示器刷新率不正确。协议2没有使用这个边框(图3,右)。由于采样率不同,刺激持续时间也不同,但尽可能匹配(协议1的占空比为166.67ms,协议2为156.25ms)。协议1的P300刺激持续时间为50ms,每次闪烁之间间隔116.7ms。协议2的P300刺激持续时间为62.5ms,每次闪烁之间间隔93.75ms。协议1的纳入标准是8-29岁。协议2的原始招募年龄限制为10-29岁,但后来上限放宽到45岁。
图3 BCI呈现的词汇测试格式的屏幕布局:左:协议1;右:协议2。
协议1的音频提示仅包含要找的单词。协议2的音频提示包括“Find”指令以及单词本身。由于协议2的单词是为有严重障碍的人精心挑选的,因此使用的单词和图片不同。
在协议1中,EEG采样率为600 Hz,校准数据至少包含60次试验,每个文件包含30次试验。在协议1中,通过尝试在完成第一个校准文件(30次试验)后进行SWLDA校准来检查EEG响应的质量。一些参与者由于在校准过程中任务参与度不足而无法完成校准。如果参与者没有集中注意力或报告的最高准确率低于75%,则会与参与者讨论校准任务以澄清指示,然后重复第一个校准文件。进一步尝试获取两个可用的校准数据文件取决于参与者的意愿以及实验者对参与者任务注意力的判断。不愿意继续或没有关注校准任务的参与者将退出研究而不会完成校准。未能完成校准的参与者尝试了1到4个校准文件(30到120次试验)。在协议2中,EEG的采样率为256 Hz,校准数据计划包括30次试验。这些试验被分成较短的试验块,以适应有限的注意力持续时间。默认情况下,这些数据分为3个文件,分别包含13次、13次和4次试验。然而,也提供了每个包含4次试验的文件,以适应注意力持续时间有限的人。实验者可以选择每个文件中的试验次数,以适应参与者的注意力持续时间,目标是获得30次校准试验。正如Huggins等人(2022年)所描述的,参与者在使用BCI和校准时遇到了挑战。尝试校准的参与者进行了13到94次校准数据。与协议1一样,继续参与取决于参与者的意愿以及实验者对他们任务注意力的判断。
2.2 协议1的参与者
数据来自17名脑瘫(CP)患者(5名女性和12名男性,年龄14.7±5.6岁)和10名正常发育的参与者(6名女性和4名男性,年龄14.7±4.3岁),他们参与了一项关于使用BCI改编的多项选择测试的研究,该研究由Alcaide-Aguirre等人(2017年)描述。密歇根大学的机构审查委员会批准了该协议(HUM00012968)。两组纳入标准是具有足够的视力和足够的语言或运动能力,以便参与标准化版的Peabody图片词汇测试第四版(PPVT-IV)(Dunn和Dunn,2007年)。排除标准包括:(1)有中度或重度获得性脑损伤或其他主要神经系统疾病的历史,如中风、脑炎或难治性癫痫发作(对于CP患者,这指的是在CP发病和诊断之后的事件);(2)有严重精神疾病,如重度抑郁、严重焦虑或精神病,这会妨碍参与;(3)对于18岁以下的参与者,其父母/监护人无法完成儿童病史的填写。在CP组中,有一名参与者正在服用巴氯芬,另一名参与者正在服用舍曲林。在正常发育组中,有一名参与者正在服用舍曲林。在CP组中,所有参与者的主要症状都是痉挛,60.0%患有偏瘫,40%患有双瘫。功能分类使用Gross Motor Functional Classification System(GMFCS)(Palisano等人,2008年)、Manual Ability Classification System(MACS)(Eliasson等人,2006年)和Communication Function Classification System(CFCS)(Hidecker等人,2011年)进行。分数分布见表1。
表1
级别I | 级别II | 级别III | 级别IV | 未报告
--- | --- | --- | --- | ---
协议1(轻度CP) | GMFCS | 64.7% | 11.8% | 5.9% | 5.9% | 11.8% |
