常文文，聶文超，袁月婷，閆光輝，楊志飛，張冰濤，張學(xué)軍

(蘭州交通大學(xué)電子與信息工程學(xué)院 蘭州 730070)

在康復(fù)訓(xùn)練過(guò)程中，使用機(jī)器人設(shè)備比傳統(tǒng)的人工康復(fù)更具優(yōu)勢(shì)，能增加患者訓(xùn)練的動(dòng)機(jī)和自主訓(xùn)練的機(jī)會(huì)，從而提高康復(fù)訓(xùn)練的質(zhì)量和效果。在步態(tài)康復(fù)方面，外骨骼和智能助行機(jī)器人被廣泛應(yīng)用，并取得了良好的效果[1-2]。隨著腦機(jī)接口(brain computer interface, BCI)技術(shù)的發(fā)展，基于BCI 的主動(dòng)式康復(fù)可以通過(guò)更快、更有力地檢測(cè)大腦的運(yùn)動(dòng)意圖來(lái)改進(jìn)康復(fù)策略，提高康復(fù)效果，是未來(lái)神經(jīng)康復(fù)系統(tǒng)發(fā)展的趨勢(shì)[3-4]。理解大腦認(rèn)知活動(dòng)和運(yùn)動(dòng)過(guò)程之間的關(guān)系，對(duì)于發(fā)展基于腦機(jī)接口的主動(dòng)康復(fù)技術(shù)具有重要作用。

目前的研究主要通過(guò)測(cè)量腦電信號(hào)(elecrroencephalogram, EEG)對(duì)運(yùn)動(dòng)意圖進(jìn)行特征解碼和模式識(shí)別研究[1,5]，EEG 測(cè)量由于其簡(jiǎn)單、便攜和高時(shí)間分辨率，被廣泛應(yīng)用于運(yùn)動(dòng)意圖的檢測(cè)中。文獻(xiàn)[6-7]表明，EEG 中包含了豐富的步態(tài)和運(yùn)動(dòng)信息，而針對(duì)行走和步態(tài)等下肢運(yùn)動(dòng)意圖的解碼研究剛剛起步。在步態(tài)過(guò)程中最基本的一個(gè)動(dòng)作過(guò)程就是起立和坐下， 文獻(xiàn)[3]開(kāi)發(fā)了一種實(shí)驗(yàn)協(xié)議，完成了對(duì)被試者在起立－坐下和屈膝－伸展動(dòng)作過(guò)程中腦電信號(hào)和肌電信號(hào)的同步采集，通過(guò)事件相關(guān)同步/去 同 步(event related synchronization/desychronziation)和慢皮層電位以及與下肢相關(guān)的肌電模式分類(lèi)來(lái)分析被試的動(dòng)作意圖，并結(jié)合支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)完成對(duì)不同運(yùn)動(dòng)階段的分類(lèi)識(shí)別，得到了很好的效果。文獻(xiàn)[6]通過(guò)對(duì)EEG 信號(hào)中低頻波段信號(hào)的解碼，研究了10 名被試者從坐姿到站姿以及從站姿到坐姿轉(zhuǎn)變過(guò)程中對(duì)應(yīng)的腦電信號(hào)特征，在保留EEG 數(shù)據(jù)豐富的統(tǒng)計(jì)特征基礎(chǔ)上，結(jié)合高斯混合模型(Gaussian mixture model,GMM)，從時(shí)間嵌入的低頻EEG 信號(hào)中成功識(shí)別“站到坐”和“坐到站”的動(dòng)作意圖，也證實(shí)了類(lèi)似基于BCI 的下肢解碼技術(shù)在外骨骼康復(fù)機(jī)器人中應(yīng)用的可行性。文獻(xiàn)[4]同樣專(zhuān)注于動(dòng)作執(zhí)行前的皮層慢電位，對(duì)Delta 波段在運(yùn)動(dòng)意圖解碼中的可行性展開(kāi)分析，基于動(dòng)作開(kāi)始前1.5 s 的慢波數(shù)據(jù)，通過(guò)設(shè)計(jì)自我觸發(fā)和外界提示觸發(fā)兩種模式對(duì)起立、坐下和安靜3 種狀態(tài)下的EEG 信號(hào)特征展開(kāi)分析，通過(guò)偽跡子空間重構(gòu)算法消除對(duì)EEG 信號(hào)中的高幅噪聲，通過(guò)構(gòu)建時(shí)間嵌入的EEG 特征向量并應(yīng)用Fisher 判別分析降低其時(shí)空特征的維數(shù)，最后結(jié)合GMM 分類(lèi)器完成對(duì)3 種狀態(tài)的識(shí)別，得到了較好的效果。文獻(xiàn)[8]最早基于高密度的EEG 測(cè)量，就被試在站立和行走過(guò)程中執(zhí)行視覺(jué)反應(yīng)任務(wù)時(shí)的大腦認(rèn)知過(guò)程做了詳細(xì)研究，對(duì)EEG 數(shù)據(jù)的獨(dú)立分量分析顯示，在站立、慢走和快走期間的視覺(jué)事件相關(guān)電位在不同運(yùn)動(dòng)條件下沒(méi)有差異，證明了在運(yùn)動(dòng)過(guò)程中記錄和認(rèn)知有關(guān)的大腦活動(dòng)的可行性。文獻(xiàn)[9]對(duì)被試者在坐著、站立和行走過(guò)程中從事某種認(rèn)知任務(wù)時(shí)大腦認(rèn)知負(fù)荷的變化過(guò)程進(jìn)行研究，基于干電極的腦電信號(hào)采集，通過(guò)設(shè)計(jì)聽(tīng)覺(jué)誘發(fā)的事件相關(guān)電位分析，發(fā)現(xiàn)與坐著相比，行走時(shí)P3 顯著降低，表明行走時(shí)的認(rèn)知負(fù)荷高于其他兩項(xiàng)活動(dòng)，而坐著和站著的P3 無(wú)顯著差異。文獻(xiàn)[10]提出了一種基于熵的信號(hào)復(fù)雜度度量方法，并通過(guò)共空間模式濾波器選擇了可用于特定動(dòng)作分類(lèi)的特征量，最后利用線性判別分類(lèi)器實(shí)現(xiàn)對(duì)站立和行走動(dòng)作的識(shí)別。綜上可以看出，有關(guān)運(yùn)動(dòng)意圖的解碼研究主要集中為兩種信號(hào)，一種是事件相關(guān)的同步/去同步電位，另一種是運(yùn)動(dòng)相關(guān)腦電位(movement related potentials, MRPs)[1,4]。此外，文獻(xiàn)[8-9]針對(duì)不同動(dòng)作過(guò)程中認(rèn)知能力變化的研究，實(shí)現(xiàn)了對(duì)該類(lèi)動(dòng)作的有效檢測(cè)和識(shí)別。但是，這些研究主要集中在感覺(jué)運(yùn)動(dòng)腦區(qū)少數(shù)電極通道的慢電位上，缺乏從全腦角度出發(fā)的空間域特征信息表示以及相應(yīng)的識(shí)別方法研究。

