神經反饋技術是一種可供選擇的行為學治療手段,是將腦電(EEG)信號轉換成容易被人們理解的聲音、動畫等形式,受試者通過訓練,選擇性地增強或抑制某一頻段的EEG信號,可以達到調節腦功能的目的。本文基于腦-機接口技術,從實時EEG信號中提取特征參數并產生反饋信息,針對放松訓練和注意力訓練設計了兩個反饋界面,搭建了一套完整的神經反饋系統。通過系統仿真和初步實驗,驗證了本套神經反饋系統的準確性和可行性。
引用本文： 蒲賢潔, 劉鐵軍, 吳強, 張銳, 徐鵬, 李科, 夏陽, 堯德中. 基于腦電信號的神經反饋系統研究. 生物醫學工程學雜志, 2014, 31(4): 894-898. doi: 10.7507/1001-5515.20140168 復制
引言
神經反饋(neurofeedback,NFB)是將腦電圖(electroencephalogram,EEG)等神經信號轉換成視、聽覺信息，受試者通過訓練，選擇性地增強或抑制某些成分，以達到調節腦功能的目的[1]。這項技術最早是根據巴甫洛夫[2]的經典條件反射理論發展而來，心理學家斯金納[2]對其進行了完善：經典條件作用只能用來解釋基于應答性行為的學習，即刺激在前、反應在后，強化物是同刺激相結合；然而重要的刺激應當是跟隨反應之后的刺激，即反應在前、刺激在后，強化物是同反應相結合。后者被稱為“操作性條件作用”[2]。在操作性條件作用中，學習者在特定環境下主動而自愿地進行操作，過程包含一種有助于獲得獎勵，并傾向于重復的活動[2]。這種學習模式具有重要的啟發意義，如果借助先進的儀器幫助人們增強對自身生理活動反應的感知，通過學習和訓練，個體就能建立自主神經系統的操作性條件反射來調節這些變化，實現對生理反應的自我管理[1]。這就是神經反饋的基本原理。
將神經反饋用于臨床治療已有30多年歷史。到目前為止，研究證明較為有效的是用于癲癇和注意缺陷多動障礙(attention deficit hyperactivity disorder,ADHD)治療領域[3-4]。此外，它在臨床上的應用研究已經擴展到藥物成癮、腦外傷、依戀障礙(attachment disorder)、艾斯伯格癥(Asperger’s disorder)、創傷后應激障礙(post traumatic stress disorder，PTSD)、慢性疼痛以及抑郁等疾病[5]。同時，對于正常人情緒、認知的改善，甚至醫生手術能力的提高均有一定效果[6-7]。可見，神經反饋不僅是治療心身疾病[1]的一種重要手段，對于正常人也是一種非常有用的學習技巧，能夠使人們更好地學會控制自己的心理生理反應，因此可以作為聯結普通醫學和社會、心理醫學的橋梁，在醫療衛生領域發揮廣泛的作用。
盡管神經反饋技術由來已久，但是國內在這方面設備的研發仍處于起步階段。由于神經反饋與腦-機接口技術在信號采集、信號特征提取與模式分類方面完全類似[8]，而課題組近年來在腦-機接口技術領域取得了重要進展，因此，可以利用腦-機接口的相關研究成果，密切配合臨床需求，在人體EEG信號采集和分析的基礎上開發神經反饋訓練系統。本文針對EEG信號中的自主節律成分，如感覺運動節律(sensorimotor rhythm，SMR，通常被認為是與注意、感知以及長期記憶等有關[3-4, 7])和Alpha節律(與正常人的認知功能和精神狀態有關[6-7])，通過實時EEG信號處理提取其特征參數，以此產生反饋信息，對受試者進行自我調節訓練，以期為臨床提供具有實用性、穩定性的治療平臺。
1 神經反饋系統設計
本文搭建的神經反饋系統如圖 1所示，取名為“NFB-2010”，由以下基本部分組成：EEG信號采集系統，EEG信號分析與特征提取模塊，神經反饋控制模塊及反饋信息(反饋界面)。其中，EEG采集硬件系統采用國內較為成熟的新拓放大器，其主要技術指標為：采樣率1 000 Hz，A/D轉換精度16 Bit，共模抑制比≥98 dB，噪聲電平≤ 2.5 μVp-p，輸入阻抗＞50 MΩ，分辨率0.5 μV。這套系統價格低廉，性能可滿足神經反饋系統各方面的基本需求，數據傳輸采用USB接口實現與計算機的數據高速傳輸，更重要的是它提供了底層驅動與軟件開發工具包(standard development kit，SDK)，這樣就能方便地實現放大器數據的讀取，從而有利于上端EEG信號的特征提取和反饋控制的實現。
圖1
NFB-2010系統組成示意圖
Figure1.
