相互作用的皮层力量:在与运动相关的脑机接口(BCI)训练过程中,α波的减缓与感觉运动μ波的加速

《PLOS Computational Biology》:Opposing cortical forces: Alpha slowing and sensorimotor mu acceleration during motor-related BCI training

【字体: 大 中 小 】 时间:2026年04月02日 来源:PLOS Computational Biology 3.6

编辑推荐:

  摘要 脑机接口(BCIs)依赖于对大脑活动的可靠解码,然而像α波和μ波这样的关键脑电节律并非在频谱上保持恒定,它们会随着认知和运动需求的变化而变化。在这里,我们使用基于扩展卡尔曼滤波器(EKF)的振荡器跟踪框架,研究了在运动相关BCI校准过程中α/μ波的瞬时频率和幅度的会话内

  摘要
脑机接口(BCIs)依赖于对大脑活动的可靠解码,然而像α波和μ波这样的关键脑电节律并非在频谱上保持恒定,它们会随着认知和运动需求的变化而变化。在这里,我们使用基于扩展卡尔曼滤波器(EKF)的振荡器跟踪框架,研究了在运动相关BCI校准过程中α/μ波的瞬时频率和幅度的会话内变化。我们将这种方法应用于四个公开的脑电图(EEG)数据集,这些数据集涵盖了运动执行和想象任务。在所有数据集中,我们观察到中央感觉运动区域的μ波瞬时频率和幅度一致增加,这表明了运动参与和可能的与训练相关的神经可塑性。相比之下,后部和周围皮层区域通常表现出α波的减速,这可能表明警觉性下降或认知疲劳,或者可能是通过抑制与任务无关的区域来重新分配资源。这些相反的空间趋势突显了α波活动在皮层中的功能异质性。我们的结果强调了实时频率跟踪的潜力,不仅可以提高解码精度,还可以监测神经生理状态的变化,并指导BCI校准范式的适应性调整。

作者总结
脑机接口(BCIs)将大脑活动转换为外部设备的指令,应用范围从运动康复到辅助通信。一个关键挑战是大脑的节律活动在使用过程中可能会在频率和强度上发生变化。特别是α波节律(约8–12 Hz)主要存在于后部脑区,与注意力和视觉处理有关,而μ波节律是α波在感觉运动皮层上的变体,与运动准备和执行密切相关。这些节律的变化会直接影响BCI的准确性,但直到现在,还没有研究在训练过程中持续跟踪它们。我们开发了一种数学跟踪方法,用于追踪α波和μ波频率和幅度的逐时刻变化。将其应用于四个EEG数据集后,我们发现了一个显著的、之前未报告的差异:在运动皮层上μ波振荡趋于加速,而非运动皮层区域的α波则减速。这种模式可能反映了在BCI使用过程中共同发展的不同神经过程,如运动学习、注意力转移和疲劳。识别并适应这些动态可以使BCI更加稳健、个性化和有效。

引言
基于脑电图(EEG)的脑机接口(BCIs)通过解码运动执行(ME)、运动想象(MI)或尝试运动(MA)期间的大脑活动来控制外部设备。这类系统中使用的一个关键神经特征是α波段活动(约8–12 Hz)。在这个范围内,μ波节律是α波的一个特定子集,对BCIs尤为重要。μ波通常分为低μ波(8–10 Hz)和高μ波(10–13 Hz)[1–3],并且已知在运动相关过程中会失同步,这种现象称为事件相关失同步(ERD)[4]。因此,μ波节律的调节已成为健康用户和临床人群中基于运动的BCIs的基本组成部分[5–7]。相比之下,非感觉运动α波节律表现出明显的区域特异性:后部α波在枕叶和顶叶区域最强,通常与视觉处理、注意力需求和心理疲劳有关[8–12],而前额α波则与执行控制、心理疲劳、认知努力和情感过程相关[3,8,13]。尽管μ波和α波占据相似的频率范围,但它们在拓扑结构和功能意义上有区别。迄今为止,大多数BCI研究都集中在幅度动态上,例如ERD的强度和侧化,而对这些节律的频率特征关注较少。然而,越来越多的人认识到α/μ波节律在频谱上并非恒定。相反,它们的峰值频率会随时间变化,反映了内源性大脑状态的变化(例如疲劳、认知参与)和长期的神经可塑性适应[11,14–16]。α波减速与努力、疲劳、衰老和神经/认知障碍有关[16–19],而更快的α波与更好的记忆[20]、注意力[3]和运动功能[21]相关。μ波频率的变化同样与运动学习、效率和技能有关[22–25]。例如,运动员和舞者的μ波频率高于非专家,这表明了感觉运动调节[26]。神经反馈研究进一步表明,人们可以通过视觉或触觉反馈训练来调节他们的μ波峰值频率,从而实现适度的(0.2–0.5 Hz)增加和改善的运动/认知表现[27]。μ波频率还作为运动恢复的标志:在中风患者的运动想象过程中,μ波频率会降低[28],而脊髓损伤患者在尝试运动时通常表现出较低的μ波频率和较高的β波ERD频率,尤其是在缺乏肌肉控制的情况下[29]。这些变化可能是由于补偿性神经适应或慢性受损运动系统中感觉反馈的丧失所致。这些发现表明,频率变化可能反映了BCI使用期间大脑活动的适应性变化。然而,目前尚不清楚这些变化是否在训练过程中始终发生,以及它们如何在不同区域和随时间变化。Hülsdünker等人[21]观察到,在平衡任务的高需求下μ波频率增加,表明随着感觉运动负荷的增加节律会加速。其他研究报道在视觉运动任务中α波随时间减速,表明警觉性下降或皮层解耦[30,31]。新的方法现在允许更精确的频率跟踪。例如,Vidaurre等人[32]表明,瞬时和局部频率变化包含了传统方法无法捕捉到的与任务相关的信息。这些见解至关重要,因为大多数BCI解码器依赖于固定的频率带,可能会错过与学习、疲劳或参与相关的动态变化。在早期的工作中,我们使用基于级联的时变自回归(TV-AR)极点跟踪[33]发现,在运动任务中μ波ERD经常伴随着频率增加,这表明幅度抑制和频率加速共同反映了运动参与。这促使我们研究BCI校准过程中后部α波和μ波节律的演变,假设运动区域会因神经可塑性适应而显示出频率和幅度的增加,而后部和周围区域可能会因疲劳相关的状态变化和/或对任务无关区域的抑制而表现出α波减速。为了研究这一点,我们开发了一种改进的振荡器跟踪方法,将EEG节律建模为时变二阶TV-AR系统的输出。