步態(tài)是一個(gè)復(fù)雜的認(rèn)知和運(yùn)動(dòng)控制過(guò)程，下肢動(dòng)作也涉及全腦各個(gè)腦區(qū)的協(xié)調(diào)和配合，在一個(gè)站立或坐下動(dòng)作完成之前，人的大腦必然表現(xiàn)出一定的特征信息，可以通過(guò)對(duì)該類(lèi)特征信息的解碼最終確定其運(yùn)動(dòng)意圖[4]。這些信息除了通過(guò)上述皮層慢電位的表征之外，通過(guò)對(duì)腦區(qū)間相互依賴(lài)關(guān)系的動(dòng)態(tài)變化過(guò)程分析，有望揭示運(yùn)動(dòng)意圖解碼的新特征[11-12]。文獻(xiàn)[13]就站立和行走過(guò)程中的腦功能網(wǎng)絡(luò)特征展開(kāi)分析，發(fā)現(xiàn)相比站立狀態(tài)，行走過(guò)程中感知運(yùn)動(dòng)腦區(qū)的功能連接會(huì)減弱。文獻(xiàn)[11]就是否有外骨骼輔助下運(yùn)動(dòng)過(guò)程中的腦功能網(wǎng)絡(luò)特征展開(kāi)分析，也表明了基于圖論的腦網(wǎng)絡(luò)分析方法在步態(tài)康復(fù)研究過(guò)程中具有一定的特殊作用。文獻(xiàn)[12]通過(guò)構(gòu)建功能性腦網(wǎng)絡(luò)，對(duì)腦創(chuàng)傷性病人行走過(guò)程中的平衡性問(wèn)題展開(kāi)分析，也證明了基于腦功能網(wǎng)絡(luò)的空間域信息對(duì)表征步態(tài)特征具有特殊效果。針對(duì)動(dòng)作意圖檢測(cè)開(kāi)展多角度、深層次的分析和探究顯然是必要的。為此，本文設(shè)計(jì)了從靜坐到站立、然后再到靜坐的動(dòng)作轉(zhuǎn)換實(shí)驗(yàn)，并同步采集了被試者的腦電信號(hào)，通過(guò)構(gòu)建多層腦功能網(wǎng)絡(luò)，就動(dòng)作執(zhí)行前后腦區(qū)間依賴(lài)關(guān)系的動(dòng)態(tài)變化過(guò)程展開(kāi)分析，并就不同動(dòng)作對(duì)應(yīng)多層網(wǎng)絡(luò)特征參數(shù)進(jìn)行了統(tǒng)計(jì)分析。

1 實(shí)驗(yàn)設(shè)計(jì)

