運動想象腦機接口在神經系統疾病康復中的應用

楊幫華

1 上海大學機電工程與自動化學院，上海 200444；2 上海大學醫學院，上海 200444；3 上海大學腦機工程研究中心，上海 200444

腦機接口（brain-computer interface，BCI）技術是一個涉及腦科學、神經科學、認知科學、計算機科學、控制與信息技術和康復醫學等多個學科的新興交叉研究領域。目前BCI系統的常用范式包括穩態視覺誘發電位（steady-state visual evoked potential，SSVEP）、運動想象（motor imagery，MI）和事件相關電位（event related potential，ERP）等；在解碼算法方面，機器學習、黎曼幾何、深度學習等算法常被應用于BCI研究；在具體應用方面，增強現實技術（augmented reality，AR）眼鏡、機械臂、腦控輪椅和氣動手等多種外接設備大大拓展了BCI應用范圍。BCI系統結合不同范式、算法及外接設備可以在不同領域發揮不同作用，但是由于相關臨床研究較少，目前BCI應用還未得到廣泛推廣。本課題組致力于運動想象腦機接口（motor imagery brain-computer interface，MI-BCI）系統的研發及應用，在腦卒中患者康復、毒品成癮患者戒毒及抑郁癥診療方面取得了一定成果。

1 BCI概述

1.1 BCI技術

BCI技術是一種不依賴人體外周神經傳輸通路和肌肉組織，在人腦與外界機器之間建立聯系的新型人機交互技術［1］。其能夠替代、修復、增強、補充或者改善中樞神經系統的正常輸出［2］。完整的BCI系統包括輸入（腦電采集及預處理）、信號處理（輸入轉為輸出）、輸出（機器能識別的指令）3個大模塊。BCI系統原理見圖1。

圖1 BCI系統原理Figure 1 Principle of BCI system

BCI系統包括主動式、反應式和被動式BCI系統3大類。其中主動式BCI系統不需要外部刺激，直接由用戶通過主觀意識產生腦電圖（electroencephalograph，EEG）從而控制外部設備，目前最常見的是MI-BCI［3］。

1924年，德國學者BERGER［4］用針狀電極插入頭皮下首次記錄到人腦的電活動，并首次記錄到人類癲癇發作時的EEG，確立了EEG起源于腦組織的理論。研究表明，一個成年人大腦內有1011個神經細胞以及超過1014個神經突觸。EEG主要是由皮層內大量神經突觸后電位同步總和所形成的，是許多神經元共同活動的結果。按照EEG頻率，又可將其分為δ波、θ波、α波和β波4種節律波，基本波形和基本特性見表1和圖2［5-6］。

表1 基本EEG節律波特性Table 1 Characteristics of basic EEG rhythm wave

圖2 基本EEG節律波波形Figure 2 Waveforms of basic EEG rhythm

1.2 MI-BCI技術

MI是指人在大腦中不斷地重復想象某個運動意圖，無需真正的實際運動輸出。人在MI過程中，大腦皮層會產生2種變化明顯的節律信號，分別是8～13 Hz μ節律信號和18～24 Hz β節律，大腦皮層對應腦區會出現事件相關去同步（event related desynchronization，ERD）和事件相關同步（event related synchronization，ERS）現象［7］。當想象左手運動時，右側運動感覺區的2種節律信號能量降低，左側運動感覺區的2種節律信號能量增加；當想象右手運動時，左側運動感覺區的2種節律信號能量降低，右側運動感覺區的2種節律信號能量增加。利用ERD/ERS現象，可以實現運動想象任務識別，并進一步轉換成指令控制外部設備。

1.3 AR-MI-BCI康復訓練系統

傳統的康復訓練系統場景比較單一，引入AR技術制作配套的3D生活場景和人物模型，可以帶給患者更多的沉浸感。AR技術借助真實環境的信息，服務于現實，實現信息的疊加和相互補充。實時交互的優勢主要體現在AR對真實世界事物的識別敏捷性，以真實場景疊加虛擬物體信息為基礎，通過傳感技術將混合信息傳遞給患者，可以讓其有“實際操控”的體驗，增加患者的興趣，提高康復訓練專注度。AR技術還可以根據不同需求搭建個性化的康復訓練環境，通過佩戴AR眼鏡契合患者不同康復階段的病情特點，實現坐、立和臥位的康復訓練，從而提高訓練的便攜性和配合度，改善康復效果。AR-MI-BCI康復訓練系統能夠幫助神經系統疾病患者在康復過程中化被動肢體康復為主動中樞神經康復，為臨床康復領域提供了新的模式。

