通过超高密度脑电记录系统实现单个手指运动精准解码

基于脑电图(EEG)的脑机接口系统因其时间分辨率高、使用方便和较灵活的可移植性而得到广泛的研究。通常情况下，EEG信号的分辨率越高，对身体精密活动（如手指活动）的解码准确率越高，这得益于电极材料的发展和高密度电极制作工艺的进步，来自韩国的一项研究利用直接连接到头皮的柔性电极网络采集获得超高密度脑电图（uHD EEG），常规脑电图的电极间距平均为60 ~ 65 mm，而uHD EEG的电极间距平均为8.6 mm。

这项研究采用支持向量机(SVM)对EEG信号进行手指活动两两分类。获得的平均分类准确率为64.8(6.3)%，其中中指分类准确率高于环指最高平均准确率为70.6(9.4)%。这为外部设备的BCI手指运动控制奠定了基础。

图1 10-20、10-10、扩展10-10和超高高密度脑电图(uHD EEG)系统，其中uHD EEG系统包含1024个超高清脑电图系统。该研究高密度电极网络涵盖了绿色区域，一共包含256个电极。

受试者头发将被剃光已准备高密度电极记录实验，uHD EEG网格将直接连接到头皮上。整个实验包括10次连续运行。每次实验持续大约5分钟，受试者可以在每个实验之间休息。在休息期间，受试者可以放松、吞咽或眨眼。在5 s任务期间，受试者根据指令提示伸展手指，并保持身体其他部位不移动。所有手指在每次任务中被伪随机提示5次，即每次实验包含25次手指伸展。

图2 数据采集系统整体设置示意图。uHD EEG记录系统被放置在受试者头皮的对侧感觉运动皮层上。256通道放大器通过USB端口连接到采集计算机。整个实验过程通过摄像机记录，在休息期间，手指没有上色，呈灰色，在任务期间，被提示伸展的手指呈黑色。

对采集到的数据进行预处理后，提取mu (8 ~ 12 Hz)和beta (13 ~ 25 Hz)频段的特征。通过波段功率特征生成地形图评估系统性能，使用线性支持向量机(SVM)分类器对手指活动进行两两分类。

图4 5个受试分别使用的通道和运行的数量。黑点表示良好的通道，红点表示被排除的通道

图5 使用beta频段(13 – 25 Hz)计算来自各自受试者的单个手指运动的地形图的事件相关去同步/同步地形图。

通过事件相关地形图发现，mu 事件ERD在指令发出0.5 ~ 2.5 s发生，随后在3.5 ~ 5 s发生ERS。beta 事件ERD发生于0.5 - 5.0 s，终止于6-7 s的ERS。且在所有256个电极中提取出了18个具有最显著的ERD手指颜色编码的电极。

图6 线性支持向量机(SVM)对mu和beta频段功率特征的均值和标准差(SD)的准确度时间过程分析结果。分类准确率在1.5 s时达到最大值约80%。

图7 (A) 基于β（13-25Hz）频段特征的受试者所有手指运动的事件相关去同步化/同步化（ERD/S）泡状图。对于每个手指，选择具有最大ERD的6个通道。气泡的半径反映了ERD的大小。

该项研究清楚地表明，与传统EEG系统相比，uHD EEG系统能够获得更高的空间分辨率，从而为更详细地了解其时间和空间动力学提供条件。利用uHD EEG系统可以对单个手指进行识别。峰值准确度达到85.4%(S1)、79.2%(S2)、69.4%(S3)、71.5%(S4)、66.2%(S5)。其中无名指的手指比其他手指的分类准确率更高可能是因为无名指的伸展比其他手指的伸展需要更多的努力。总之，利用超高密度脑电记录系统记录为更精准的分类提供了强大的技术手段。

论文信息：

https://www.frontiersin.org/articles/10.3389/fnins.2022.1009878/full

---

仅用于学术交流，若有侵权，请后台留言，管理员即时删侵！

更多阅读

将同构迁移学习应用于脑机接口，

解决训练数据不足的问题

用于恢复言语以及帮助治疗抑郁症的脑机接口设想

Transformers 如何模仿大脑的某些部分

当你在梦乡里，大脑是如何唤醒你的？

帮助大脑患病患者生活的脑机接口解决方案

瘫痪患者借助脑机接口可进行数字绘画

   加入社群  

欢迎加入脑机接口社区交流群，

探讨脑机接口领域话题，实时跟踪脑机接口前沿。

加微信群：

添加微信:RoseBCI【备注：姓名+行业/专业】。

加QQ群：104048131

  欢迎来稿  

1.欢迎来稿。投稿咨询，请联系微信：RoseBCI

2.加入社区成为兼职创作者，请联系微信：RoseBCI

助力脑机接口发展

---

点个在看祝你开心一整天!