為實(shí)現(xiàn)對(duì)站立、坐下和靜止?fàn)顟B(tài)的識(shí)別，結(jié)合統(tǒng)計(jì)差異的網(wǎng)絡(luò)特征參數(shù)和機(jī)器學(xué)習(xí)算法，本文提出了一種該類(lèi)動(dòng)作意圖識(shí)別方法，其技術(shù)路線圖如圖1 所示。

圖1 本文技術(shù)路線圖

1.1 實(shí)驗(yàn)方案

13 名被試者完成此次實(shí)驗(yàn)，被試者均為在校學(xué)生，身體健康，沒(méi)有任何的精神疾病病史，均為右利手，實(shí)驗(yàn)之前和被試者簽署了實(shí)驗(yàn)知情協(xié)議書(shū)。實(shí)驗(yàn)過(guò)程中被試者坐在顯示器前，顯示器顯示計(jì)時(shí)時(shí)間，要求被試者先靜坐1 分鐘，然后被試者起立，由靜坐轉(zhuǎn)為站立，被試者站立持續(xù)1 分鐘，之后被試者坐下，由站立轉(zhuǎn)為靜坐，靜止持續(xù)1 分鐘，依次反復(fù)交替完成上述動(dòng)作，如圖2 所示[3]。

圖2 站立?靜坐實(shí)驗(yàn)過(guò)程示意圖

在該過(guò)程中全程記錄被試者的腦電信號(hào)，持續(xù)10 min 為實(shí)驗(yàn)的一個(gè)Session，每名被試者總共完成6 個(gè)Session 的數(shù)據(jù)采集，各Session 中間休息1～2 min。

1.2 數(shù)據(jù)采集和預(yù)處理

整個(gè)動(dòng)作實(shí)驗(yàn)過(guò)程中的數(shù)據(jù)采集使用SAGA 32+腦電采集系統(tǒng)(荷蘭TMSi 公司)，在線采樣頻率為1 024 Hz，在線采樣頻段為0～200 Hz，數(shù)據(jù)記錄中采用平均參考模式，額頂處為接地電極。該系統(tǒng)除了采集30 通道的腦電信號(hào)之外，還有4 組附加通道，通過(guò)附加通道接入了兩組外接傳感器，其中一組是慣性測(cè)量單元(inertial measurement unit，IMU)傳感器，將其固定在被試者左上腿位置，另一組是4 路足底壓力傳感器(FSR 型壓力傳感器)，以足底壓力鞋墊的形式固定在被試者左腳下方，通過(guò)IMU 和足底壓力傳感器數(shù)據(jù)，來(lái)確定起立和坐下的起始時(shí)間點(diǎn)，實(shí)現(xiàn)和腦電數(shù)據(jù)的同步，傳感器安裝位置如圖3 所示。實(shí)驗(yàn)中記錄的信號(hào)包括30 通道腦電信號(hào)、4 路足底壓力傳感器數(shù)據(jù)以及IMU 數(shù)據(jù)，所有數(shù)據(jù)的預(yù)處理均在EEGLAB 中完成。對(duì)所有被試者的處理逐個(gè)進(jìn)行，首先將每名被試者所有Session數(shù)據(jù)整合到一起，然后對(duì)數(shù)據(jù)降采樣到250 Hz，并完成0.1～48.0 Hz 的帶通濾波，使用Cleanline工具完成對(duì)信號(hào)的線性濾波，根據(jù)SAGA 系統(tǒng)電極位置完成對(duì)所有腦電信號(hào)通道的電極定位，并剔除壞電極和無(wú)關(guān)通道。在完成數(shù)據(jù)讀入的基本處理后，對(duì)IMU 的各路數(shù)據(jù)進(jìn)行低通濾波(Butterworth濾波器，截止頻率10 Hz)，并借助下肢上IMU 和腳后跟的足底壓力信號(hào)確定每個(gè)站立動(dòng)作和坐下動(dòng)作的起始時(shí)間點(diǎn)，作為EEG 信號(hào)事件的標(biāo)記點(diǎn)(將事件標(biāo)記為起立、坐下和靜態(tài)3 個(gè)狀態(tài))。根據(jù)該標(biāo)記點(diǎn)完成對(duì)所有數(shù)據(jù)的截?cái)?，為了討論?dòng)作前后的腦電特征，每個(gè)Epoch 的長(zhǎng)度設(shè)置為動(dòng)作起始點(diǎn)之前4.5 s 到之后的2.5 s，最后得到356 個(gè)Epoch數(shù)據(jù)段，所有的Epoch 數(shù)據(jù)段都進(jìn)行了基線校準(zhǔn)。然后通過(guò)視覺(jué)檢查剔除受偽跡影響較大的Epoch數(shù)據(jù)段，利用運(yùn)行獨(dú)立成分分析(run independent component analysis, RUNICA)操作完成對(duì)所有信號(hào)的ICA 分解，并基于半自動(dòng)的獨(dú)立成分分析選擇(semi-automated selection of independent component analysis, SASICA)工具包完成對(duì)偽跡成分的判斷，并剔除其中的偽跡成分，主要包括眨眼、眼動(dòng)、肌肉偽跡以及由于動(dòng)作過(guò)程引起的其他偽跡成分。在ICA 剔除偽跡之后，如有需要，對(duì)壞電極進(jìn)行插值處理，最后對(duì)所有數(shù)據(jù)進(jìn)行平均重參考，從而完成數(shù)據(jù)的預(yù)處理過(guò)程。