Structure of the neurofeedback system NFB-2010
新拓放大器將一定時長的EEG數據打包并實時上傳，系統主機對不斷上傳的EEG數據進行有序有效的讀取和存儲，并在此基礎上進行EEG信號的分析與特征提取，最終實現神經反饋控制和反饋界面的呈現。本系統所用計算機的基本配置情況如下：CPU：Intel Core2 2.5 GHz；內存：2.0 GB；顯卡：Intel G41 Express Chipset；操作系統：Windows XP。
軟件系統開發平臺為Borland C++ Builder，采用C++/C實現了神經反饋系統的上層開發。
1.1 軟件系統結構
我們在計算機上實現了神經反饋系統的整個軟件平臺，其中放大器參數設置、阻抗檢測、用戶信息數據庫等部分為實驗室原有腦-機接口在線系統[9]所具備，在此基礎上修改了原有的數據采集/存儲、信號處理算法部分，以滿足神經反饋的具體要求，并新開辟了計算/顯示/控制線程，設計了神經反饋圖形界面等。軟件系統框圖如圖 2所示，圖中的箭頭表示調用關系。每次訓練首先創建或修改用戶信息，然后對放大器的硬件濾波或者采樣率等參數進行設置，通過阻抗檢測后，選擇反饋界面、訓練時間、個人Alpha頻點(individual Alpha frequency，IAF)[10]及反饋導聯等訓練參數，啟動神經反饋訓練，此時將同時開啟數據采集/存儲和計算/顯示/控制線程，系統在CPU多線程機制下一邊采集數據，一邊對數據進行積累，達到時間窗長度后，就進行特征提取，并根據結果控制圖形界面，實現反饋。當訓練完成，結束所有線程，整個過程中的數據被記錄存盤，可供離線處理和分析。
圖2
NFB-2010軟件系統框圖
Figure2.
Block diagram of the software system of NFB-2010
1.2 EEG信號實時特征提取
本文利用課題組現有腦-機接口在線系統[9]中穩定有效的算法來實現EEG信號的實時處理。神經反饋訓練特征提取的目的是對特定頻段EEG節律強弱作出判斷，這里需要采用頻域分析的方法，對功率譜進行估計，計算出所需頻段表征EEG節律強弱的功率值。頻域分析方法中，經典法由于分辨率過低，在神經反饋中的應用有一定的局限性，因此本文采用參數建模法中的自回歸(auto-regression,AR)模型作為特征提取算法[9]，對通帶功率譜進行實時估計。
我們利用hamming窗函數滑動截取實時EEG數據，在每個短時窗內假設EEG信號是平穩的，并利用AR模型估計時間窗內EEG信號的功率譜特征用于分類。但是，要在實際系統中具體實現，需要考慮自相關函數的誤差估計問題以及尤利-沃克方程直接求解的難度和巨大計算量，因此我們需要研究更快速有效的方法來實現AR譜估計[9]。Burg在一篇文章中提出一種直接由時間序列計算AR模型參數的方法，被人們稱為Burg算法，用Burg遞推算法實現AR譜估計，在保證算法計算量小的前提下可以大大提高功率譜估計性能，是實時功率譜估計的較好算法[9]。我們的神經反饋實時系統最終采用Burg遞推算法提取EEG譜估計特征用于反饋控制，并引入一個滑動hamming窗，計算數據每0.3 s更新一次。為了對算法效果進行驗證，我們采用了兩種仿真：① 在MATLAB中設計、產生仿真數據[由頻率分別為10 Hz和40 Hz的正弦信號疊加而成，如圖 3(a)所示]，代替放大器上傳數據進入軟件系統，觀察功率譜實時顯示界面。仿真結果如圖 3(b)所示，可見功率譜估計能夠準確反映仿真信號的頻率特征。② 利用函數信號發生器產生真實信號輸入放大器，穩定信號幅度，任意改變信號頻率，觀察功率譜實時顯示界面。仿真時發現，在系統設計的通頻帶范圍內任意改變信號頻率，功率譜的頻率響應都非常實時、準確。
圖3
實時功率譜及其仿真驗證
(a)仿真數據在MATLAB中的功率譜圖示；(b)實時功率譜界面對仿真數據的顯示