1.3.1 AR-MI-BCI康復訓練系統流程 AR-MIBCI系統基于MI-BCI的康復原理結合AR在康復應用中的優勢，將AR通過傳輸控制協議（transmission control protocol，TCP）與MI-BCI系統連接，接收該系統發出的AR控制命令，并根據指令做出相應的反饋。依據生活場景搭建的AR康復訓練系統，能根據接收的控制命令提供視覺、聽覺和觸覺3種感官反饋。其中AR場景為用戶提供不同的視覺和聽覺反饋，并配以生物電刺激、康復氣動手等康復外設備提供觸覺反饋。由此，AR提供的引導和反饋、EEG采集設備和EEG處理軟件形成一個完整的閉環AR-MI-BCI康復訓練系統。AR-MI-BCI系統康復流程見圖3。

圖3 AR-MI-BCI系統康復流程Figure 3 Rehabilitation flowchart of AR-MI-BCI system

1.3.2 AR-MI-BCI康復訓練系統整體架構 ARMI-BCI康復訓練系統分為2個階段。① 離線訓練階段：該階段通過AR引導患者進行不同任務的運動想象，采集其對應任務的MI-EEG，通過算法解碼建立患者的個性化腦電模型。② 在線康復階段：該階段根據腦電模型，通過算法實時解碼MI-EEG判斷患者運動意圖，并轉換成控制指令通過外設備給患者反饋。

AR-MI-BCI康復訓練系統整體架構主要包括QT主系統和AR子系統。見圖4。

圖4 AR-MI-BCI系統整體架構Figure 4 Architecture of AR-MI-BCI system

1.3.2.1 QT主系統 QT主系統是整個BCI系統的控制核心，主要面向康復師等醫務人員，能實現EEG存儲及可視化、AR場景及康復設備選擇、任務量設定等功能，在整個康復訓練過程中，通過AR子系統（患者）的引導和反饋畫面進行同步，能夠讓醫務人員及時了解患者的康復訓練情況。

1.3.2.2 AR子系統 AR子系統主要面向患者等特定人群，通過TCP協議與QT主系統建立連接，根據接收到的指令進行運動想象任務的引導和反饋，同時還能實現康復注意事項、倒計時、康復得分等提示。

2 MI-BCI在神經系統疾病康復中的應用

MI-BCI的應用領域包括醫療、教育、軍事、智能家居和大眾消費娛樂等。最為典型的應用是醫療領域，MI-BCI在神經系統疾病方面的應用有助于了解大腦活動模式，探究其發病機制。根據每個患者的大腦活動模型設計個性化治療方案，激發特定腦區的再生潛力，重塑相應腦區的控制功能，通過大腦“自主式”的訓練，從而促進腦功能的改善和恢復。

神經系統疾病是大腦中樞神經系統或外周神經系統異常的嚴重疾病，其表現包括運動障礙、感覺障礙、認知障礙、疼痛等。上海大學腦機工程研究中心有關MI-BCI在神經系統疾病診療方面的應用（如腦卒中、毒品成癮、抑郁癥和慢性原發性疼痛等）進行了一些探索，MI-BCI技術為神經系統疾病診療帶來了新的可能性。

2.1 MI-BCI在腦卒中康復中的應用

腦卒中是一種危及生命、發病率高的急性腦血管疾病，患者往往伴隨偏癱、運動功能障礙、認知功能障礙等后遺癥，因此對腦卒中后康復的需求日益迫切。傳統的被動式康復訓練方法主要幫助患者活動肢體，其作用是防止患肢肌肉萎縮，無法對受損的大腦神經中樞進行康復訓練。面向腦卒中疾病的MI-BCI技術可以識別患者的運動想象意圖，指導患者主動想象肢體動作，實現患者主動康復［8］。CERVERA等［9］通過多種康復方法比較，證明了基于MI-BCI的康復治療方法效果最明顯?；颊咴谶M行MI任務時，通過大腦的主動想象激活大腦的運動區促進大腦神經重塑，使受損的大腦區域周圍形成新的神經回路，達到恢復患者運動功能，實現康復治療的目的。