结果
在完成EEG预处理(见材料和方法)后,我们将扩展卡尔曼滤波器(EKF)跟踪流程(图1)应用于表1中列出的所有数据集(见材料和方法)。EEG信号使用多种α波范围配置进行带通滤波,选择在所有参与者中EKF估计的μ波幅度与任务参考信号(例如,任务与休息、运动标签、运动学)之间具有最高绝对相关性的频段,以最佳捕捉μ波动态(即Schalk2004为[8 12] Hz,Dreyer2023为[8 13] Hz,Schwarz2020为[8 11] Hz,Pulferer2022为[8 12] Hz)。

图1. EEG分析流程概述。
预处理包括ICA伪迹去除后,清洗的EEG数据被重新采样并带通滤波以隔离α/μ波范围。然后使用基于EKF的振荡器跟踪算法处理EEG数据,以估计每个通道的瞬时频率和幅度。接着应用稳健的线性回归来计算每个特征随时间的变化斜率,生成α/μ波频率和幅度的地形图(地形斜率图)。为了确保这些线性斜率捕捉到持续的趋势而不是瞬态波动,为频率和幅度导出了斜率变化可能性曲线。通过计算EKF估计的μ波幅度与任务相关参考信号(例如,二进制运动标签或连续运动学轨迹)之间的相关性,并确定最大化平均绝对相关性的频段,选择了最佳滤波器配置(截止频率和滤波器阶数)。这些相关性也被可视化为地形图(任务相关图),突出了任务相关调节的空间分布,并有助于解释α/μ波动态的功能相关性。

图2展示了Schalk2004数据集中一名代表性参与者的μ波频率和幅度的演变(通道C3)。EKF衍生的轨迹显示频率和幅度分别每小时增加1.13 Hz和2.46任意单位(a.u./hour)。为了验证这些变化是持续的(即单调的),我们应用了斜率变化检测算法(见材料和方法),识别每个时间序列中最显著的拐点。结果斜率变化可能性曲线(底部面板)显示了整个会话中此类拐点的概率。在这个例子中,拐点出现在会话边界附近,表明主要趋势没有在会话中途被中断。实际上,对于每个参与者,我们可视化了所有通道的平均斜率变化。这有助于验证报告的斜率估计的可靠性和无偏性。

图3总结了主要的EKF跟踪结果。图3a展示了α/μ波频率斜率的大致平均值(顶部,单位为Hz/hour),表现出正频率斜率的受试者百分比(中间),以及α/μ波频率与任务事件之间的相关性(底部)。图3b显示了相应的α/μ波幅度图(单位为a.u./hour),包括斜率、正斜率百分比和任务相关性。在斜率图中,红色色调表示随时间增加的趋势,而蓝色色调表示减少的趋势。在所有数据集中,μ波频率在中央区域局部增加,而非感觉运动α波减速。幅度更广泛地增加,但在中央区域仍然最强。关于频率(图3a),这些图表显示,大部分参与者(通常超过60-80%的受试者,在中央感觉运动电极处)表现出正斜率,表明μ频率在个体间呈现出高度一致的增加。关于幅度(图3b),正斜率出现在更广泛的空间范围内,包括中央和后部区域,同样有高比例的参与者(经常超过60-80%)在会话过程中表现出α/μ幅度的增加。任务相关图(图3a和b的底部行)展示了EKF估计的α/μ频段动态与任务相关参考信号之间的绝对相关性的空间分布,这些相关性是通过对参与者进行平均得出的。这些相关性被用来指导后续分析中特定数据集的α/μ频段的选择。在所有数据集中,与任务最相关的绝对相关性都集中在感觉运动区域,证实了观察到的频率和幅度动态的行为相关性。为了进一步将这些会话中的趋势置于上下文中,图4a报告了从所有参与者和通道中拟合的会话长度回归模型直接得出的初始和最终α/μ频率值。为了便于可视化,通道被分组到解剖学上定义的感兴趣区域(ROIs:额叶、感觉运动和后部),其中感觉运动ROI包括中央和中央顶叶电极。同时,图4b显示了来自选定通道和参与者的代表性功率谱密度(PSDs),比较了每次BCI会话的前5分钟和最后5分钟。PSDs是使用Welch方法计算的(5秒汉明窗口,50%重叠),并通过0.5-60 Hz范围内的总功率进行了归一化。下载:PPT、PowerPoint幻灯片、PNG、更大图像、TIFF、原始图像。