圖3 足底壓力鞋墊和傳感器位置固定示意圖

2 研究方法

2.1 同步似然分析

行走是人類(lèi)一項(xiàng)復(fù)雜的認(rèn)知活動(dòng)，涉及視覺(jué)判斷、運(yùn)動(dòng)控制、空間感知和規(guī)劃等多個(gè)方面，需要整個(gè)大腦不同腦區(qū)間的協(xié)調(diào)和配合。在一個(gè)動(dòng)作執(zhí)行之前，通常大腦就表現(xiàn)出一定的動(dòng)作意圖，通過(guò)討論動(dòng)作執(zhí)行前后相當(dāng)時(shí)間內(nèi)不同腦區(qū)間的相互依賴(lài)關(guān)系，有助于全面了解動(dòng)作執(zhí)行過(guò)程中大腦的活動(dòng)狀態(tài)，并有望發(fā)現(xiàn)針對(duì)動(dòng)作意圖檢測(cè)的新特征?；诙鄬幽X功能網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)分析方法為此類(lèi)動(dòng)作過(guò)程對(duì)應(yīng)腦區(qū)間依賴(lài)關(guān)系的研究提供了工具。

表征腦電信號(hào)之間相互依賴(lài)關(guān)系的度量方法有很多種[14]，其中同步似然分析(sychronization likehood, SL)被廣泛應(yīng)用于非線性和非平穩(wěn)信號(hào)間依賴(lài)關(guān)系的分析中，特別適合于腦電信號(hào)的分析，對(duì)EEG 信號(hào)中的線性和非線性特征都具有較好的表征能力，且對(duì)容積傳導(dǎo)等問(wèn)題具有較好的魯棒性[15-16]。SL 是神經(jīng)生理學(xué)數(shù)據(jù)中估計(jì)廣義同步性的常用指標(biāo)，它的理論依據(jù)是系統(tǒng)在某一時(shí)刻的狀態(tài)可通過(guò)一個(gè)插值向量來(lái)表示，當(dāng)該狀態(tài)再次出現(xiàn)時(shí)，可以用一個(gè)相似的插值向量來(lái)對(duì)其進(jìn)行表示。因此，本文采用SL 來(lái)構(gòu)建不同通道腦電信號(hào)之間的相互依賴(lài)關(guān)系，從而構(gòu)建多層腦功能網(wǎng)絡(luò)。分為以下4 個(gè)步驟。

1) 對(duì)來(lái)自通道C的EEG 信號(hào)xC,i(i=1,2,···N，N為樣本點(diǎn)數(shù))進(jìn)行重建，得到m維空間嵌入之后的信號(hào)：

式中，l為時(shí)間延遲。同理，對(duì)通道D的EEG 信號(hào)進(jìn)行重構(gòu)得到XD,i。

2) 對(duì)通道C上的第i個(gè)樣本，設(shè)定各向量之間彼此的距離小于s的概率為：

4) 在完成上述步驟之后，就可以實(shí)現(xiàn)對(duì)通道C和通道D之間EEG 信號(hào)同步似然指數(shù)SL 的計(jì)算，其表示的是通道C信號(hào)和D信號(hào)同時(shí)重現(xiàn)其狀態(tài)向量的可能性，即當(dāng)XC,j和 給定XC,i之間的距離小于鄰接距離sC,i， 同時(shí)XD,j和XD,i之間的距離也小于sD,i的可能性。本文在計(jì)算SL 時(shí)，對(duì)應(yīng)參數(shù)依 次 設(shè) 置 為：l=10、m=10、 ω1=100、 ω2=400、pref =0.01。

