【简报】天津大学神经工程与康复实验室简报 2017年第一期

天津大学神经工程与康复实验室

——简报——

实验室要闻：

【简讯】天津大学医学工程与转化医学研究院成立

为进一步聚焦国家重大战略需求和世界科技发展前沿，推动落实学校发展战略，完善学校学科布局，统筹推进“双一流”建设，根据事业发展需要，经2017年1月22日中共天津大学委员会常委会第九届76次会议研究决定，成立“天津大学医学工程与转化医学研究院”（简称“医工院”，英文名称Institute of Medical Engineering &Translational Medicine, Tianjin University,英文缩写 IMETM）。研究院为行政独立建制，聘任明东同志为天津大学医学工程与转化医学研究院院长，负责研究院全面工作。另聘任副院长3名，协助院长做好相关工作。研究院将以重大医学需求为牵引，引进高水平人才团队，高起点发展医学领域相关研究方向，同时依托天津大学工科优势，加强医工学科交叉，把握转化医学发展契机，促进相关资源的整合与优化，培育新兴学科生长点。

学科前沿综述：

MI-BCI研究应用及展望

                                                                      —— 2013级博士生 奕伟波

MI（motorimagery，MI）对于神经损伤后运动学习及恢复具有积极作用，而基于MI 的BCI技术对于受损运动功能代偿和恢复都具有极其重要的意义。MI-BCI是唯一的一种不需要外界刺激，并反映使用者自主运动意识且受使用者主动调控的BCI范式。然而，MI-BCI发展至今，主要涉及四类简单肢体MI（Simple limbMI，SLMI），如左手、右手、脚和舌部动作，可选动作范式较少。相比于视觉型BCI，目前MI-BCI控制信号类型有限，已然不能实现大指令集输出。为了有效扩展MI型BCI系统的输出指令集，涉及多肢体联合运动的动作模式已被引入从而建立新型的MI范式。为了弥补SLMI-BCI指令集的有限性，Doud等人在SLMI的基础上引入了双臂协同运动的MI任务，从而实现虚拟直升机的连续三维控制，如图1所示。2013年，本实验室课题组设计了手-足-体联动的同步性复合肢体MI，如双手协同运动、左手右脚协同运动和右手左脚协同运动，以及左手、右手和脚三类简单肢体动作，外加静息状态，共七类任务模式，最高分类正确率达到~84%；2016年，在同步复合肢体MI的基础上，进一步设计了四类序列性复合肢体MI，最高正确率达到了90%。

图1 三维控制实验

目前， MI-BCI主要集中于不同的肢体部位，而基于同一肢体不同动作的MI-BCI鲜有报道。如何通过工程计算方法解码同一肢体较为复杂精细的动作模式从而丰富信号类型、精细化控制输出是MI-BCI的一大挑战。2015年，Edelman等人通过EEG源成像方法提取了皮层脑电源特征用于识别右手腕内旋、外旋、伸腕和曲腕四类MI（如图2所示）。经过反演得到的皮层源信号具有比EEG更高的信噪比。相比于直接提取EEG特征，基于脑电源特征的分类正确率获得了约13%的提升。由此可见，EEG源定位是一种用于提取精细动作模式的特异性特征并指导BCI控制的可行方法。

图2 右手腕内旋、外旋、伸腕和曲腕四类动作

另一方面，不同肢体动作的解码属于离散解码，也就是一个动作对应一个输出指令。这种解码方式，对于复杂的多自由度控制是不可行的。如何通过EEG实时解码肢体动作的运动学参数，建立基于运动学参数的BCI系统，实现连续解码则是另一大挑战。2011年，Bradberry等人通过MI诱发EEG解码肢体动作的运动学参数，实时控制虚拟小球的水平和垂直速度，实现小球的二维运动，并且该方法可以大幅缩短被试训练时间。该结果表明通过EEG连续解码肢体的运动学参数的可行性，但相关研究依旧处于初始阶段。