Figure3. Real-time power spectra and its simulation verification(a) power spectra of simulation data displayed in MATLAB；(b) the screen displays the real-time power spectra of the simulation data
1.3 反饋控制機制
由于神經反饋訓練目標不同，與之適應的腳本和劇情(即反饋界面設計)也各具特色，因此系統在特征提取并做出判斷之后，需將控制命令傳輸至各式各樣的反饋界面，使之生動形象地表現出用戶此時的EEG狀態。為了增強程序的可擴展性，以便在今后增加豐富多樣的反饋界面模式，本文的神經反饋系統利用Windows消息機制簡化程序接口設計，通過PostMessage( )函數來模擬鍵盤按鍵動作(能方便地連接其他任何使用按鍵控制的反饋界面程序)，實現對反饋界面的實時控制。
1.4 反饋信息選取
針對不同的情況，訓練模式和方案各不相同，目前主要有Alpha、Theta、SMR、以及皮層慢電位(slow cortical potentials，SCP)等EEG頻段的獨立或組合使用。本文參考國外學者利用IAF對EEG頻段進行劃分的方法[10]，目前設計有Alpha頻段(IAF±1.5 Hz)和整個EEG頻段(4~28 Hz)的功率比值，SMR頻段[(IAF+4)±1.5 Hz]和Theta頻段[(IAF-4)±1.5 Hz]的功率比值，以此作為反饋信息，實現Alpha放松訓練和SMR/Theta注意力訓練。
1.5 反饋界面設計
視覺形式的反饋類似于我們日常接觸的動畫或游戲，但其特殊的應用場合和用途決定了在反饋界面模式的選擇上，不能照搬現有動畫或游戲，必須有針對性地進行設計。由于NFB-2010系統是單一計算機系統，信號的采集、處理、反饋的呈現需要在同一計算機上完成，為了在性能上取得平衡，需要優先考慮信號處理的需求，反饋界面的呈現形式不應太過復雜。此外，用戶與反饋界面交互的唯一途徑是EEG信號，因此腳本設計應當弱化操控性，即不需要過多外圍信號的輸入與控制，信號處理后給出的控制信號是一個快速變化的全或無信號，使得反饋界面的操控感受到很大限制，因此獎勵反饋和懲罰反饋的畫面變化不宜太劇烈[11]。考慮以上因素，本文針對放松反饋訓練和注意力反饋訓練設計了兩個反饋界面，如圖 4所示。
圖4
訓練反饋界面
Figure4.
Feedback screens for training
兩個界面左邊的小窗口為EEG功率比值的實時顯示，其中白線為閾值線，窗口上方的三個文本框分別可以設置分數預定值、閾值上調尺度、反饋頻段比(反饋信息)。當分數(Score)每增加到預定值時，閾值線按預定尺度自動上調，同時分數自動清零并重新開始計數。
放松反饋界面的右窗口為一個漸變的動畫設計，在訓練開始，整個窗口為一黑色幕布，隨著訓練的開展，幕布以圓形方式展開，逐漸呈現一幅優美和諧的場景(圖片選自北京師范大學認知科學與學習國家重點實驗室編制的中國情緒圖片系統CAPS[12])。在分數預定值和閾值上調尺度一定的情況下，控制幕布展開快慢的因素就是與受試者放松程度相關的EEG狀態(圖中設置為Alpha的功率相對值)。
注意力訓練界面的右窗口是利用Microsoft的DirectX技術實現的虛擬場景(為實驗室李科老師提供)。訓練中，受試者可以把自己想象成這只玩滑板的兔子，在道路上滑行時需要集中注意力，避免撞上障礙物(木桶)。而游戲控制的機制是，當與受試者注意力集中程度相關的EEG狀態(圖中設置為SMR/Theta的功率比值)高于閾值線時，兔子就能改變滑道，避免撞上前方的障礙物；反之，則會撞上。
2 神經反饋訓練研究