图4. (a) 所有数据集(Schalk2004、Dreyer2023、Schwarz2020和Pulferer2022)中估计的初始与最终α/μ频率的散点图。初始和最终频率是通过在每次记录开始和结束时评估EKF估计的频率轨迹的稳健线性回归得出的,而不是使用瞬时频率估计。为了便于可视化,通道被分组到解剖学上定义的感兴趣区域(ROIs:额叶、感觉运动和后部;感觉运动ROI包括中央和中央顶叶电极)。虚线用于参考;线上的点表示会话期间α/μ频率的增加,而线下的点表示减少。(b) 来自代表性参与者和通道的PSDs,比较了每次BCI会话的前5分钟和最后5分钟。顶部行展示了μ峰值频率和幅度随时间增加的情况,而底部行显示μ峰值频率减少的同时幅度增加。灰色阴影区域表示用于带通滤波的特定数据集的α/μ频段。

接下来,我们检查了会话长度的斜率值是否在电极间系统性地有所不同。仅在Schalk2004数据集中观察到了显著的电极间差异;在其余数据集中,这些效应在校正后仍然存在。因此,这项分析在支持信息(EEG数据——成对电极间斜率比较,S4图)中报告。如S4图所示,成对斜率对比揭示了α/μ频率和幅度动态之间的明显空间分离,并能够识别出两个与感觉运动相关的区域簇:一个中央簇和一个中央顶叶簇。对于频率,最强的增加出现在中央顶叶电极上,其正斜率显著大于额叶、颞叶和后部(即顶枕叶和枕叶)区域。中央电极主要与额叶和颞叶位置不同,与后部区域没有显著差异。这表明最大的μ频率加速集中在中央顶叶而不是严格意义上的中央区域,与图3a中显示的地形模式一致。相比之下,幅度的增加在空间上更为广泛:中央和中央顶叶区域的斜率都大于额叶皮层,中央顶叶电极也超过了后部区域。然而,中央电极与后部位置之间的差异仅有限,表明振幅变化的空间梯度更为平缓。为了评估会话长度斜率在个体间的变异性是否在大脑区域间协调,我们检查了所有数据集中解剖学上定义的感兴趣区域间的斜率值的个体间耦合。这项分析揭示了系统性的区域间关联,而不是头皮上的均匀变化(图5),这在所有数据集中都是一致的。具体来说,中央区域的μ频率加速与参与者后部α波的减缓有较强的关联(r = ?0.02至?0.18;主要是小效应;图5a)。同时,较强的中央顶叶μ加速与额叶α波的减缓有关(r = ?0.17至?0.26;效应大小从小到中等),同时也显示出与后部α频率加速的正相关,效应大小因数据集而异。对于α/μ幅度,也观察到了类似的耦合模式(图5b),其中关联通常更强(r = ?0.43至0.47),对应于中等效应,在某些数据集中接近大效应大小。这些发现表明振荡强度和时间组织的协调变化。

基于这些斜率特征的会话长度动态描述,我们最终通过比较从传统频谱特征和EKF派生特征获得的任务相关相关性,评估了它们在BCI解码中的功能相关性。这项比较的结果总结在图6中。对于每个数据集,在被识别为任务相关的μ频率范围内计算了对数功率,并相应地派生了基于EKF的频率和幅度特征。在所有数据集中,基于EKF的频率和幅度特征显示出比使用带限对数功率获得的特征更强的任务相关性。有趣的是,EKF状态协方差矩阵的Frobenius范数也表现出稳健的任务相关性,表明估计器的不确定性和动态稳定性传达了超出传统基于功率的测量的行为相关信息。

图6. 比较了不同频谱特征表示和数据集之间的绝对任务相关性。箱形图总结了任务参考信号与四种EEG特征类型之间的最大绝对Pearson相关性:EKF跟踪的α/μ频率、EKF跟踪的α/μ幅度、EKF状态协方差矩阵的Frobenius范数(反映估计器的不确定性和动态稳定性),以及在相同数据集特定频率范围内计算的常规α/μ对数功率(通过对带通滤波信号进行平方并应用以10为底的对数得到)。对于每个受试者和特征,分别计算了所有通道的相关性,并保留了通道间的最大绝对值,以提供每个参与者的单一代表性测量值。结果显示,所有四个数据集的EKF派生特征都表现出比固定带对数功率特征更强的任务相关性(在所有数据集中校正多重比较后,p < 0.05)。

除了α/μ频段之外,我们接下来检查了更宽频谱范围内的频率分辨率斜率趋势。图7a显示了整个1-30 Hz范围内的μ斜率动态。每个像素反映了给定[fmin, fmax]范围内中央通道(Ci)的总体平均斜率。红色表示频率或幅度随时间的增加;蓝色表示减少。在8-12 Hz范围内观察到强烈的μ频段加速,而更高的β频段频率(约13-20 Hz)显示出负斜率,表明中央区域的β波减缓。绿色框标记了在主要分析中使用的数据集优化的μ频段(图3),这些频段位于斜率趋势分叉的关键频谱边界:该范围以下的频率显示出全局增加(图7仅关注中央通道),而该范围以上的频率(即β频段)显示出空间上明显的减少。同样,图7b(中央幅度斜率)显示了所有数据集中的一致模式,显示出α/μ幅度随时间的普遍增加。