图3  黑色为真实速度曲线，红色为预测速度曲线

MI-BCI系统现已广泛用于康复训练，尤其是中风病人。肢体运动意图的有效识别对于反馈康复训练来说具有极其重要的意义。为推进MI型BCI在康复领域的进一步应用，应继续探索新途径和新方法，从而摆脱目前输出指令集有限、可控自由度低、与实际动作不一致的困境，进而建立鲁棒性优，可靠性强，多自由度的MI-BCI运动训练和康复系统，为提高瘫痪患者生活质量提供基础和保障。

研二阶段性成果展示：

并行脑力负荷任务对SSVEP-BCI影响的探索研究

——2015级 硕士生 赵雅薇

脑-机接口（brain-computer interface, BCI）作为不依赖于大脑外周神经与肌肉正常输出通道的控制系统，为人脑与外界的信息交流提供了新的信息输出通路。人脑应用BCI与外界进行信息交流时，同时完成了大脑产生信息和使用BCI输出信息两项并行任务。而现有BCI应用大都是在实验室环境下进行的单一任务的实验过程，避免了并行任务的干扰，只对实验范式本身诱发的脑电信号进行处理分析，显然与将BCI应用于日常生活的目标有较大差距。实验室之前的研究发现了脑力负荷对P300-Speller使用效果的负面影响及其改进措施。其中，基于稳态视觉诱发电位（steady-state visual evoked potential，SSVEP）的脑-机接口系统具有信噪比高、信息传输速率高、指令集大、校准过程简易等优势，已经在对外部设施的控制及临床实践中得到较为成熟的应用。目前为止，未有相关研究对SSVEP-BCI在并行脑力负荷条件下的使用效果进行评估，因此我们设计以下实验探索并行脑力负荷任务对SSVEP-BCI的影响。

   本实验要求被试者完成字符n-back与SSVEP-BCI两项并行任务，其中n-back任务设置为n=1、3、4共三种难度的任务，SSVEP-BCI设置7Hz、9Hz、13Hz、15Hz四个频率3s的视觉刺激。每组实验结束后受试者需完成脑力负荷程度量表（rating scale mental effort，RSME）的自我测评（0-150打分）。计算SSVEP-BCI的识别结果时为了避免单一算法的偶然性，选用了典型相关分析（canonical correlation analysis，CCA）、基于滤波器组的典型相关分析（filter bank CCA，FBCCA）和基于SSVEP模板信号的典型相关分析（SSVEP template-based CCA，TCCA）三种算法进行识别计算。

图4 不同n-back状态下SSVEP-BCI识别正确率  （*:p<0.05，**:p<0.01，***:p<0.001）

图4所示为三种n-back状态下被试者SSVEP-BCI的正确率均值。如图所示，使用三种不同的识别算法，SSVEP的识别正确率均随n-back难度的升高而显著降低。

由于个体差异性，不同被试对于同一程度的n-back体验的负荷难度不尽相同，我们进一步对SSVEP识别正确率与RSME量表评分进行了相关性计算。图5所示为SSVEP识别正确率与RSME量表评分的皮尔森相关性分析结果，可以见得SSVEP-BCI的识别正确率与量表评分具有显著的负相关关系。进一步从SSVEP的特征层面分析，我们发现，正确率受脑力负荷影响严重的被试，其SSVEP谐波的幅值也有一定程度的下降。综上可得，并行负荷任务显著降低了SSVEP-BCI的使用效果，对SSVEP-BCI在实际生活场景中的应用带来了挑战，其改善措施有待于在日后的研究中进一步发现。

图5  SSVEP识别正确率与RSME量表评分的相关性

胃泌素释放肽在脑缺血神经网络中的作用机制探究

   —— 2015级硕士生  王发颀

  众所周知，神经元集群中的神经元通过兴奋性或者抑制性突触相互连接以进行各种电生理信息传递与交流，并由此按照一定的电生理节律被激活或者抑制。神经元集群的这种节律性的电生理行为被称为“神经振荡”（neuronal oscillation）。研究表明，不同节律的神经振荡可能在不同脑区信息交流与协调过程中起关键作用。虽然不同节律的神经振荡的调制作用功能各异，但并非彼此孤立，即：不同脑区之间的神经振荡或相同脑区中不同节律的神经振荡皆可以通过彼此相互作用发生联系。这种不同节律神经振荡之间的相互调制作用被称为“交叉节律耦合”（cross-frequencycoupling，CFC），研究发现，CFC出现在众多认知活动中并起着重要作用。相同节律神经振荡间的相互作用，常表现为相位同步（图6 A）；不同节律神经振荡间的CFC现象主要表现为相位-幅值耦合、相位-相位耦合以及幅值-幅值耦合等，如图6所示。  