系統開發完畢后，我們借鑒國內外神經反饋研究案例[6-7]，對正常受試者進行神經反饋訓練。受試者為10名受過高等教育的健康學生，年齡分布為(23.56±1.6)歲，均簽署了受試者知情同意書。訓練采用Alpha放松訓練和SMR/Theta注意力訓練相結合的模式[7]，將放松訓練作為注意力訓練的“前導期”，以使注意力訓練獲得更好的效果。訓練中，系統判斷受試者的放松或注意程度，當EEG頻段比值超過閾值時，即給予受試者獎勵反饋。反饋訓練具體流程如下：
(1) 受試者保持睜眼靜息狀態，觀察原始波形3 min，這一步驟記為B1(睜眼基線前測)。
(2) 受試者保持閉眼靜息狀態，觀察功率譜2 min，確定IAF值，這一步驟記為B2(閉眼基線前測)。
(3) Alpha訓練10 min。在反饋模式設置界面輸入步驟(2)所記錄的IAF值。根據上一次訓練成果設定初始閾值，指導受試者調整放松逐步獲得獎勵反饋，這一步驟記為ATr。
(4) SMR/Theta訓練10~20 min。在反饋模式設置界面輸入步驟(2)所記錄的IAF值。根據上一次訓練成果設定初始閾值。實驗中受試者需持續注視反饋界面的某個焦點(如比值柱的起伏或兔子的前進)，若受試者因保持注意力集中而產生疲勞，可根據自身身體情況向研究人員提出暫停，適當休息后恢復繼續訓練。若受試者在訓練進行了10 min后，使閾值調整到比上次訓練最終閾值高20%以上，即可提前結束此步驟(最長訓練時間為20 min)。這一步驟記為STr。
(5) 受試者保持閉眼靜息狀態，觀察功率譜2 min，這一步驟記為B3(閉眼基線后測)。
(6) 受試者保持睜眼靜息狀態，觀察原始波形3 min，這一步驟記為B4(睜眼基線后測)。
每名受試者在兩周的時間內分別完成了5次訓練。由于本次實驗以SMR/Theta注意力訓練為主，為觀察受試者相應EEG節律的變化，我們計算了各個受試者每次訓練每個步驟的SMR/Theta功率比值(S/T比值，時間平均)，然后將前測B1、注意力訓練STr、后測B4數據段的S/T比值按時間順序排列(如圖 5所示，選擇B1、B4段基線數據是因為這兩個步驟與注意力訓練STr段均處于睜眼狀態)，并對這三個數據段分別進行統計分析(對第1次、第5次訓練的S/T比值進行配對t檢驗)。
圖5
10名受試者參與5次訓練的S/T比值隨訓練進程的統計分布
Figure5.
Statistical distribution of S/T ratios of 10 subjects with time in the 5 training sessions
由圖 5可以直觀地看出每次訓練后測(B4)的S/T比值均比前測(B1)高，而且整體隨時間呈上升趨勢，經統計學分析，第5次訓練結果與第1次訓練結果比較，B1段的S/T比值有上升的趨勢(t=1.997，P=0.081)，STr段(t=2.533,P=0.032)和B4段(t=2.834,P=0.025)的S/T比值則明顯上升。由以上結果可知，受試者經過實驗所設計的SMR/Theta 注意力訓練，提升了SMR/Theta功率比值，初步實現了本文搭建此EEG神經反饋系統的目標。
3 結語
本文配合臨床需求，利用腦-機接口的相關研究成果，在人體EEG信號采集和分析的基礎上開發了一套神經反饋訓練系統。通過系統仿真和初步實驗證明，受試者在經過簡單的嘗試后，能夠通過調整自身狀態對界面進行有效控制并在這個過程中獲得對EEG節律的調節。這為給臨床提供具有實用性、穩定性的神經反饋治療平臺奠定了基礎。
引言
神經反饋(neurofeedback,NFB)是將腦電圖(electroencephalogram,EEG)等神經信號轉換成視、聽覺信息，受試者通過訓練，選擇性地增強或抑制某些成分，以達到調節腦功能的目的[1]。這項技術最早是根據巴甫洛夫[2]的經典條件反射理論發展而來，心理學家斯金納[2]對其進行了完善：經典條件作用只能用來解釋基于應答性行為的學習，即刺激在前、反應在后，強化物是同刺激相結合；然而重要的刺激應當是跟隨反應之后的刺激，即反應在前、刺激在后，強化物是同反應相結合。后者被稱為“操作性條件作用”[2]。在操作性條件作用中，學習者在特定環境下主動而自愿地進行操作，過程包含一種有助于獲得獎勵，并傾向于重復的活動[2]。這種學習模式具有重要的啟發意義，如果借助先進的儀器幫助人們增強對自身生理活動反應的感知，通過學習和訓練，個體就能建立自主神經系統的操作性條件反射來調節這些變化，實現對生理反應的自我管理[1]。這就是神經反饋的基本原理。