讨论
我们使用基于EKF的振荡器跟踪框架,研究了在运动相关BCI任务期间EEG α和μ节律的会话内变化,应用于四个公共EEG数据集(Schalk2004、Dreyer2023、Schwarz2020、Pulferer2022)。这些任务包括执行/想象的运动会话和自然抓取动作。在所有数据集中,我们一致观察到中央运动区域的μ频率增加,周围区域的α波减缓,以及α/μ幅度的增加,这支持并验证了我们关于训练诱导的频谱变化的初步假设。这些不同的趋势在BCI训练开始后约15分钟内就出现了(见Dreyer2023),并在更长的会话中持续到50分钟(见Pulferer2022)。在感觉运动区域,μ频率在中央感觉运动区域一致增加,表明在BCI校准期间运动网络的功能重组,可能表明神经效率和参与度的提高。先前的运动学习和神经反馈研究支持这一点[26,27]。重要的是,Pfurtscheller [35] 已经表明,随着训练,上部μ(10-12 Hz)ERD的空间范围趋于更加集中和地形化。这种局部化的ERD可能对应于更功能特定的神经激活,并可能促进相关运动区域中更快、更连贯的振荡活动的出现。从这个角度来看,观察到的μ频率加速可能不仅反映了皮层兴奋性的增强,还可能是训练后的运动网络空间细化和同步的结果。μ动态与任务表现之间的地形相关性进一步支持这些变化反映了真实的神经适应,而不是伪影。重要的是,这种空间分布在与相应百分比图(图3a)中得到了密切反映,这些图量化了每个电极上表现出显著正斜率的参与者比例。显示最强μ频率增加的通道也是大多数参与者表现出正斜率的通道,这表明中央加速效应不是由少数斜率值较大的个体引起的,而是代表了所有受试者的一致模式。尽管存在共同趋势,但在μ加速的空间表达和一致性上仍存在数据集特定的差异,这可能反映了任务结构、会话持续时间和运动模式的差异。在Schalk2004中,我们观察到中央/中央顶叶区域的μ频率和幅度双侧增加,这与它包含单侧和双侧运动执行和想象任务的混合一致,涉及两个半球。地形图和任务相关图确认了这些效应在功能上的意义。Dreyer2023数据集表现出强烈的左侧偏侧化调节。尽管Dreyer2023协议包括每个受试者的左手和右手运动想象任务,但组级别的μ频率调节在左侧感觉运动部位(C3)更为明显。由于该数据集的大多数参与者是右利手,这种不对称性可能反映了与手优势相关的常见侧化模式,以及个体在想象参与度和熟练度上的差异,即使任务条件平衡,也会使组级别平均值偏向一个半球。Schwarz2020数据集显示出更分散但仍然是中央的μ频率调节模式,这可能是由于其样本量较小和双侧抓取任务,这可能会激活重叠的运动区域。Pulferer2022数据集的分析显示出相对更多的变化模式,其特征是中央频率增加和任务相关性不那么集中。这个数据集与其他数据集有显著不同,因为运动在物理上是受限的,EEG与连续的运动学测量相关,而不是离散的任务标签。这些因素可能会降低试验锁定振荡调节的信噪比,并强调较慢的、与状态相关的动态,导致更大的个体间变异性和空间上不那么集中的效应。重要的是,跨越更宽频谱范围估计的斜率图(图7)显示,在主要分析中使用的数据集优化的μ频段(图3)与斜率趋势分叉的关键频谱边界相吻合。在这个操作点上,不同受试者之间斜率估计的变异性被最小化,从而允许组平均值中显现出空间差异,而这些差异不会被受试者特定的基线偏移所掩盖。当选定的分析带宽与参与者的主要alpha/mu活动不对齐时,就会产生这些偏移,导致估计的瞬时频率和幅度偏向于受试者特定的频谱中心。由于同一受试者内的所有电极具有相似的频谱特性,这种偏移会引入一个全局性偏移,以类似的方式影响所有通道(见支持信息:EEG数据——带宽选择对alpha/mu频率和幅度斜率地形图的影响,S5、S6和S7图)。随着分析带宽偏离这个最佳范围,参与者之间的频谱不匹配增加,信号与噪声比和斜率缩放发生变化,放大了受试者依赖的偏移,这些偏移主导了组平均值,掩盖了空间结构。尽管逐个受试者的均值去除有助于在这些条件下恢复空间对比度,但它也去除了关于全局频率或幅度变化的信息,例如在所有参与者中观察到的广泛的alpha/mu幅度增加。更多细节在支持信息中提供。