MACS | 23.5% | 47.1% | 11.8% | 11.8% | -5.9% |
CFCS | 70.6% | 11.8% | 5.9% | 5.9% | -5.9% |
协议2(重度CP) | GMFCS | --- | 16.7% | 83.3% | - |
MACS | --- | 8.3% | 91.7% | - |
CFCS | - | 4.2% | - | 45.8% | - |
协议1和协议2中按功能分类系统的参与者分布。对于在一个分类系统中报告多个级别的参与者,他们被归类为较轻微的级别。
在参与者中,10名CP患者(2名女性和8名男性;年龄17.4±5.5岁)和所有正常发育的对照组完成了研究,而7名CP患者(3名女性和4名男性;年龄10.9±3.0岁)尽管多次尝试校准,但仍无法校准BCI。这个子组的平均年龄低于完成研究的参与者。此外,一名能够使用BCI的CP患者只有30次校准数据。协议1中的所有参与者都包含在第2.6节详细描述的电极选择校准分析中;只有具有完整数据的参与者(9名CP患者,10名未受CP影响的参与者)包含在第2.7节详细描述的测试分析中。
2.3 协议2的参与者
在协议2中,从24名重度CP患者(16名女性和8名男性,年龄18.3±8.4岁)那里获得了可用的BCI校准数据。这些参与者参与了一项比较BCI访问和眼动接口访问的多项选择测试的研究。密歇根大学的机构审查委员会批准了该协议(HUM00130187),脑瘫联盟人类研究伦理委员会也批准了该协议(批准编号:2017_05_02)。这项研究的参与者必须无法访问多项选择测试的纸质版本。16名参与者来自美国,8名来自澳大利亚。17名参与者(70.8%)的主要症状是痉挛,4名参与者(16.7%)是肌张力障碍,3名参与者(12.5%)同时患有痉挛和肌张力障碍。参与者特征在表1中描述。在24名参与者中,有5名的在线研究使用16个电极的校准达到了75%的准确率阈值。由于协议2中收集的校准试验数量有限且缺乏足够的测试数据,根据Huggins等人(2022年)之前描述的注意力、疲劳和在校准过程中持续参与度的挑战,无法将这些参与者纳入测试分析。
2.4 离线数据预处理
所有数据都使用修改版的BCI2000(v3)P300Classifier工具(Schalk等人,2004年)进行处理。保留了原始的BCI2000 P300Classifier流程及其SWLDA实现,并增加了两个功能:(i)使用指定大小的自定义电极子集来训练和评估分类器;(ii)在特征提取之前的预处理过程中对每个ERP响应窗口应用线性去趋势处理。BCI2000 P300 Classifier针对特定电极集的校准流程如下:首先,将指定电极的连续EEG分割成刺激锁定的时期,并根据闪光是否与目标图片相对应标记为目标或非目标。其次,从刺激后0-800毫秒的ERP窗口内的每个时期提取特征。然后将得到的特征向量降采样到20 Hz以减少维度并提高计算效率。第三,训练一个SWLDA模型来区分目标时期和非目标时期。在SWLDA过程中,如果特征与类别标签的统计关联满足pEnter标准,则将其添加到模型中;如果不再满足pRemove标准,则将其移除。对于所有分析,SWLDA配置的最大特征数为60个,pEnter = 0.10,pRemove = 0.15,这与常见的P300拼写参数化一致(Colwell等人,2014年)。
在协议2的数据中,由于在线会话中维持参与者注意力或校准方面的困难,不同参与者的校准数据量有所不同。一些参与者记录的试验次数少于30次,而其他一些参与者则有额外的校准数据以尝试校准BCI。经过检查,我们发现这些数据比协议1的数据噪声更大。因此,我们应用了两个额外的预处理步骤:(1)我们选择了一个校准文件组合,使总试验次数尽可能接近30次;(2)我们首先尝试不进行空间过滤进行校准,如果默认或自定义子集都无法校准,则应用一个常见的平均参考(CAR)过滤器。
2.5 电极选择