2.2 多層腦功能網(wǎng)絡(luò)構(gòu)建

對(duì)某段時(shí)間內(nèi)腦功能網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)動(dòng)態(tài)關(guān)系的一種表征就是對(duì)該時(shí)間段內(nèi)信號(hào)按一定時(shí)間窗進(jìn)行截?cái)?，依次?gòu)建功能網(wǎng)絡(luò)并形成超鄰接矩陣，然后借助多層網(wǎng)絡(luò)分析方法進(jìn)行特征分析。為了通過(guò)腦功能網(wǎng)絡(luò)來(lái)表征站立、坐下以及靜止?fàn)顟B(tài)的腦信號(hào)特征，首先提取了和運(yùn)動(dòng)意圖相關(guān)的delta 慢波信號(hào)，如圖1 所示，然后根據(jù)站立和坐下以及靜止?fàn)顟B(tài)的時(shí)間點(diǎn)，將3 類(lèi)狀態(tài)對(duì)應(yīng)的delta 波段信號(hào)分割為[?4.5 s, 2.5 s]的Epoch 數(shù)據(jù)段(長(zhǎng)度為7 s)，并以3.5 s 的時(shí)長(zhǎng)作為時(shí)間窗，0.5 s 的步長(zhǎng)對(duì)每個(gè)Epoch 依次進(jìn)行截?cái)?，從而得? 個(gè)時(shí)間段的子窗口(依次為w1,w2,···,w8)，這樣對(duì)一個(gè)Epoch 樣本進(jìn)行操作，就可以得到30×875×8 的數(shù)據(jù)樣本，然后對(duì)每個(gè)窗口內(nèi)以及每對(duì)窗口間使用SL 來(lái)計(jì)算兩個(gè)通道間的相互依賴(lài)關(guān)系。圖4 為層間和層內(nèi)各通道SL 計(jì)算示意圖，通過(guò)層間和層內(nèi)各通道之間SL 計(jì)算最終可以得到多層網(wǎng)絡(luò)結(jié)構(gòu)并以超鄰接矩陣的形式表示。

圖4 多層腦功能網(wǎng)絡(luò)構(gòu)建

圖5 為3 種狀態(tài)下所有被試、所有Epoch 數(shù)據(jù)段對(duì)應(yīng)超鄰接矩陣的總平均顯示，該矩陣為240×240 的SL 值矩陣表示，對(duì)角線位置為8 個(gè)子窗口(w1～w8)的窗內(nèi)連接關(guān)系(層內(nèi)連接)，而上三角或下三角矩陣為不同子窗口之間的連接關(guān)系(層間連接)，可以看到層內(nèi)連接強(qiáng)度要遠(yuǎn)高于層間連接。由于圖示超鄰接矩陣中SL 為總平均值，3 種狀態(tài)之間的差異并不明顯。為此，圖6 計(jì)算了該超鄰接矩陣中SL 的總平均值，可以看到3 種狀態(tài)之間，SL 均值在動(dòng)作發(fā)生期間要高于靜止?fàn)顟B(tài)，且坐下和起立動(dòng)作對(duì)應(yīng)均值接近，但是統(tǒng)計(jì)分析并沒(méi)有發(fā)現(xiàn)3 種狀態(tài)之間存在顯著差異。

圖5 3 種狀態(tài)對(duì)應(yīng)EEG 信號(hào)SL 超鄰接矩陣

圖6 3 種狀態(tài)SL 超鄰接矩陣總平均值

2.3 多層腦功能網(wǎng)絡(luò)特征參數(shù)分析

為了就整個(gè)動(dòng)作過(guò)程對(duì)應(yīng)的特征量進(jìn)行量化分析，本文重點(diǎn)討論4 類(lèi)多層網(wǎng)絡(luò)特征參數(shù)，首先是層?層相關(guān)系數(shù)(layer-layer correlation, LLC)，將其定義為兩個(gè)網(wǎng)絡(luò)層之間的皮爾遜相關(guān)系數(shù)[17-18]，用于表示各網(wǎng)絡(luò)層之間，特別是不同子窗口對(duì)應(yīng)網(wǎng)絡(luò)層之間的相關(guān)性程度。為了就多層網(wǎng)絡(luò)中不同層之間整合和分離程度進(jìn)行度量，文獻(xiàn)[17]引入了一個(gè)度量指標(biāo)，該指標(biāo)量化了第m層中的鏈路關(guān)系仍然存在于第n層中的條件概率(conditional probability, CP)，將其定義為：

式中，Am(m=1,2,···,8)為層內(nèi)鄰接矩陣。如果P值較高，表示各層之間整合關(guān)系較強(qiáng)，而如果各層之間關(guān)系相對(duì)比較獨(dú)立，則P值較低。此外，不同層之間的分離特征也可以用多層模塊值來(lái)進(jìn)行量化，文獻(xiàn)[19-20]將其定義為：

最后，多層網(wǎng)絡(luò)還可以使用多層參與系數(shù)(multilayer participant coefficient, MPC)來(lái)量化其特征。該系數(shù)與熵有關(guān)，主要用來(lái)量化給定節(jié)點(diǎn)i的鏈路是均勻分布在各個(gè)層中，還是主要集中在一個(gè)或幾個(gè)層中[17-18]。節(jié)點(diǎn)i的MPC 值被定義為：