在运动相关的BCI校准过程中,头皮上观察到的alpha波幅度的整体增加表明了随时间发生的广泛皮层变化。这种效应超出了与任务相关的区域,可能反映了诸如认知疲劳等普遍的神经生理过程。K?thner等人[9]报告称,在长时间使用P300-BCI时,alpha功率上升,这与P300幅度下降、表现降低以及自我报告的疲劳增加相吻合。这支持了alpha功率上升是认知疲劳的可靠生物标志物的观点[8]。在SSVEP BCI中也发现了类似的趋势,Cao等人[36]注意到alpha功率增加的同时,SSVEP幅度和信噪比降低。在儿科BCI中,即使30分钟的MI或P300任务也会导致会后alpha功率升高[37]。在成人中,持续的MI练习显示出mu/alpha功率的增加[38,39],即使没有立即出现表现下降[39]。Benwell等人[30]进一步证明,随着持续认知努力的增加,alpha功率增加,其峰值频率也降低,这加强了其作为疲劳指标的作用。然而,重要的是,alpha和mu幅度的增加在不同皮层区域的功能上可能并不等同。在中部和中央顶叶区域,mu波幅度的增加可能反映了感觉运动节奏的加强或稳定,因为参与者适应了任务,感觉运动表征变得更加一致。从神经生理学的角度来看,这种基线mu功率的增加是有利的,因为事件相关的去同步是相对于基线活动定义的[4];因此,更高的或更稳定的基线mu幅度可以在运动任务期间支持更大、更可靠的ERD幅度,从而改善休息状态和任务状态之间的对比度,而不是表明参与度降低[40,41]。重要的是,这种解释并不意味着BCI解码性能的提高,因为整个会话的基线偏移可能会降低分类准确性,除非采用适当的归一化或自适应分类策略。相比之下,在感觉运动区域之外观察到的幅度增加(例如,经典的后部或前部alpha)更可能与全局状态相关因素有关,如疲劳、警觉性波动[8,11],或在长时间校准期间对任务无关的感觉输入的处理减少[3,42]。这种区分对于Schalk2004数据集尤其相关,该数据集涉及重复和持续的运动执行和想象任务。在这种情况下,参与者可能会随着时间的推移发展出更强、更稳定的感觉运动节奏(反映在幅度增加上),同时表现出更快的振荡动态(反映在频率加速上),因为感觉运动表征变得更加精细。尽管在其他数据集中,中央和中央顶叶区域也可见到正的alpha/mu幅度斜率,但在Schalk2004数据集中,幅度增加与频率加速之间的共现强度和空间特异性最为明显,而在其余数据集中,这种重叠较弱或更分散。

虽然感觉运动区域显示出mu频率的加速,但后部(顶叶和枕叶)以及周围的非感觉运动区域(在适用的情况下)在所有数据集中一致表现出alpha频率的减慢。这种区域对比表明了BCI训练期间皮层资源分配的变化。Alpha频率的减慢与警觉性降低、视觉疲劳和注意力下降有关,通常伴随着alpha功率的增加[30],并与关于任务时间和精神疲劳的研究一致,这些研究报告了后部和前部区域alpha峰值频率的系统性下降,以及低频功率的增加,反映了警觉性的降低和从任务相关处理中的脱离[43,44]。然而,这种模式可能不仅仅反映了疲劳,也可能表明了对任务无关区域的功能性抑制,以支持专注的运动处理。随着运动区域变得更加活跃,表现为与运动准备度提高相关的更快alpha/mu节奏,非感觉运动区域可能会下调活动以增强任务特定的性能[42]。这种解释与先前的研究一致,这些研究表明alpha峰值频率是一个状态依赖性和区域特定的参数,皮层激活导致alpha频率加速,而激活减少或输入减少导致alpha频率减慢[31]。最近的证据进一步支持了alpha频率组织在区域间动态协调的观点:Smith等人[45]证明,alpha峰值频率在皮层各区域相对相似的时期和形成明显后部到前部梯度的时期之间交替变化,前部区域的alpha频率较慢。重要的是,这些变化是由不同的区域过程驱动的:后部区域主要通过alpha功率和同步性的变化影响空间模式,而前部区域直接调节alpha频率。这些机制共同解释了观察到的alpha频率组织的大部分变异性。我们的结果也与这一框架一致,并通过显示会话期间频率变化的个体间变异性在解剖学上不同的区域之间系统性地耦合来扩展它。在所有数据集中,我们发现中央区域mu频率加速更强的参与者也表现出更明显的前部alpha减慢。这种反向关系符合提出alpha活动由多个相互作用的大脑系统产生的模型,而不是由单一全局节奏产生的模型[11]。实际上,随着个体更多依赖内部驱动的运动控制,参与视觉或感觉监控的后部区域可能会变得不那么主导,表现为后部alpha节奏的减慢。另一方面,中央顶叶区域的mu加速与前部alpha减慢相关,可能反映了随着会话的进行,对执行或注意力控制的依赖减少,因为感觉运动表征变得更加稳定和自动化[3]。同时,中央顶叶mu加速与前部alpha频率加速之间的正相关表明,中央顶叶皮层可能作为连接感觉运动和后部网络的接口。这与中央顶叶皮层在整合感觉、运动和注意力过程中的作用一致。在某些个体中,随着感觉运动处理变得更加高效,感觉运动区域和后部区域的alpha/mu节奏可能会更加时间对齐。在其他个体中,后部区域可能在任务中的参与度降低,表现为alpha频率活动的相对减慢。这种协调出现在alpha/mu频率和幅度上,加强了观察到的效应反映了网络级适应的观点。然而,这些解释仍然是推测性的,需要进一步研究。尽管目前的数据不允许我们区分疲劳相关的脱离或功能性抑制是否主要驱动了这些效应,但这些机制可能不是相互排斥的,可能会共同导致观察到的alpha减慢模式,可能在个体之间或随时间有不同的相对贡献。

虽然本研究的主要焦点是alpha和mu节奏,但我们在更宽频率范围内的探索性分析揭示了其他潜在的有趣趋势。具体来说,频率斜率图显示,在中央通道中,超出alpha/mu范围的高频率(如beta波段中的频率,通常为13-30 Hz)在BCI会话过程中主要表现出负频率斜率,尽管根据选定的分析带宽(即低beta与高beta)也观察到了正趋势。Beta节奏与运动控制、感觉整合和持续注意力有关[46]。在这种情况下,beta频率随时间的下降可能反映了快速、严格控制的beta动态的支配地位降低,这些动态通常与持续的运动准备状态相关[46]。这种变化可能源于与任务重复、疲劳或自动化增加相关的运动准备状态或注意力控制的改变。由于mu和beta节奏反映了感觉运动控制的互补方面,它们的动态可以在空间上重叠,因为这些过程并行适应,尽管区分它们的个别贡献仍然具有挑战性。