从32个可用通道中选择了8个自定义电极子集。选择8个电极的动机既包括实际考虑也包括经验考虑。我们采用了Wolpaw等人(2018年)和Holz等人(2015年)使用的相同默认8电极配置,他们证明这种设置适用于家庭使用的P300 BCI应用。因此,8个电极子集在系统性能和设置时间之间代表了合理的折中。此外,在这项研究时,市面上的EEG放大器通常支持8个通道,这使得这种配置成为一个自然且实际相关的选择。对于电极子集的选择,我们实施了McCann等人(2015年)提出的前向选择方法,该方法在推广到测试数据时被证明与穷举搜索一样有效。前向选择算法逐个添加电极,直到达到所需的子集大小。最初,所有可用电极都在“可用”集合中,“已选择”集合为空。根据添加一个电极后的校准准确性,电极一次移动到一个“已选择”集合中。因此,每次迭代都会获得所有候选子集的校准准确性,每个候选子集由当前“已选择”集合中的所有电极加上“可用”集合中的一个电极组成。准确性最高的候选子集将成为新的“已选择”集合,相应的电极将从新的“可用”集合中排除。
2.6 校准
校准是针对每个参与者的数据分别进行的。为了使两种协议的数据大小一致,使用了协议1中的30次试验。比较了自定义电极子集和默认电极子集的校准准确性。当使用所有10次闪光时,如果自定义子集和默认子集的准确性相同,我们就减少了闪光次数,并报告了打破平局时的第一次闪光次数。
2.7 泛化测试
协议1中可用的更多校准数据(N = 60次试验)使我们能够进一步研究从校准数据中得出的电极子集对新数据的泛化能力。为此,随机选择了20次试验用于测试,而剩余的40次试验用于校准。电极选择使用40次校准试验通过迭代过程完成。电极子集被视为一个超参数,并通过40折程序进行拟合:在每次折叠中,从40次试验的校准集中排除一次试验。设EEG电极帽大小 = S(32个电极),校准数据 = N(40次试验),目标自定义电极子集大小 = M。对于每个参与者和每次折叠,保留一次试验,其余39次(N-1)试验使用SWLDA和前向算法进行M电极的拟合。通过这个过程获得了40个(N)电极子集。然后,根据每个电极添加到子集的顺序(k),为每个电极分配一个分数。具体来说,我们通过∑Nn=0∑Ss=0max(0,M?kn,s+1)∑n=0N∑s=0Smax(0,M-kn,s+1)找到了得分最高的M个电极作为该参与者的自定义电极子集。这产生了一个大小为8(M)的电极子集,然后用它来获得整个40(N)次校准数据的权重。然后将这些权重应用于保留的20次试验,以确定测试准确性。报告了具有完整数据的协议1参与者的校准和测试准确性(9名轻度CP患者,10名正常发育的参与者)。
2.8 统计分析
使用R版本4.0.4(R Core Team,2021年)进行了统计分析,以评估自定义电极子集的组效应和个体效应。
2.8.1 组效应
使用广义线性混合效应模型(GLMM)和泊松结果来评估校准数据和测试数据中电极选择的年龄控制组效应,其中子集类型(默认或自定义)、组(正常发育对照组、轻度CP、重度CP)和年龄作为固定效应,个体参与者作为随机效应。使用线性混合效应模型来评估在校准准确性中看到的电极子集效应是否泛化到测试数据上的准确性。这项分析是对具有完整数据的参与者(10名轻度CP患者,10名正常发育的对照组)进行的。在10次闪光测试中(自定义电极子集与默认电极子集),准确性的差异根据默认子集的准确性、年龄以及组别与分析范式(校准与测试)之间的交互作用进行了评估。2.8.2 个体效应我们评估了自定义电极子集在个体层面的统计显著性。对于每位参与者,使用最大似然估计(MLE)方法将默认8个电极的平均30次试验数据拟合到二项分布中。假设每次试验是独立同分布的(i.d.d.)。设随机试验次数为n,使用默认子集的正确分类次数为k。我们根据拟合的二项分布计算了使用自定义8个电极时累计概率P(X≥k)。这一统计量表示“在n次随机试验中,看到k次或更多次成功的概率”,从而判断自定义子集是否比默认子集提高了脑机接口(BCI)的准确性。累积概率等同于使用二项分布得到的单侧p值。2.9 ERP可视化为了提供电极选择结果的定性背景,我们对每组中的代表性参与者可视化了事件相关电位(ERPs)。