2.1.1 基于遷移學習的MI-BCI MI-BCI作為3種BCI重要范式之一，其核心環節是通過機器學習方法識別用戶進行MI時產生的腦電信號，進而實現人腦與外部設備之間的直接通信與控制。傳統機器學習方法在進行MI-EEG識別之前，通常需要大量采集用戶的腦電信號，這大大增加了用戶的校準時間，在一定程度上降低了系統的用戶體驗。此外，EEG具有個體差異性，是一種低信噪比的非平穩性信號，容易受外界環境、用戶其他生理信號（眼電、心電和肌電等）和精神狀態的影響，不同用戶在不同時刻采集并訓練得到的分類模型一般不具有通用性。

針對上述問題，在傳統機器學習方法的基礎上引入了遷移學習方法［10］。遷移學習能夠從不同但相關的領域中學習知識并應用于新領域，可解決大數據與少標注間、大數據與弱計算間以及普適化模型與個性化需求間的矛盾。① 為解決傳統機器學習算法通用性差的問題，提出模型共享特征自適應的跨時間及跨個體MI-BCI遷移學習［11］。② 為解決腦電信號非平穩及高時間成本的問題，提出空時頻聯合稀疏優化的跨個體MI-BCI遷移學習［12］。③ 為解決域內不同類之間及域間沒有區分的問題，提出子域自適應深度卷積網絡的跨時間MI-BCI遷移學習［13］。MI-BCI腦卒中康復系統和結合AR的MIBCI腦卒中康復系統的離線數據分析與在線數據分類均基于上述遷移學習模型開發。

上海大學腦機工程研究中心研究團隊早期開發了針對腦卒中患者的肢體康復腦機接口系統，通過主動想象肢體動作幫助患者恢復運動功能。隨后，在此基礎上融合了虛擬現實（virtual reality，VR）和AR等技術，以提升患者康復過程中的主動性。這些技術的引入增加了康復訓練的樂趣和動力，促進患者更積極地參與康復訓練。為了解決不同患者之間的個體差異問題，該團隊還進一步拓展傳統機器學習方法，引入遷移學習方法以更好地適應每個患者的特定情況，從而提高系統的個性化程度和診療效果。

2.1.2 單側上肢MI-BCI腦卒中康復訓練系統 目前MI-BCI任務以左右手等不同側肢體的分類為主，不能很好地滿足大量單側肢體偏癱腦卒中患者的康復需求。本研究面向腦卒中患者的康復應用，設計了新型單側上肢MI-BCI腦卒中康復訓練系統［14］?？祻陀柧毾到y由患者、康復范式系統、腦電采集和識別系統3個部分構成。見圖5。

圖5 單側上肢MI-BCI腦卒中康復訓練系統結構圖Figure 5 Structural diagram of MI-BCI rehabilitation training system for unilateral upper limb after stroke

2.1.2.1 患者 患者作為MI-BCI腦卒中康復訓練系統的用戶，作為人機交互的一端發揮主觀能動作用，康復訓練效果將直接取決于患者參與MI-BCI康復療法的專注程度?；颊咄ㄟ^佩戴腦電帽完成MI任務，使康復訓練系統獲取實時的EEG數據。這些數據首先在離線階段用來生成該患者的自適應模型，然后在在線階段作為模型的輸入，預測患者是否想象正確。

2.1.2.2 康復范式系統 康復范式系統作為MIBCI腦卒中康復訓練系統的前臺客戶端，承擔著與患者直接進行人機交互的職責。MI-BCI試驗范式主要包括單側手部反復握緊松開的抓握動作和單側肘部左右往復的搬運動作兩類任務。見圖6。1次試驗包括200個試次，每個試次包括3 s動作提示、4 s運動想象和2 s休息。