总体而言,我们的发现表明,在BCI训练期间,alpha和mu节奏以空间和行为上有意义的方式演变。这些动态对现实世界的BCI系统具有重要意义。传统的BCI流程通常假设固定的频率带,但我们的结果显示,即使在单个会话内,这些节奏也可以发生显著变化。如果不加以考虑,这种频谱变化可能会随着时间的推移降低解码准确性,特别是在长时间或重复使用的场景中[47]。这个问题对于像Common Spatial Patterns (CSP) [48]这样的空间过滤方法尤其关键,该方法基于预定义频率带中的功率差异提取区分性特征。CSP对固定频谱假设的敏感性也激发了早期关于联合优化空间和频谱滤波器的工作。Lemm等人[49]提出了基于时间延迟嵌入的频率适应,Dornhege等人[50]提出了结合时空的CSP优化,两者都通过特定于受试者的频谱调谐展示了显著的性能提升。在这方面,一些先前的工作还明确强调了需要随时间调整频谱特征以应对EEG的非平稳性。Thomas等人[51]引入了一种自适应加权频谱-空间方法,该方法随着运动想象会话的进行不断更新区分性频率成分的集合。通过明确处理频谱非平稳性,他们展示了比静态带方法更好的BCI性能,强调了跟踪时变频谱结构的重要性。同样,在这里,我们的分析进一步证明,基于EKF的特征,特别是跟踪的alpha/mu频率、幅度和EKF状态协方差,表现出比使用传统固定带对数功率获得的相关性更强。这一发现表明,自适应的、基于模型的特征捕获了行为相关的信息,这些信息可能被静态功率基表示所忽略。特别是,对于EKF协方差特征观察到的稳健的任务相关性表明,估计器的不确定性和动态稳定性本身携带了功能相关的信息,加强了早期证据,即这些量可以在运动执行和运动想象范式中支持解码。然而,相关性本身并不是评估BCI性能的最佳指标。在实际的BCI应用中,解码性能更适当地使用分类导向的指标来量化,如准确性、F1分数或Matthews相关系数。因此,这些特征的真正解码性能仍有待系统评估。除了改进解码之外,跟踪频率和幅度变化还可以为设计更有效的BCI校准范式提供信息。例如,mu频率的增加可能表明运动参与或学习,而后部alpha减慢可能反映疲劳或注意力下降。这些标志可以指导自适应协议的变化,例如通过调整任务难度、添加休息时间或修改反馈[52],以支持性能和神经可塑性。这样的神经信息策略可能会提高BCI训练的效率和长期可持续性,特别是在临床或康复环境中。值得注意的是,检测这种频谱变化的能力可能因任务模式而异。我们假设在MI期间比在ME期间更容易观察到mu加速。在ME中,更强的ERD反应可能会显著抑制mu功率,可能掩盖振荡峰值并使频率跟踪复杂化。另一方面,MI通常诱导更中等的mu ERD [53](参见[53]的补充材料,了解不同运动模式下的ERD/S模式变化),保持了mu节奏的结构,并使其时间动态的估计更加可靠。这一假设在当前研究中没有明确测试,因此作为一个潜在的混淆因素提出,可能会影响跨任务模式的会话长度mu频率变化的检测能力。另一个重要点是,虽然可以通过平均参与者的功率谱密度来检测组级趋势,但这种方法可能会由于空间变异性和个体间mu峰值频率的差异而掩盖个体差异。因此,针对特定任务的跟踪对于准确捕捉频谱适应的一般动态仍然至关重要。这些观察结果提供了一些思考的素材,强调了任务设计和方法选择可能如何影响与训练相关的频率变化的检测能力。Alpha/mu跟踪框架:虽然我们之前的级联形式TV-AR方法[33]通过估计多个极点有效地捕捉了宽带频谱动态,但它缺乏选择性地隔离和跟踪窄带节奏(如alpha和mu)的能力。这一限制使得研究对训练响应的节奏特异性变化变得困难。相比之下,新方法通过将频率和阻尼建模为EKF框架内的潜变量,显式地针对窄带振荡进行了优化。这种方法不仅提高了数值稳定性和生理可解释性,还能够精确跟踪频率和幅度的逐时刻变化。关键的是,该方法计算效率高,并且可以实时运行,非常适合在线脑机接口(BCI)应用,因为在这些应用中,适应持续的大脑状态动态至关重要。除了BCI之外,该框架在认知神经科学、神经反馈和临床监测中也可能非常有用,因为在这些领域中,对大脑节奏的稳健和可解释的跟踪是必不可少的。

尽管这项研究提供了关于运动相关BCI任务期间alpha/mu动态的见解,但仍需注意几个限制。首先,准确捕捉空间和频谱特异性效应(例如mu加速度与后验alpha减速之间的差异)需要仔细选择频率带。我们通过将宽频率斜率图与任务相关相关性结合起来解决了这个问题,但这种方法可能受益于进一步的改进,例如在未来的工作中采用数据驱动或个性化的频率估计。其次,我们的跟踪集中在离线校准会话上;在线BCI反馈或实时设置中是否会出现类似的趋势仍然是一个未解决的问题。最后,随时间观察到的alpha幅度的增加,尤其是在广泛的头皮区域,可能反映了神经可塑性变化、认知疲劳或唤醒度下降的综合作用。要区分这些效应,未来的研究需要采用更受控的设计。