 图6  相同节律神经振荡相位同步与不同节律神经振荡交叉节律耦合形式示例。A.不同脑区间4Hz节律间的相位同步；B.4Hz节律与24Hz节律间的相位-幅值耦合；C.4Hz节律与24Hz节律间的

相比于急性脑缺血，慢性脑缺血由于其发病缓慢、病程较长、病状不明显等原因，其导致脑损害的特点、机制和防治的研究较少，仍具有较大的探索空间。然而慢性脑缺血是一种常见病，临床症状主要表现在渐进性的认知功能损伤，如血管性痴呆等，但是目前此类疾病尚无很好的治疗方法。因此对慢性脑缺血治疗方法以及相关药物的研究十分具有理论和应用价值。

胃泌素释放肽( gastrin-releasing peptide，GRP) 是哺乳动物体内的一种神经肽，它可以和细胞膜表面的胃泌素释放肽受体结合产生相应生理作用。本课题之所以选择GRP作用于慢性脑缺血大鼠模型，是因为有研究表明，GRP在直接调节神经元生成、发育以及参与海马环路功能中起到了重要的作用，GRP很有可能改善慢性缺血引起的认知功能损伤。

综上所述，由于神经振荡在认知功能中起着重要作用，因此本课题应用分析相位同步性的相位锁定值，分析CFC的n:m 相位锁定方法、相位幅值耦合—相锁值等分析方法，探究GRP在脑缺血神经网络中的作用机制。

EEG溯源分析

—— 2015级硕士生 徐立超

EEG从电生理的角度反映了大脑的活动情况及功能状态,对EEG的研究一直是人类在不断探索和认识人脑高级认知功能进程中的重要组成部分。当前，EEG作为一种非侵入式的神经影像学方法，在临床疾病诊疗、神经科学研究以及工业上都有着极为广泛的应用。

然而，EEG面临的最大的问题在于，测得的信号不是脑内神经元集群产生信号的直接对应，而是脑内多个信号源在容积导体效应下产生的混叠信号。与MRI等神经影像学方法相比，EEG不能提供高分辨率结构影像，其空间分辨率较低，这就限制了对EEG的分析和应用。溯源分析问题则是利用测量得到的EEG信号重建脑内源信号的分布模式，由于源空间引入了大脑的区域和结构信息，结合其他影像学知识，研究者可以对源空间中信号的变化模式做更为细致的研究。

       脑电逆问题是一个典型的高度不适定问题，该类问题的解存在不唯一性和不稳定性，原始数据的微小变化就会导致求解结果存在较大的差异。 通常解决脑电逆问题需要引入基于生理和数学的先验假设，从而缩小不确定解的范围以得到一个近似真实解的结果。EEG溯源分析的众多算法基本可以分为两类，一类是以最小范数（minimum norm estimate，MNE）、低分辨率层析成像（low resolution brain electromagnetic tomography，LORETA）为代表的正则化方法，另一类则是以概率理论为基础的贝叶斯方法。

图8  源空间与电极空间分类正确率对比

在应用方面，EEG溯源分析可用于运动意图检测、运动参数识别以及研究运动神经机制。2016年Bin He团队将溯源分析运用于右手四类精细动作识别，发现源空间上四分类的正确率能到82.2%，远高于电极空间的结果(图8)，表明溯源分析对于运动意图检测的可用性。Pellegrino等人分析中风后病人采用运动康复机器人进行康复训练，让病人做出精细程度不同的手部动作，并对采集到的EEG信号进行溯源分析，结果表明手部动作越精细，左右初级运动区间的联系越紧密，这也初步体现了溯源分析在运动神经机制研究中的成果。

编辑：孟佳圆

校准：何川  

长按图片，识别二维码，关注“天津大学神经工程与康复实验室”！