圖6 MI任務的詳細動作Figure 6 Detailed actions of MI tasks

2.1.2.3 腦電采集和識別系統 腦電采集和識別系統作為MI-BCI腦卒中康復訓練系統的后臺服務器端，負責EEG數據的處理和解碼，是康復訓練系統的核心部分。腦電采集系統在訓練開始后，將患者的EEG信號與對應事件標簽保存下來。腦電識別系統在離線階段結束后，將保存的EEG數據以此作為自適應卷積神經網絡（convolutional neural networks，CNN）算法的訓練子程序的輸入，經過原始信號預處理、預訓練模型參數調整、選取最優模型的步驟，得到適合該患者的自適應模型，并保存下來供后續在線階段使用。在在線階段開始后，獲取本次的無標簽MI-EEG信號，作為自適應CNN算法的測試子程序的輸入，得到分類結果，之后將這一分類結果作為指令向康復范式系統傳輸。

2.2 MI-BCI在毒品成癮康復中的應用

吸毒人員脫毒困難的重要原因是毒品嚴重損傷大腦神經功能造成難以戒斷的精神依賴和身體依賴。根據上海青東強制隔離戒毒所提供的數據顯示，吸毒人員治療時需先進行生理脫毒治療，該階段治療周期大約15 d。生理強制隔離戒毒階段完成后，吸毒人員將被轉到心理康復區通過不同的心理脫毒療法進行康復訓練。常用的心理脫毒康復療法有勞動管理、運動干預以及心理輔導等。這些方法雖對身體素質和大腦功能改善有一定的治療效果，但長期的勞動管理以及運動干預方法容易讓吸毒人員產生疲憊、無聊之感，且無法提供客觀、有效的自控力訓練。EEG在BCI技術支持下能夠反映吸毒人員大腦活動最真實的情況，與傳統的心理療法以及評估手段比較更具客觀真實性。因此，本研究基于BCI與VR技術設計了基于BCI＋VR技術的毒品康復訓練系統（見圖7），旨在輔助吸毒人員減輕心理成癮，提高集中注意力和自我控制能力；還引入適用于吸毒人員的厭惡療法，結合VR技術使吸毒人員在毒品與抵抗情緒之間產生聯系［15］。

圖7 基于BCI＋VR技術的毒品成癮康復訓練系統結構示意圖Figure 7 Schematic diagram of system structure of drug addiction rehabilitation training based BCI+VR technology

毒品成癮康復訓練系統分為自我控制療法和厭惡療法2個訓練階段。① 自我控制療法是由運動想象療法演變而來，吸毒人員完成1次訓練需要經過2個訓練階段，分別是離線視頻引導訓練階段和基于引導/反饋的在線訓練階段。② 厭惡療法訓練包括2個不同的VR場景。在進入該療法訓練之前，吸毒人員必須要先完成毒品圖的視覺刺激任務，目的是激發其對毒品最強程度的渴求。然后根據吸毒人員的意愿，選擇令其不舒適感更強的場景進行觀看。

與腦卒中康復訓練系統不同，吸毒人員在進入該康復訓練系統后，首先進行由毒品圖及中立圖隨機交替出現的視覺刺激，以引發吸毒人員對毒品最強烈的渴求。然后吸毒人員可根據自己的意愿進入自我控制療法或者厭惡療法訓練，吸毒人員在使用時不需要按照特定的順序（如先進行自我控制療法訓練再進行厭惡療法訓練）進行訓練。

基于BCI＋VR的毒品成癮康復訓練系統不僅可以為吸毒人員在心理成癮戒斷過程中提供新的康復訓練模式，還能采集使用該系統時產生的EEG數據，用于后續對毒品成癮度的評估。

2.3 MI-BCI在抑郁癥康復中的應用

隨著城市化進程的加快，抑郁癥發病率逐漸攀升。重度抑郁可導致自殺，應做到早診斷、早治療。目前抑郁診斷方式主要依賴量表和醫生問診，這種方式存在耗時長、主觀性高等問題。因此，尋找一個客觀、簡便的抑郁患者識別方式以及對其生物學指標進行量化尤為重要。大量研究表明，與健康對照組比較，抑郁癥患者腦電數據存在一定的規律性［16-23］。腦電信號會受到被試者不同的精神狀態和各種腦部疾病的病因影響，研究抑郁患者和健康對照組的功能性腦網絡的連接差異性具有重大意義。