对于每位参与者,在0-1000毫秒的刺激后窗口内,分别对目标刺激和非目标刺激的EEG数据进行平均处理。在平均之前,每个数据段都进行了线性去趋势和均值中心化处理。这些ERP可视化仅用于说明目的,并未作为定量结果指标。3 结果3.1 校准准确性组间比较显示,自定义电极子集显著提高了重度脑瘫(CP)组的BCI校准准确性(p < 0.0001),但对轻度CP组(p = 0.185)和对照组(p = 0.676)没有显著影响。对于重度CP组,使用自定义子集的平均准确性提高了28.6%(95%置信区间[13.4%,46.1%】)。使用默认子集时,轻度CP组与对照组之间的校准准确性没有显著差异(p = 0.208),但重度CP组的BCI准确性显著低于对照组(p < 0.0001)。使用自定义子集时,轻度CP组与重度CP组之间没有显著差异(p = 0.522),但对照组的BCI表现显著更好(p = 0.0005)。图4显示了各组中个体使用自定义电极子集(与默认电极子集)的校准准确性变化。图4显示了不同电极子集类型对BCI校准准确性的影响。实线粉红色代表根据2.8.2节描述具有显著改进的个体。数据点的大小表示具有相同准确性的参与者数量。请注意,改进的程度并不完全代表统计显著性。在组内比较中,年龄显著影响了校准准确性(p = 0.020)(图5)。图5显示了不同年龄段的BCI校准准确性。实验数据以散点形式绘制,每种子集类型为每组绘制了一条拟合线。阴影区域代表95%置信区间。对于个体效应,电极选择在10名参与者中有1名对照组参与者、17名轻度CP参与者中的2名以及24名重度CP参与者中的11名显著提高了校准准确性(见图2、4)。值得注意的是,这两名轻度CP参与者在数据收集期间使用默认子集时未达到最低校准准确性标准,因此无法继续进行测试。17名有痉挛症状的参与者中有9名(52.9%)和17名有混合痉挛-肌张力障碍症状的参与者中有6名(66.7%)在使用定制电极子集后表现出显著改进,而仅有1名纯肌张力障碍的参与者表现出显著改进。3.2 对测试数据的泛化无论是使用默认电极子集的校准准确性(p = 0.160)还是年龄(p = 0.488),都无法显著预测从校准到测试时不同电极子集(默认与自定义)对BCI准确性的变化。对于对照组,测试时子集的效果相比校准时有显著下降(?9.58%,95%置信区间[?13.33%,?5.84%)(p < 0.0001)。没有证据表明电极子集对测试准确性的影响与其对校准准确性的影响不同(p = 0.556)。我们评估了电极选择对测试准确性的组效应显著性。比较基于闪光次数,平局时按其他标准进行裁决。无论是轻度CP组(p = 0.694)还是对照组(p = 0.495),使用自定义电极子集与默认电极子集在测试准确性上都没有显著差异(图6)。由于没有重度CP组的测试数据,我们无法评估其自定义子集的效果。图6显示了不同电极子集类型的BCI测试准确性。在个体和组层面均未发现显著改进。数据点的大小表示具有相同准确性的参与者数量。3.3 有用电极的数量我们研究了随着自定义电极子集大小增加(最多8个电极)校准准确性的变化(图7a)。正如McCann等人(2015)所发现的,大多数参与者的准确性随着电极子集大小的增加而逐渐提高。重度CP患者需要更大的电极子集大小才能在8个电极上达到至少95%的自身校准准确性(图7b)。图7显示了不同电极子集大小的校准准确性。(a)每条线代表一名参与者。准确性从0到8个选定的自定义电极进行绘制。(b)每个组中达到至少95%自身校准准确性的参与者比例,x轴表示使用的电极数量。总体而言,将最大电极子集大小限制在8个是有效的。在14名使用自定义电极后表现改善的参与者中,有11名没有使用全部8个自定义电极。虽然剩下的3名可能从额外的电极中获益,但对大多数人来说,最多8个电极就足够了。3.4 选定电极处的ERP特征附录图A1显示了每组代表性参与者的平均ERP波形。选定的电极用红色标出。在这些通道中,目标刺激和非目标刺激的响应相对于未选定的电极有更清晰的视觉分离,目标刺激后的偏移更为明显。