为了在BCI训练期间跟踪alpha和mu节奏的时变频率和幅度,我们采用了一种基于振荡器的估计方法,该方法基于重新参数化的二阶自回归(AR(2))模型。该模型将每个EEG信号表示为一个阻尼线性振荡器的输出,其中瞬时频率和阻尼因子作为潜变量随时间演变。这些潜动态是使用扩展卡尔曼滤波器(EKF)对每个带通滤波后的EEG通道进行估计的,从而实现了对窄带振荡活动的连续和抗噪声跟踪。EKF在非线性状态空间框架中实现,使用解析雅可比矩阵在每一步线性化转换函数。为了确保准确和稳定的跟踪,使用遗传算法优化了关键的EKF超参数,如过程噪声和测量噪声协方差、初始频率和阻尼值以及初始状态不确定性。优化是在EEG的前60秒内进行的,通过最小化所有通道平均的预测误差成本函数来实现的。一旦确定了最优参数,它们就被应用于整个长度的信号进行跟踪。为了验证该方法,我们生成了具有已知时变频率轨迹的合成EEG信号(支持信息,S1和S2图),并评估了EKF恢复真实动态的能力。性能还与基于标准希尔伯特变换的方法进行了比较。完整模型方程、优化程序和性能比较(S3图)在支持信息中提供。

我们应用alpha/mu带EKF跟踪来分析几个公开可用的涉及运动相关任务的EEG数据集,所有数据集都来自健康参与者。我们专注于离线校准会话,即BCI实验的初始阶段,在此期间记录EEG,同时参与者执行预定义的任务(例如,运动执行或运动想象)。这些数据用于在在线或基于反馈的BCI操作之前训练和初始化解码模型或特征选择程序。我们排除了任何在线运行,以避免闭环或人机相互适应引入的混淆。具体来说,我们分析了:(i) Schalk等人[54]的大规模数据集,该数据集涉及在真实和想象条件下单侧和双侧的手和脚运动;(ii) Dreyer等人[55]的数据集,该数据集记录了遵循Graz BCI协议的左右手运动想象期间的EEG;(iii) Schwarz等人[56]的数据集,该数据集涉及自然的伸手和抓取动作。后者的EEG是使用基于凝胶的、基于水的和干电极记录的,但我们的分析仅关注基于凝胶系统的数据;以及(iv) Pulferer等人[57]的数据集,该数据集涉及连续的目标跟踪范式,其中手部运动受到物理约束的显著抑制。这些数据集共同为alpha/mu跟踪提供了一个全面的测试平台,涵盖了多种运动行为和记录条件。数据集的详细描述可以在表1中找到。

所有记录都使用标准化流程进行了预处理。信号首先在0.5 Hz(4阶巴特沃斯滤波器)处进行高通滤波。必要时,在50/60 Hz及其谐波处应用陷波滤波器以抑制电源线噪声。为了在跟踪性能和计算效率之间取得平衡,根据我们的模拟显示在更高采样率下准确性有所提高(见支持信息),所有数据集都被重新采样到120 Hz。应用独立成分分析(ICA;通过EEGLAB [59]的扩展Infomax [58])来去除非神经伪迹,并使用ICLabel [60]自动标记成分。ICA结果经过手动审查和调整。

为了评估与训练相关的alpha/mu节奏的变化,我们仅分析了校准会话,排除了休息或伪迹去除阶段。会话按参与者合并,以创建连续的输入用于EKF跟踪。虽然从认知参与的角度来看并不完全连续,但这种近似方法能够有意义地映射振荡动态如何随着BCI的使用而演变。对于Pulferer2022,由于是多天的记录,会话被分别分析。然后对每个参与者的会话结果进行了平均(即10名参与者×3个会话)。对于每个数据集,我们通过改变下限和上限频率(fmin, fmax)在6–8 Hz和12–14 Hz之间,同时保持采样率固定在120 Hz和滤波器阶数固定在5,探索了一组有限的候选带通滤波器截止值。对于每个候选频率带,首先对EEG进行相应的带通滤波,然后应用基于EKF的振荡器模型来跟踪瞬时alpha/mu频率和幅度。对于每个带通滤波后的信号,仅使用EEG的前60秒数据来优化EKF超参数(包括过程噪声、测量噪声、初始频率、初始阻尼和协方差缩放)。这种优化是针对每对(fmin, fmax)独立进行的,以确保EKF在相应的频谱约束下最佳运行。然后将得到的最优EKF参数应用于该带的整个EEG记录以跟踪alpha/mu动态。为了隔离与任务相关的mu带并选择特定于数据集的alpha/mu频率带,我们计算了EKF估计的幅度时间序列与所有参与者中每个候选(fmin, fmax)对的可用任务相关参考信号之间的绝对相关性。这些参考信号包括二进制任务标签(例如,Schalk2004的ME/MI与休息,Dreyer2023的左手与右手运动标签,Schwarz2020的侧向与手掌抓取)或连续的运动学变量(对于Pulferer2022)。结果任务相关性以地形图的形式可视化,揭示了调制的空间模式。选择产生最大绝对相关性的频率带作为特定于数据集的alpha/mu带,并用于所有后续分析。此程序确保了带通滤波器和EKF参数适合每个候选带,同时保持了优化阶段(限制在前60秒)和整个会话跟踪阶段之间的清晰分离。

