基于稳态视觉诱发电位的脑机制及脑-机接口研究

摘要

稳态视觉诱发电位具有信噪比高、频谱稳定等特性，被广泛应用于认知机制研究和脑-机接口领域。基于稳态视觉诱发电位的脑-机接口具有训练时间少，信息传输率高等特点，是脑-机接口的一个重要分支。稳态视觉诱发电位的一些相关脑机制研究还不完善，从一定程度上阻碍了这类脑-机接口技术的进一步发展。
　　本文以脑电为分析对象，主要采用基于图论的网络分析方法来对稳态视觉诱发电位的脑机制进行研究，并采用多维信息编码和现代统计信号处理的方法来解决脑-机接口中存在的一些技术问题。主要内容和结果概括如下：
　　1.采用基于图论的网络分析方法来对稳态视觉诱发电位的脑机制进行研究。实验采用了12.5 Hz和16.6 Hz两种刺激频率和11个被试。首先，利用相干和稀疏化方法构建被试在刺激频率下的网络（网络0）。根据网络0中的连接与稳态视觉诱发电位强度强度的关系，将网络0分成了三个子网络：网络1,网络2和网络3。其中，网络1和网络3分别由与稳态视觉诱发电位强度成显著性正相关和显著性负相关的连接构成；网络2则由与稳态视觉诱发电位强度之间不存在显著性相关的连接构成。分别计算了网络0、网络1和网络2三个网络的聚类系数、特征路径长度、全局效率、局部效率和平均连接强度这5个属性，并分别计算了它们与稳态视觉诱发电位的强度之间的相关关系。分析结果表明，稳态视觉诱发电位的幅度与3个网络的聚类系数、全局效率、局部效率和平均连接强度分别成正相关，与特征路径长度成负相关。此外，与稳态视觉诱发电位的幅度之间存在显著相关的连接主要为枕-顶区域至前额区域的长程连接。通过置换分析发现，被试间稳态视觉诱发电位的强度强弱与枕-顶至前额的长程连接权重的差异相关。采用同样的分析方法和过程，分析了被试时变的稳态视觉诱发电位网络的5个属性与稳态视觉诱发电位的强度之间的相关关系等，得到了许多类似的结果。这些结果表明，稳态视觉诱发电位的强度越强，对应着越高效的网络拓扑结构。同时，这些结果也为我们理解SSVEP的脑机制提供了新的见解。
　　2.采用静息态下的脑电数据，利用相干和稀疏化方法构建了刺激频率下的静息态网络，计算了静息网络的聚类系数、特征路径长度和平均连接强度等3个网络属性值。通过相关分析发现，静息网络的聚类系数和平均连接强度与稳态视觉诱发电强度成负相关，特征路径长度与稳态视觉诱发电强度成正相关。静息态网络连接中，大多数连接的连接强度与稳态视觉诱发电的强度成负相关。对稳态视觉诱发电的产生有主要贡献的连接主要是枕-顶区域与前额区域之间的长程连接。此外，跨频率平均的静息态网络属性与稳态视觉诱发电位数据的分类准确率相关，都可用于预测脑-机接口分类准确率，而聚类系数和特征路径长度之间的一种组合可以达到最佳的预测效果。
　　3.提出了新颖的多变量同步指数的频率识别算法。在该算法中，S-估计算法被用于计算多导脑电信号与参考信号之间的同步性，通过仿真数据和离线真实脑电数据的验证发现，与当前使用最为广泛的基于典型相关分析和基于最小能量组合的两种算法相比，新算法在数据时间窗较短和电极数量较少的情况下可以得到更高的分类准确率，对噪声具有更高的鲁棒性。这些结果证明该算法可进一步提高脑-机接口系统的的性能。
　　4．通过引入时间信息，提出使用时间、频率、空间三维信息对刺激模块进行编码的范式。在新范式中，不同的刺激模块分布在显示器的不同空间位置。每个刺激模块由刺激频率集合的一个排列中的频率按照时间先后顺序进行周期性的编码。在编码长度为2的情况下，实现了2种频率对4个刺激模块进行编码，并进行了实际离线数据验证，证明了该新范式的有效性和可行性。最后，基于新范式和前面提出新的频率识别算法开发出了一种控制虚拟机器人的脑-机接口系统，取得了令人满意的实验结果。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1 脑-机接口研究的意义

1.2 稳态视觉诱发电位

1.3 SSVEP的脑机制研究

1.4 基于SSVEP的脑-机接口

1.5 本文研究的主要工作

1.6 论文结构

第二章 SSVEP幅度与网络属性之间的相关性分析

2.1 引言

2.2 方法和材料

2.3 结果

2.4 讨论

2.5 本章小结

第三章 动态SSVEP和时变网络属性之间的相关分析

3.1 引言

3.2 方法和材料

3.3 结果

3.4 讨论

3.5 本章小结

第四章 基于静息态网络的SSVEP-BCI研究

4.1 引言

4.2 材料和方法

4.3 结果

4.4 讨论

4.5 本章小结

第五章 基于多变量同步指数的SSVEP-BCI频率识别算法

5.1 引言

5.2 材料和方法

5.3 结果

5.4 讨论

5.5 本章小结

第六章 基于多频序列编码范式的SSVEP-BCI

6.1 引言

6.2 方法和材料

6.3 实验结果

6.4 讨论

6.5 本章小结

第七章 全文总结与展望

7.1 全文总结

7.2 研究展望

致谢

参考文献

攻读博士学位期间取得的成果