針對抑郁癥患者與健康對照腦功能網絡的差異性，本研究團隊設計了抑郁癥患者腦電識別方案。該方案共包含以下8個步驟。

2.3.1 數據獲取 使用E-prime軟件設計了靜息態和任務態2種試驗范式。每位被試者（包括抑郁癥患者和健康對照者）需完成1組靜息態任務和3組任務態任務，以采集靜息態腦電數據和任務態行為學數據。

2.3.2 數據預處理 對獲取的靜息態原始腦電數據進行數據轉換、數據剔除、數字濾波、獨立成分分析（independent component analysis，ICA）去偽跡處理，為后續的腦電識別提供較為干凈的腦電信號。

2.3.3 頻帶分解 將預處理后的腦電數據分解為5個特定單頻帶及1個多頻帶。

2.3.4 計算多頻帶功能連接矩陣 分別采用相關性、相位滯后指數（phase-lag index，PLI）和iCoh指標計算功能連接矩陣。

2.3.5 構建多頻帶腦網絡連接圖 基于PLI指標構建多頻帶功能連接矩陣，并轉化為多頻帶腦網絡連接圖。

2.3.6 CNN識別預測標簽 設計了2層CNN結構對多頻帶腦網絡模型進行分類識別。

2.3.7 構建多頻帶頭頭模型 基于iCoh指標構建多頻帶功能連接矩陣，并轉化為多頻帶頭頭模型。

2.3.8 上報輔助診斷結果 將最終的分類標簽和多頻帶頭頭模型的可視化結果提供給醫生進行輔助診斷。

其中腦電數據分析處理流程主要分為3個階段。① 預處理：采用ICA算法消除眼電和肌電等典型腦電偽跡干擾。② 特征提?。禾崛∫钟艋颊吆徒】祵φ战M5個特定單頻帶腦網絡特征和1個多頻帶腦網絡特征。③ 分類識別：使用CNN網絡對特征提取階段的數據進行識別，對比支持向量機（support vector machine，SVM）算法和深度置信網絡（deep belief nets，DBN）分類算法。

抑郁癥患者腦電識別方案見圖8。

3 MI-BCI技術在神經系統疾病康復應用中存在的不足及展望

盡管MI-BCI技術在神經系統疾病康復應用中具有巨大的潛力，但目前還存在一些不足之處，需要進一步研究和發展。

3.1 技術成熟度

雖然MI-BCI基本原理已經被廣泛理解，但在實際應用中，如何準確地捕捉和解析大腦的運動意圖仍然是一個挑戰。此外，如何將這種意圖轉化為有效的控制信號，也需要進一步研究。

3.2 設備成本

目前，MI-BCI設備成本相對較高，這可能會限制其在大規模應用中的推廣。隨著集成電路和通信技術的發展，設備成本有望進一步降低，從而使更多的患者能夠受益于這項技術。

3.3 安全性和隱私保護

使用MI-BCI進行神經康復訓練涉及到大量的個人健康數據，如何確保這些數據的安全和患者的隱私權益，是一個重要的問題。

3.4 臨床驗證

雖然有一些初步研究顯示，MI-BCI技術在神經系統疾病康復中取得一定效果，但這些研究大多是在實驗室環境中進行的，缺乏臨床試驗數據支持，還需要進一步驗證其有效性。

為此，廣大從事腦機接口技術研究的工作人員還需要繼續提高MI-BCI的技術成熟度，解決現有的問題；同時，爭取多方面政策和技術的支持，以降低設備成本，保護患者隱私，推動MI-BCI技術的臨床應用。

4 小 結

面向神經系統疾病的運動想象腦機接口技術是一種依賴于人工智能算法的新技術，該技術為神經系統疾病診療提供了新思路。這種以患者主動想象為基礎的腦機接口技術被證實是更有效、更先進的，在未來的疾病診斷治療中可能被大量使用。但目前該方法仍存在一些局限性和挑戰，隨著腦機接口和人工智能技術的發展，未來更高效、更精準的運動想象識別方法必將在運動想象腦機接口康復訓練技術上作出新的貢獻。