基于EEG的脑机接口双重想象任务：组合心智状态分类的可行性研究

《Frontiers in Human Neuroscience》：Dual imagery tasks for EEG-based brain–computer interfaces: a feasibility study of combinatorial mental state classification

　　

摘要

引言：主动脑机接口（active brain–computer interfaces, BCIs）旨在无需身体运动即可实现通信和控制。BCI通过检测和解码与自主生成的心智任务相关的不同脑活动模式，并将其转换为外部设备的命令来运行。运动想象（motor imagery, MI）任务（即想象身体部位的运动）是主动BCI中最常用的控制范式；然而，此类系统通常仅限于相对较少的命令数量。增加可区分心智状态的数量可能会提高主动BCI的灵活性和信息传输容量。本研究引入了双重想象（dual imagery, DI）任务。DI任务涉及同时执行两种心智任务，具体而言，将歌唱想象（singing imagery, SI）与单手或双脚的MI相结合。本研究探讨了使用EEG对此类组合想象任务相关神经活动进行分类的可行性，从而评估其在主动BCI中扩展可区分控制状态数量的潜力。

方法：在14名健康参与者执行指定心智任务时记录EEG。经过预处理后，采用滤波器组共空间模式（filter bank common spatial patterns, FBCSP）方法和正则化线性判别分析（regularized linear discriminant analysis, LDA）分类器，在3类、4类、7类和8类场景中进行特征提取与分类。3类分析评估每个DI任务是否能与其组成的单一任务区分开；4类分析则加入了“静息”（rest）状态。7类和8类场景探讨了将可区分的BCI控制状态数量扩展到6个以上的可行性。

结果：3类和4类场景的最高准确率分别达到64.1%和63.0%，表明DI任务既能与其组成的单一任务区分，也能与静息状态区分。在7类和8类场景中，平均准确率分别约为55%和50%，显著超过相应的理论随机水平（14.3%和12.5%）。

结论：尽管当前获得的准确率尚不足以支持实用的高命令数主动BCI，但研究结果证明了组合想象任务相关神经活动分类的可行性。这些发现支持DI范式在扩展主动BCI可区分控制状态数量方面的潜力。

基于EEG的脑机接口双重想象任务：一种组合心智状态分类的可行性研究——论文解读

一、研究背景与问题提出

脑机接口（brain–computer interface, BCI）是一种新兴技术，能够在大脑与外部设备之间建立直接通信通路。主动BCI通过检测使用者自主生成的预定脑活动模式，并将其转换为外部设备的控制命令，从而在无需任何身体运动的情况下实现通信与环境交互。在基于脑电图（electroencephalography, EEG）的主动BCI研究中，运动想象（motor imagery, MI）任务是最常用的控制范式，通常包括想象右手（right hand, R）、左手（left hand, L）、双脚（feet, F）和舌头（tongue, T）的运动。此外，非运动任务如心算、空间导航和歌唱想象（singing imagery, SI）等也曾被探索用于主动BCI设计。然而，现有主动BCI系统通常只能同时区分四到五种不同的心智任务，每个任务对应一条控制命令。系统支持的命令数量有限，已成为制约BCI实用性、信息传输速率和用户友好性的重要瓶颈。在此前的研究中，研究人员已经系统探讨了将SI作为MI任务替代或补充方案的可行性，并验证了SI与MI任务在EEG层面的可区分性，以及将系统命令数从五个扩展到六个的可能性。然而，如何在不显著增加认知负荷的前提下进一步增加可区分的控制状态数量，仍是该领域面临的挑战。

二、研究目的与研究内容

基于上述背景，本研究旨在探索一种新型任务范式——双重想象（dual imagery, DI）任务，即同时执行两种通常不同的心智任务，具体为将歌唱想象（SI）分别与右手MI、左手MI和双脚MI相结合，从而产生三种复合想象任务：RSI、LSI和FSI。研究的基本假设是，组合两个单一任务能够产生具有独特脑活动模式的第三种DI任务，从而使三者可相互区分。DI任务在诸如轮椅或光标控制等应用场景中具有潜在优势：四个基本方向的运动可由单一MI任务映射，而对角方向的运动则可对应相应的DI任务。本研究系统评估了DI任务与各组成单一任务及静息状态（REST）之间的EEG可区分性，并探索了利用DI任务将BCI命令数量扩展至七个和八个的可行性。