2.4 閾值選擇和單層腦功能網(wǎng)絡(luò)特征參數(shù)分析

上述SL 值構(gòu)成的超鄰接矩陣表征了層內(nèi)和層間的相互依賴(lài)關(guān)系，是對(duì)同一時(shí)間段或不同時(shí)間段各通道之間相互依賴(lài)關(guān)系的一種表征，在這種連接關(guān)系中也存在著大量的弱連接邊，可能是由于噪聲或其他非特征性相互作用造成的，并不能有效表征不同動(dòng)作狀態(tài)下腦區(qū)間的真實(shí)依賴(lài)關(guān)系。因此，在一般性問(wèn)題的討論過(guò)程中，需要設(shè)定一個(gè)合適的閾值對(duì)上述超鄰接矩陣中的連接邊權(quán)值進(jìn)行篩選，保留在不同狀態(tài)間具有一定區(qū)分度的重要連接邊。為此，首先將3 種狀態(tài)對(duì)應(yīng)SL 超鄰接矩陣權(quán)值展平，并組合在一起構(gòu)成一個(gè)一維向量，然后通過(guò)選擇該向量取值分布圖上的上分位點(diǎn)作為最終的閾值點(diǎn)，圖7 為該向量的頻率直方圖分布以及確定的閾值(閾值T= 0.1)。

圖7 3 種狀態(tài)對(duì)應(yīng)SL 超鄰接矩陣值統(tǒng)計(jì)分布

對(duì)上述3 種狀態(tài)對(duì)應(yīng)所有超鄰接矩陣使用本閾值進(jìn)行重點(diǎn)權(quán)值邊的篩選，發(fā)現(xiàn)由于層間連接都較弱，保留下的重點(diǎn)連接邊都表征了層內(nèi)各通道之間的連接關(guān)系。因此，對(duì)各層內(nèi)連接以單層網(wǎng)絡(luò)的方法進(jìn)行對(duì)比分析，重點(diǎn)考慮了各層網(wǎng)絡(luò)的度、聚集系數(shù)、全局效率、同配系數(shù)、傳遞性系數(shù)和節(jié)點(diǎn)的介數(shù)中心性[14,21]。網(wǎng)絡(luò)中最基本的一個(gè)參數(shù)就是節(jié)點(diǎn)度(degree, D)，定義為與該節(jié)點(diǎn)相連的邊的權(quán)值之和，并將網(wǎng)絡(luò)中所有節(jié)點(diǎn)度值的平均作為網(wǎng)絡(luò)的度(average degree, AD)。同時(shí)，主要對(duì)網(wǎng)絡(luò)的聚集系數(shù)(clustering coefficient, C)、全局效率(global efficiency, GE)、網(wǎng)絡(luò)的同配系數(shù)(assortativity coefficient, ASS)、網(wǎng)絡(luò)的傳遞性系數(shù)(transitivity,Tra)以及節(jié)點(diǎn)的介數(shù)中心性(betweenness centrality,BC)等網(wǎng)絡(luò)參數(shù)展開(kāi)分析。

3 結(jié)果分析與討論

3.1 多層腦功能網(wǎng)絡(luò)特征

在得到如圖5 所示各狀態(tài)對(duì)應(yīng)的超鄰接矩陣之后，本文分別計(jì)算了各Epoch 片段對(duì)應(yīng)的超鄰接矩陣的4 種多層網(wǎng)絡(luò)特征參數(shù)，圖8 為對(duì)應(yīng)的Q值和MPC 值，可以看出Q值保持在0.8 左右，而MPC值在0.9 以上，兩組參數(shù)值都較高，表明不管是靜止?fàn)顟B(tài)，還是起立和坐下動(dòng)作，各網(wǎng)絡(luò)層之間的連接關(guān)系較為密切，整個(gè)動(dòng)作過(guò)程中大腦活動(dòng)表現(xiàn)出很強(qiáng)的連續(xù)性。對(duì)3 種狀態(tài)之間的統(tǒng)計(jì)分析也發(fā)現(xiàn)，Q值在3 種狀態(tài)間有較為明顯的差異(t-test,p<0.05)，而MPC 值并沒(méi)有表現(xiàn)出顯著性差異。