在重度CP组中,ERP波形比轻度CP组和对照组更嘈杂。此外,重度CP参与者的可识别ERP响应的空间分布更为受限,而对照组和轻度CP组的参与者显示出更广泛的空间分布和相似的ERP形态。4 讨论研究结果表明,对于重度CP患者来说,个性化的电极子集对于BCI校准至关重要,而对于轻度CP患者也有益处。然而,对于正常发育的个体来说,默认电极子集已经足够甚至更受欢迎。图5显示,自定义电极子集带来的改进并不限于特定年龄段。脑瘫的病因和病理生理学可能解释了使用自定义电极子集的好处。脑瘫源于早期脑损伤,可能导致神经生理学差异,包括功能表征的差异(Rai等人,2013;Qin等人,2018)。例如,患有痉挛性脑瘫的患者通常表现出室周白质软化(PVL)的迹象(Hoon,2005)。PVL与连接性改变有关,包括通往顶叶和枕叶区域的通路减少。因此,电极选择可能有助于确定更好的位置来记录有信息量的EEG,以适应这些差异。我们的结果表明,有些电极不在默认子集中,但实际上对某些CP患者是有信息量的,我们的电极选择算法能够识别这些电极。4.1 选定的电极和ERP图2展示了通过电极选择显著提高BCI校准准确性的参与者。对于一些CP患者,选定的电极具有很强的侧向性,这突显了最佳电极放置的个体间差异。ERP可视化(附录图A1)为这些发现提供了定性背景。在重度CP患者中,ERP响应在空间上更为受限,并且噪声更大,这与数据收集期间观察到的运动伪迹和注意力变化一致。这种受限的分布表明对电极位置的敏感性增加,因此性能改进更依赖于选择一小部分有信息量的通道。相比之下,对照组和轻度CP组的参与者显示出更广泛的空间分布和相似的ERP形态,表明这些个体的电极位置可能更具互换性。4.2 有用电极的数量McCann等人(2015)发现,超过4个电极的电极子集对BCI准确性的提高效果很小。我们的结果支持这一发现,因为在子集大小为4时,10名对照组参与者中有9名的准确性在95%以内,并且所有参与者在子集大小为6时都达到了这一阈值。然而,这一结论不能推广到CP患者,因为图7b显示,超过50%的重度CP患者从使用超过4个电极中受益,对于某些人来说,8个电极的子集比7个电极更有效。4.3 对正常发育个体的电极选择Colwell等人(2014)报告称,使用顺序前向电极选择对正常发育个体的BCI性能有显著提高。相比之下,我们在本研究中并未观察到类似的好处。这种差异可能反映了两项研究在方法上的实质性差异以及研究目的的不同。Colwell等人研究了单一优化电极集是否能够改善所有参与者的BCI性能,而我们的研究则专注于评估为每位参与者量身定制的个性化电极子集的必要性和益处。几个关键的方法学差异可能导致结果的差异。首先,实验范式有很大不同。Colwell等人使用了一个9×8棋盘格范式和38个字符选择的P300拼写器进行校准,而我们的研究使用了包含单个刺激闪光的四选一多项选择范式。任务结构、刺激时序和认知要求的差异可能会影响ERP特征,从而影响电极选择的潜在益处。其次,两项研究中的电极搜索空间也不同。我们的电极配置旨在覆盖更大的运动相关皮质区域,以适应痉挛性CP患者。相比之下,Colwell等人使用的电极配置包括更多的后部电极,他们研究中确定的最有信息量的电极大多位于后部区域。在我们的研究中,所有后部电极已经包含在默认电极子集中,限制了通过添加额外后部通道来进一步提高正常发育参与者性能的机会。最后,参与者年龄也可能导致了观察到的差异。尽管Colwell等人没有报告年龄信息,但对参与者的描述表明样本为大学年龄段的年轻人。相比之下,本研究的正常发育参与者年龄更年轻,年龄范围更广(14.7 ± 4.3岁)。因此,与年龄相关的注意力、认知处理或ERP形态的差异可能影响了电极选择的效果。综上所述,电极选择的有效性可能取决于实验任务、可用的电极搜索空间以及参与者特征(如年龄)。因此,在不同人群、实验范式和BCI系统之间推广电极选择的结果时需要谨慎。此外,Meng等人(2018)的一项运动想象BCI研究报道,尽管在离线分析中观察到改进,但正常发育的个体并未从电极选择中受益。作者认为,这些离线收益可能反映了电极捕捉到的非任务相关神经调节,这些调节可能在单次会话中暂时提高性能,但可能不支持稳定的技能获取或在线控制的泛化。结合我们的发现和Colwell等人(2014)的研究结果,这些混合结果表明,电极选择并没有一种一致的生理机制能够可靠地使正常发育的个体受益。与具有非典型神经解剖结构的群体(如脑瘫患者)相比,正常发育用户的神经信号可能足够强大且空间分布均匀,因此电极选择并不会带来一致或普遍的优势。4.4 局限性与未来研究方向
