通过脑电图解码与主要模仿肌肉相关的运动意象

《Journal of NeuroEngineering and Rehabilitation》：Decoding motor imagery related to major mimetic muscles from electroencephalography

　　

摘要

背景

面神经麻痹患者存在功能与外观上的缺陷，这些缺陷会严重影响他们的生活质量。基于运动想象的技术可通过解码运动意图并控制康复设备，从而改善周围神经麻痹患者的康复效果。然而，不同面部运动想象所对应的脑电图特征及其可解码性目前仍不明确。本研究旨在探讨与主要表情肌相关的面部运动想象的解码可行性，并寻找合适的解码策略。

方法

在初步比较了块设计与时程相关设计之后，20名健康参与者在动觉和视觉两种模式下完成了四种类型的面部运动想象（抬眉、闭眼、撅嘴和微笑）。通过时频分析从中提取出事件相关的去同步/同步特征。随后，研究人员开发了一个深度学习模型，用于受试者内部及不同受试者之间的解码，并将该模型与三种主流的脑电图解码模型（EEGNet、DeepConvNet和ShallowConvNet）进行了对比。最后，该解码策略还在6名面神经麻痹患者的脑电图数据上进行了进一步测试。

结果

面部运动想象会在左侧前额叶和右侧中央颞叶区域引发显著的低频ERD现象，同时高频区域的ERS信号则更为短暂且强度更低。在运动想象解码方面，该模型的性能优于其他基准模型，在动觉运动想象的受试者内部分类中取得了85.17%的最高平均准确率，其中左侧额叶和顶叶区域的脑电图特征对解码贡献最大。应用这一策略对患者进行测试时，即使训练数据减少一半，平均准确率仍可达83.81%；而在进一步减少脑电通道数后，准确率仍保持在76.46%。

结论

本研究证明，利用深度学习技术可以从脑电图中准确识别与主要表情肌相关的运动想象，而在所有评估的解码方法中，针对动觉运动想象的受试者内部分类是最有效的解码策略。