圖8 不同狀態(tài)超鄰接矩陣對(duì)應(yīng)Q 值和MPC 值

圖9 分別對(duì)應(yīng)3 種狀態(tài)下各網(wǎng)絡(luò)層之間條件概率CP 矩陣和層?層相關(guān)系數(shù)LLC 矩陣?？梢钥吹礁鲗又g的CP 值都普遍較高，均在0.6 以上，表明各子窗口對(duì)應(yīng)網(wǎng)絡(luò)層之間存在較強(qiáng)的整合關(guān)系，不管是相鄰時(shí)間窗的網(wǎng)絡(luò)層(如w1 和w2)，還是間隔較遠(yuǎn)的時(shí)間窗的網(wǎng)絡(luò)層(如w1 和w8)，各層之間均存在較為緊密的聯(lián)系，但是3 種狀態(tài)之間并無(wú)顯著差異。相比之下，圖9 中兩層之間相關(guān)性值情況有所不同，可以看到兩層之間的LLC 值隨著兩層間距離的增加而降低，表現(xiàn)出相鄰層有較高的LLC 值，而間隔較遠(yuǎn)的層之間有較低的LLC 值。為了能夠找到可應(yīng)用于不同運(yùn)動(dòng)狀態(tài)分類(lèi)的特征量，對(duì)LLC 值同樣進(jìn)行了統(tǒng)計(jì)分析，圖9 中標(biāo)記為兩種狀態(tài)之間存在統(tǒng)計(jì)性顯著差異的情況(ttest，p<0.05，其中 “*” 為起立 vs. 坐下， “★”為起立 vs. 靜態(tài)，“▲” 為坐下 vs. 靜態(tài))?？梢钥吹剑瑢?duì)于總平均后的LLC 矩陣值并沒(méi)有明顯不同，但是統(tǒng)計(jì)分析發(fā)現(xiàn)在w4 和w6,w7,w8 之間，以及w6 和w7,w8 之間的相關(guān)性存在統(tǒng)計(jì)性顯著差異，這可能和站立和坐下動(dòng)作開(kāi)始的時(shí)間點(diǎn)有一定關(guān)系。特別是從w4 子窗口開(kāi)始，出現(xiàn)了起立和坐下的動(dòng)作起始點(diǎn)，因此和后續(xù)子窗口的網(wǎng)絡(luò)在層相關(guān)性上表現(xiàn)出顯著性差異。

圖9 不同狀態(tài)對(duì)應(yīng)網(wǎng)絡(luò)層?層相關(guān)系數(shù)矩陣

3.2 閾值篩選后網(wǎng)絡(luò)特征

為了突出上述網(wǎng)絡(luò)連接中的重點(diǎn)連接邊，將閾值設(shè)定為0.1，完成對(duì)上述3 種狀態(tài)所有Epoch 數(shù)據(jù)網(wǎng)絡(luò)權(quán)值的篩選，大于該閾值的連接邊保留，小于該閾值的連接邊權(quán)值設(shè)置為0。權(quán)值篩選后的網(wǎng)絡(luò)最終為各層內(nèi)連接網(wǎng)絡(luò)，層間連接權(quán)值相對(duì)較小，因此均被忽略。圖10 為3 種狀態(tài)各子窗口對(duì)應(yīng)閾值篩選后總平均網(wǎng)絡(luò)連接拓?fù)鋱D?？梢钥闯?，3 種狀態(tài)在8 個(gè)時(shí)間窗上拓?fù)浣Y(jié)構(gòu)變化比較平穩(wěn)，對(duì)站立和坐下?tīng)顟B(tài)，均從w4 開(kāi)始，網(wǎng)絡(luò)連接較之前的w1、w2、w3 開(kāi)始變得稀疏，并且一直持續(xù)到最終的w8，這和圖10 中網(wǎng)絡(luò)層之間相關(guān)系數(shù)顯著性差異結(jié)果一致。本文認(rèn)為這主要是由于在整個(gè)時(shí)間窗的移動(dòng)過(guò)程中，站立和坐下動(dòng)作的起始點(diǎn)最開(kāi)始均出現(xiàn)在w4 窗口，而在站立和坐下過(guò)程中的動(dòng)作電位相應(yīng)地影響了不同腦區(qū)間的這種依賴(lài)關(guān)系，且在動(dòng)作完成之后的一段時(shí)間內(nèi)，這種依賴(lài)關(guān)系得到了一定程度上的保持。從圖中也可看出，在靜止?fàn)顟B(tài)下，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)保持平穩(wěn)，不同腦區(qū)間的拓?fù)潢P(guān)系幾乎沒(méi)有發(fā)生變化，整個(gè)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的變化同起立及坐下?tīng)顟B(tài)有一定區(qū)別，但無(wú)法通過(guò)該動(dòng)態(tài)拓?fù)鋱D來(lái)區(qū)分起立和坐下?tīng)顟B(tài)。

圖10 3 種狀態(tài)各子窗口對(duì)應(yīng)腦功能網(wǎng)絡(luò)拓?fù)溥B接

為了便于進(jìn)行量化分析，確定可用于不同狀態(tài) 識(shí)別的新特征量，本文重點(diǎn)分析了3 種狀態(tài)下各窗口對(duì)應(yīng)的網(wǎng)絡(luò)特征參數(shù)。如表1 所示，分別計(jì)算了聚集系數(shù)C、全局效率E、平均度AD、同配系數(shù)Ass、介數(shù)中心性Bet 和網(wǎng)絡(luò)傳遞性系數(shù)Tra 這6 類(lèi)基本的網(wǎng)絡(luò)特征參數(shù)。其中，“*”表示ttest，p<0.05。由表可知，動(dòng)作狀態(tài)對(duì)應(yīng)網(wǎng)絡(luò)特征參數(shù)在8 個(gè)遞進(jìn)子窗上整體呈現(xiàn)出變小的趨勢(shì)，但是變化差異很小，而在靜止?fàn)顟B(tài)網(wǎng)絡(luò)參數(shù)變化沒(méi)有明顯的趨勢(shì)性。對(duì)上述各網(wǎng)絡(luò)參數(shù)在3 種狀態(tài)之間的統(tǒng)計(jì)分析表明，只有w7 窗口對(duì)應(yīng)的網(wǎng)絡(luò)傳遞系數(shù)Tra 表現(xiàn)出顯著的統(tǒng)計(jì)性差異。