本研究存在几个局限性,这些局限性也为未来的研究指明了重要方向。首先,电极选择是在离线状态下进行的,在两种实验方案中都无法实时进行。实际上,为适应非典型神经解剖结构而定制电极子集仅是假设性的,需要初步数据来确定是否需要进一步研究。因此,参与者在数据收集过程中并未直接受益于个性化的电极子集,所报告的性能提升反映的是回顾性分析结果,而非在线脑机接口(BCI)的实际使用情况。这些离线结果表明,未来的研究应在线上环境中评估定制电极选择的稳定性、可用性及其对实时BCI性能的影响。
其次,从严重脑瘫患者那里收集的脑电图(EEG)数据经常受到不自主运动、肌肉伪迹和信号质量变化的影响。尽管采取了额外的预处理步骤来获取可用数据,但在实际应用中这些方法可能并不总是可行的。未来的工作应探讨个性化电极选择是否能够降低对噪声的敏感性或减少预处理的需求,特别是在家庭或临床环境中。
第三,本研究没有使用神经影像数据。因此,我们无法将选定的电极或观察到的事件相关电位(ERP)成分与个体的神经解剖结构直接关联起来。鉴于脑瘫患者大脑结构和功能的已知差异,将基于EEG的电极选择与结构或功能神经影像结合起来的未来研究,可以提供有关个性化电极配置与潜在神经解剖结构和皮层组织关系的宝贵见解。
最后,用于电极选择的前向贪婪搜索算法相对于更先进的优化或基于学习的方法来说并不算最先进的。选择这种方法是因为其简单性、计算效率高,并且之前在P300 BCI应用中已经证明其性能与穷举搜索相当(McCann等人,2015年)。在本研究中进行的离线分析(使用Microsoft Windows 11 Enterprise操作系统、Intel i7处理器和32 GB RAM)中,使用前向选择为单个参与者选择8个电极子集大约需要3分钟,而使用反向选择在同一数据集上则需要超过80分钟,这突显了该方法在实际计算上的优势。重要的是,这项工作的主要目的不是开发或评估新的选择算法,而是评估定制电极放置对脑瘫患者的可行性和影响。未来的研究可以从结合更先进的選擇方法并在在线BCI环境中评估其性能中受益。
更广泛地说,个性化电极选择应被视为提高脑瘫患者BCI可访问性的多方面方法之一。先前的研究已经强调了这一群体面临的重大关注点、行为和可用性挑战(Huggins等人,2022年)。未来的研究应探讨个性化电极配置如何与其他系统级调整(如任务设计、反馈和用户状态监测)相互作用,以支持持续的BCI使用(Huggins等人,2015年)。
4.5 临床应用的未来方向
可以设想几种可行的个性化电极选择临床应用途径。一种方法是分层校准策略,用户首先使用标准、低通道数的电极配置进行校准,这种配置对大多数用户来说是足够的。如果校准失败或性能不佳,可以在受控实验室环境中使用更高密度的电极阵列进行二次校准,以确定一个定制的电极子集。一旦确定,这个个性化子集可以使用低通道数、低成本的EEG系统进行后续的临床或家庭使用,从而减少大多数用户的设置时间和成本,同时保留根据需要定制的选项。
另一种方法是直接使用高密度电极阵列进行初步临床评估。在这种情况下,可以使用自动化选择算法离线确定一个定制的电极子集,然后将其转换为个性化的低通道配置。虽然这种方法前期成本和设置时间较长,但在需要个性化优化的专业临床或研究环境中可能是合适的。未来的研究应探讨神经影像是否能够预测定制电极子集的有效性。
5 结论
本研究首次表明,严重脑瘫患者可以从电极子集选择中显著受益。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号