为了对每个会话内alpha/mu活动的潜在突然变化进行合理性检查,我们使用MATLAB的findchangepts函数来检测每个EKF导出轨迹中最显著的拐点。这产生了每个通道的二元向量,其中1表示斜率变化的位置。这些向量使用非因果高斯核(3分钟方差)进行了平滑,并在通道间求和,以产生同时斜率变化的时间直方图。这个汇总结果被标准化,以产生斜率变化可能性曲线,指示出现突然频谱变化的概率较高的时期。这个程序作为一个控制步骤,确保观察到的趋势是持续和单调的,而不是由瞬态波动驱动的。

在确认没有主要的会话内不连续性后,我们通过使用鲁棒线性回归(MATLAB的robustfit,带有双平方加权)从EKF导出的轨迹计算通道间的斜率,来量化alpha/mu频率和幅度随时间的变化,所有轨迹在回归前都进行了z分数处理。这种方法产生了稳定的斜率估计(以Hz/小时或a.u./小时为单位),最小化了异常值的影响。经过Benjamini–Hochberg校正[61]的斜率被平均在参与者之间,并以头皮图的形式可视化,以突出一致的空间模式。此外,我们估计了电极间的百分比图,反映了在频率或幅度上表现出统计显著正斜率的参与者比例。完整的分析流程显示在图1中。

为了便于解释估计的整个会话的趋势,我们直接从拟合的鲁棒线性回归模型中得出了初始和最终的alpha/mu频率和幅度值,而不是从窗口化的功率谱密度估计或瞬时EKF导出样本中得出。具体来说,在使用鲁棒回归估计了通道间的整个会话斜率后,使用相应的回归系数来预测记录开始时(t = 0)和结束时(t = T)的振荡值。这种方法产生了与拟合的整个会话轨迹本质上一致的稳定起始和结束频率和幅度估计,并且对短期波动或局部频谱变化不太敏感。然后将得到的初始和最终值在每个数据集的通道和参与者之间进行汇总,并使用散点图进行可视化。

为了评估整个会话期间alpha/mu动态的空间差异,我们使用配对测试在每个数据集的参与者之间直接比较了EEG电极间的斜率幅度。对于每对电极(i,j),计算了参与者内的斜率值差异,并应用配对t检验来评估电极i的斜率幅度是否与电极j的斜率幅度有显著差异。这种分析分别针对alpha/mu频率和幅度斜率进行。使用Benjamini–Hochberg程序控制了所有电极对之间的多重比较。对于统计上显著的比较,使用Cohen的dz估计了配对效应大小。为了进一步检查alpha/mu斜率在个体间的变异性是否在脑区间系统性地耦合,我们对选定的电极组进行了参与者间的相关性分析。EEG电极被分为四个解剖学上感兴趣的区域(ROIs):中央、中央顶叶、额叶和后部(顶枕/枕叶)。选择电极是为了在数据集间尽可能保持一致性,以便于比较。对于每对电极,使用相应的斜率值计算了参与者间的皮尔逊相关系数,得到了频率和幅度斜率的通道间相关矩阵。使用双侧检验评估了统计显著性,并使用Benjamini–Hochberg程序对所有电极对进行了校正。只有经过校正的相关性被保留。随后在ROI内部和之间平均了显著的通道间相关性,以获得总结alpha/mu斜率动态区域间耦合的简化ROI级相关矩阵。

除了使用绝对任务相关性来指导EKF跟踪的特定数据集alpha/mu频率带的選擇外,我们还进行了补充的特征级分析,以评估整个会话alpha/mu动态对BCI应用的实用性。对于每个数据集,我们计算了任务参考信号与四种特征类型之间的绝对皮尔逊相关性:(i) EKF跟踪的alpha/mu频率;(ii) EKF跟踪的alpha/mu幅度;(iii) EKF状态协方差矩阵的Frobenius范数,它反映了估计器的不确定性和动态稳定性,并直接从EKF递归方程中获得(支持信息,方程(8h))。我们之前已经证明,这种基于协方差的特征对于解码运动执行和运动想象任务具有区分信息[33,62]。(iv) 在相同的数据集特定频率范围内计算的常规alpha/mu对数功率,通过对带通滤波后的信号进行平方并应用以10为底的对数(未应用平滑处理)。分别为每个特征、通道和受试者估计了绝对相关性。为了获得每个受试者和特征的单一代表性值,我们选择了各通道之间的最大绝对相关性。然后,将这些针对受试者的最大值在每个数据集中的参与者之间进行汇总,以便进行组间比较。特征之间的统计学显著差异通过Wilcoxon符号秩检验来评估,并使用Benjamini–Hochberg程序对多重比较的p值进行了校正。

为了进一步表征运动皮层脑电图(EEG)活动在一系列频率带上的时间动态,我们将EKF跟踪方法应用于经过5阶巴特沃斯滤波器带通滤波的EEG信号。频率范围是使用1 Hz到30 Hz之间所有有效的上下截止频率组合系统定义的。对于每个频率带,EKF用于仅提取中央通道(即Ci)的瞬时频率和幅度的时变估计值。为了评估这些轨迹是否随时间表现出系统性趋势,我们对每个通道的时间序列应用了稳健线性回归,并计算了斜率估计值。这项分析是在所有受试者中进行的。所得到的斜率值(跨通道和参与者)被平均,以生成两个汇总矩阵,一个用于频率斜率,另一个用于幅度斜率,每个矩阵都捕捉了频率带间时间变化的方向和强度。

支持信息 参考文献
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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