表1 各狀態(tài)對(duì)應(yīng)的網(wǎng)絡(luò)特征參數(shù)

3.3 機(jī)器學(xué)習(xí)分類(lèi)

通過(guò)上述對(duì)各網(wǎng)絡(luò)特征參數(shù)的對(duì)比和統(tǒng)計(jì)分析，本文選擇了多層網(wǎng)絡(luò)特征參數(shù)Q、有顯著差異的層間相關(guān)系數(shù)LLC 以及w7 子窗口對(duì)應(yīng)網(wǎng)絡(luò)傳遞性系數(shù)Tra 構(gòu)成特征向量：

使用支持向量機(jī)(support vector machine, SVM)、邏 輯 回 歸(logistic regression, LR)、線 性 判 別 分析(linear discriminat analysis, LDA)和樸素貝葉斯(navive bayes, NB)4 類(lèi)機(jī)器學(xué)習(xí)算法對(duì)該特征向量進(jìn)行測(cè)試，完成對(duì)兩類(lèi)狀態(tài)的識(shí)別，在機(jī)器學(xué)習(xí)分類(lèi)過(guò)程中將70%的數(shù)據(jù)作為訓(xùn)練集，剩余30%作為測(cè)試集。圖11 為5 折交叉驗(yàn)證得到的平均分類(lèi)準(zhǔn)確率。可以看到，針對(duì)兩類(lèi)狀態(tài)的分類(lèi)準(zhǔn)確率均在71%以上，其中SVM 分類(lèi)器的效果最好，針對(duì)站立和坐下、站立和靜態(tài)以及坐下和靜態(tài)的分類(lèi)準(zhǔn)確率分別達(dá)到74.4%，77.0%和76.9%，證明了該方法的有效性。

圖11 不同分類(lèi)器對(duì)應(yīng)分類(lèi)結(jié)果

4 結(jié) 束 語(yǔ)

本文通過(guò)設(shè)計(jì)靜坐到站立的動(dòng)作轉(zhuǎn)換實(shí)驗(yàn)，完成對(duì)被試者在起立、坐下和靜止?fàn)顟B(tài)下對(duì)應(yīng)不同腦區(qū)腦電信號(hào)的同步似然分析，通過(guò)構(gòu)建動(dòng)作執(zhí)行前后8 個(gè)時(shí)間窗口上的腦功能網(wǎng)絡(luò)，以超鄰接矩陣表示的多層網(wǎng)絡(luò)形式展開(kāi)對(duì)不同動(dòng)作狀態(tài)下網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的特征分析?；趯?duì)多層網(wǎng)絡(luò)特征和各子窗口網(wǎng)絡(luò)參數(shù)的統(tǒng)計(jì)分析，確定對(duì)不同動(dòng)作狀態(tài)敏感的網(wǎng)絡(luò)特征參數(shù)，并使用SVM、LR、LDA 以及NB 等分類(lèi)算法實(shí)現(xiàn)對(duì)起立、坐下和靜止?fàn)顟B(tài)的分類(lèi)識(shí)別，分類(lèi)準(zhǔn)確率最高達(dá)到77%，證明了基于動(dòng)作前后動(dòng)態(tài)網(wǎng)絡(luò)特征進(jìn)行下肢運(yùn)動(dòng)意圖檢測(cè)和識(shí)別的可行性。針對(duì)多層動(dòng)態(tài)腦功能網(wǎng)絡(luò)的分析結(jié)果表明，站立和坐下動(dòng)作的發(fā)生會(huì)弱化腦區(qū)間的相互依賴(lài)關(guān)系，從而導(dǎo)致網(wǎng)絡(luò)拓?fù)溥B接結(jié)構(gòu)變得逐漸稀疏，該結(jié)果也為基于腦電的動(dòng)作意圖檢測(cè)提供了新思路，對(duì)開(kāi)展基于腦機(jī)接口的下肢助行和康復(fù)機(jī)器人的開(kāi)發(fā)具有一定的參考價(jià)值。

致謝：本文得到了蘭州交通大學(xué)天佑青年托舉人才計(jì)劃的基金資助，同時(shí)也感謝博?？甸_(kāi)放課題(BRKOT-LZJTU-20220329C)對(duì)文章的支持。