基于EEG和fMRI运动协调想象的脑机交互机制及运动康复应用

Rehabilitation for Movement disorders after stroke is very important. Being different from the traditional rehabilitation methods, Motor imagery based brain–computer interaction is an emerging technology for rehabilitating motor deficits. However, the traditional simple motor imagery involving unilateral limb has limitations because of its not being easily understood by patients and limited rehabilitation effect. The study aims at gait movement coordination disorder of lower limb and a new paradigm based on motor coordination imagery for brain-computer interaction is proposed and expected to be used in the rehabilitation of movement disorders. At present, the mechanism of brain-computer interaction based on motor coordination imagery remains unknown. A large number of traditional methods being used for quantization of brain activity related to motor imagery are to detect the modulation of sensorimotor rhythm (alpha and beta band). The neural processing of motor coordination imagery by MRCPs is explored and the dynamic brain network based on EEG is calculated by EEG having a high time resolution. Brain activation and brain functional network of motor coordination imagery are explored by fMRI having a high spatial resolution. Finally, with the results, a prototype system of rehabilitation robot for lower limbs motion coordination actuated by brain-computer interaction based on motor coordination imagery and the neural plasticity is induced by the optimization of the neural feedback. This project will lay a solid foundation for movement rehabilitation based on this BCI.

脑中风后运动障碍的康复很重要，与传统康复方法不同，基于运动想象的脑机交互是一种新兴的可用于运动障碍康复的技术。然而，传统的单侧肢体简单的运动想象具有局限性，不易为患者理解并且康复效果有限。本项目针对下肢步态运动协调障碍，提出一种新的基于运动协调想象的脑机交互范式，可望用于该类运动障碍的康复。目前，运动协调想象的脑机交互机制尚不清楚。大量传统的研究量化运动想象活动的方法是基于探测感觉运动节律（α和β频带）的调制，本项目基于时间分辨率高的EEG，拟采用运动相关皮层电位（MRCPs）探查运动协调想象的神经加工过程，并计算基于ＥＥＧ的动态脑网络；进而基于空间分辨率高的fMRI探查运动协调想象的脑区激活和脑功能网络。最后，基于上述探查结果，构建基于运动协调想象的脑机交互驱动下肢运动协调康复机器人的原型系统，通过最优化的神经反馈诱导神经可塑性。本项目的实施可望为该类脑机交互用于运动康复打下坚实的基础。

脑中风往往会导致下肢运动或步行功能障碍，出现运动不协调，这类患者的康复很重要，但传统康复方法效果有限，需要另辟蹊径，探索新的方法。课题基于脑电（EEG）和功能近红外光谱（fNIRS，以fNIRS的便携性代替fMRI）探索了一种新的下肢运动协调想象脑机交互（BCI）主动康复方法。1）设计了一种新的下肢运动协调想象的脑机交互实验范式：左右下肢抬腿、落腿以及空闲状态，通过下肢运动想象的正确执行、能力评估和提高训练，受试者认为该范式自然简单，易于理解和掌握，能够激活下肢运动协调相关脑区；2）探索了下肢运动协调想象诱发的EEG 和fNIRS/fMRI 信号特征，特别是基于EEG 的脑网络特征；3）分别基于EEG 和fNIRS探索了解码运动协调想象的方法，并构建了基于运动协调想象的脑机交互用于运动康复的原型系统。下肢运动协调想象主要激活了感觉运动区，频带功率主要集中在θ和α波段，脑功能连接主要发生在右前额。基于EEG的脑网络特征与邻接矩阵的空间特征相结合对下肢两种步态想象（正常步态和中风后偏瘫步态想象）具有良好的可分性（p<0.05），组合特征的平均分类准确率为92.96%±7.54%。利用氧合血红蛋白（oxyhemoglobin，HbO）的均值、峰值和均方根组合特征，依赖类的稀疏表示分类（cdSRC）对三个任务（正常步态想象、中风后异常步态想象和空闲状态）的平均分类准确率为87.39±2.59%，显著高于SVM和KNN（分别为78.67±3.96%和79.78±4.77%）。研究发现cdSRC结合fNIRS可以有效地识别步态想象，并且证明HbO的组合特征比步态想象的单一特征具有更好的可分性。此外，HbO均值、峰值和均方根（RMS）三种特征组合下，稀疏表示分类（SRC）对步行想象和空闲状态的平均分类准确率为91.55±3.30%。研究还表明， 2-8s的时间窗比其他时间窗取得了更好的分类精度（94.33±2.60%）。结果表明，脑网络特征可用于识别正常步态和中风后偏瘫步态的想象。课题所得结果有望为步行功能障碍患者提供一种新的、可选的主动康复训练方法。