三、实验设计与关键研究方法

研究招募了14名健康右利手参与者（平均年龄25.1±11.6岁，其中7名男性），最终12名参与者完成全部实验并纳入分析（2名参与者因疲劳中途退出）。实验采用64通道actiCHamp系统（Brain Products, GmbH）以500 Hz采样率记录EEG，电极按国际10–10系统放置，所有电极阻抗保持在10 kΩ以下。每个参与者完成单次实验，执行8种任务（R、L、F、SI、RSI、LSI、FSI和REST），每种任务重复60次，共480次试验，分为6组（每组80次试验），每组内任务顺序随机，组间至少休息3分钟。实验开始时参与者填写运动觉与视觉想象问卷（Kinesthetic and Visual Imagery Questionnaire, KVIQ-10），并在每组试验后对任务难度进行1–5级评分，全部试验结束后完成任务偏好问卷。EEG数据预处理使用EEGLAB工具箱，流程包括去直流偏移、平均参考、抗混叠滤波、降采样至250 Hz、分段（-500至4000 ms）和基线校正。特征提取采用滤波器组共空间模式（Filter Bank Common Spatial Patterns, FBCSP）算法，构建了跨度0–96 Hz、带宽分别为4、8、12和16 Hz的密集滤波器组（共73个频带），对每个频带优化10个CSP滤波器（5对），共提取730个特征。分类采用基于scikit-learn库的正则化线性判别分析（regularized Linear Discriminant Analysis, LDA）分类器，性能评估使用五轮10折交叉验证。此外，研究人员还计算了参与者8类分类准确率与其各自我评分绩效类别（强、中、弱、错误）占比之间的皮尔逊相关系数。

四、主要研究结果

1. 参与者的任务偏好与难度评分

参与者偏好问卷调查显示，10/12的参与者更偏好单一任务而非DI任务；9/12的参与者更偏好使用优势手（右手）执行DI任务；参与者普遍更偏好FSI而非RSI和LSI。难度评分方面，所有任务（除REST外）的感知难度随实验进展呈下降趋势，其中DI任务的难度评分下降幅度（平均约0.8，从约3.2降至2.4）明显大于单一任务（平均约0.3，从约2.2降至1.9），表明参与者对DI任务的热悉度随练习增加而显著提高。

2. 3类和4类分类结果

3类分类场景（每个DI任务与其两个组成单一任务的区分）中，L + SI + LSI场景取得最高平均准确率64.1%，R + SI + RSI场景为62.0%，F + SI + FSI场景为59.3%，均远高于38.9%的参与者级二项随机水平。4类分类场景（加入REST状态）的相应准确率分别为63.0%、61.8%和58.1%，亦显著高于29.6%的随机水平。各任务均获得高于随机水平的精确率、召回率和F1-score。混淆矩阵分析显示，DI任务与其对应MI任务之间存在最大相互混淆（L–LSI、R–RSI、F–FSI各方向混淆约15%–18%），而DI任务与SI之间的混淆显著较低（2.9%–9.5%）。

3. 7类和8类分类结果

8类分类场景（包含全部8种任务）取得了50.3±16.1%的平均准确率，远高于12.5%的理论随机水平。7类场景（每次排除一个任务）的平均准确率在49.9%–55.4%之间，均高于17.1%的参与者级二项随机水平。排除RSI任务时取得最高7类准确率55.4%，较8类场景提升5.1个百分点，这与8类混淆矩阵中R与RSI之间存在最高相互混淆的结果一致。

4. 分类准确率与自我评分数据的相关性

皮尔逊相关分析表明，参与者的任何自我评分类别（强、中、弱、错误）占比与其8类分类准确率之间均无显著相关性（所有p>0.23），说明参与者对自身任务执行成功与否的主观判断并不能直接反映其EEG模式的可区分性。

五、讨论与结论

讨论部分指出，DI任务虽然初始感知难度高于单一任务，但随练习其难度评分显著下降，逐渐接近单一任务的评分水平，提示经过充分训练后DI任务可能具备长期使用的可行性。从分类结果来看，DI任务与对应MI任务之间的混淆大于与SI之间的混淆，这可能由于参与者在执行DI任务时难以在单任务与双任务之间灵活“开启”和“关闭”歌唱想象的内部表征，也反映了DI任务与对应MI任务在神经表征上存在更大的重叠。研究中REST状态被有意设置为无约束条件以贴近实际BCI应用场景，结果表明所有MI和DI任务均可与REST良好区分。在增加命令数方面，7类和8类分类结果虽低于70%的实用通信阈值，但显著高于随机水平，证明了组合想象范式扩展BCI控制状态数量的可行性。分类准确率与自我评分之间缺乏相关性，提示主观任务执行感受不能作为预期分类性能的直接指标。研究结论认为，将DI任务纳入主动BCI可能是增加可区分控制状态数量的可行途径，8类场景约50%的平均准确率证明了组合想象范式的潜力，但当前准确率尚不足以支持实用化高命令数BCI系统。未来研究需要在更大、更多样化的受试者队列中验证，并结合深度学习或黎曼几何分类器等先进方法进一步优化系统性能。