將神經反饋用于臨床治療已有30多年歷史。到目前為止，研究證明較為有效的是用于癲癇和注意缺陷多動障礙(attention deficit hyperactivity disorder,ADHD)治療領域[3-4]。此外，它在臨床上的應用研究已經擴展到藥物成癮、腦外傷、依戀障礙(attachment disorder)、艾斯伯格癥(Asperger’s disorder)、創傷后應激障礙(post traumatic stress disorder，PTSD)、慢性疼痛以及抑郁等疾病[5]。同時，對于正常人情緒、認知的改善，甚至醫生手術能力的提高均有一定效果[6-7]。可見，神經反饋不僅是治療心身疾病[1]的一種重要手段，對于正常人也是一種非常有用的學習技巧，能夠使人們更好地學會控制自己的心理生理反應，因此可以作為聯結普通醫學和社會、心理醫學的橋梁，在醫療衛生領域發揮廣泛的作用。
盡管神經反饋技術由來已久，但是國內在這方面設備的研發仍處于起步階段。由于神經反饋與腦-機接口技術在信號采集、信號特征提取與模式分類方面完全類似[8]，而課題組近年來在腦-機接口技術領域取得了重要進展，因此，可以利用腦-機接口的相關研究成果，密切配合臨床需求，在人體EEG信號采集和分析的基礎上開發神經反饋訓練系統。本文針對EEG信號中的自主節律成分，如感覺運動節律(sensorimotor rhythm，SMR，通常被認為是與注意、感知以及長期記憶等有關[3-4, 7])和Alpha節律(與正常人的認知功能和精神狀態有關[6-7])，通過實時EEG信號處理提取其特征參數，以此產生反饋信息，對受試者進行自我調節訓練，以期為臨床提供具有實用性、穩定性的治療平臺。
1 神經反饋系統設計
本文搭建的神經反饋系統如圖 1所示，取名為“NFB-2010”，由以下基本部分組成：EEG信號采集系統，EEG信號分析與特征提取模塊，神經反饋控制模塊及反饋信息(反饋界面)。其中，EEG采集硬件系統采用國內較為成熟的新拓放大器，其主要技術指標為：采樣率1 000 Hz，A/D轉換精度16 Bit，共模抑制比≥98 dB，噪聲電平≤ 2.5 μVp-p，輸入阻抗＞50 MΩ，分辨率0.5 μV。這套系統價格低廉，性能可滿足神經反饋系統各方面的基本需求，數據傳輸采用USB接口實現與計算機的數據高速傳輸，更重要的是它提供了底層驅動與軟件開發工具包(standard development kit，SDK)，這樣就能方便地實現放大器數據的讀取，從而有利于上端EEG信號的特征提取和反饋控制的實現。
圖1
NFB-2010系統組成示意圖
Figure1.
Structure of the neurofeedback system NFB-2010
新拓放大器將一定時長的EEG數據打包并實時上傳，系統主機對不斷上傳的EEG數據進行有序有效的讀取和存儲，并在此基礎上進行EEG信號的分析與特征提取，最終實現神經反饋控制和反饋界面的呈現。本系統所用計算機的基本配置情況如下：CPU：Intel Core2 2.5 GHz；內存：2.0 GB；顯卡：Intel G41 Express Chipset；操作系統：Windows XP。
軟件系統開發平臺為Borland C++ Builder，采用C++/C實現了神經反饋系統的上層開發。
1.1 軟件系統結構
我們在計算機上實現了神經反饋系統的整個軟件平臺，其中放大器參數設置、阻抗檢測、用戶信息數據庫等部分為實驗室原有腦-機接口在線系統[9]所具備，在此基礎上修改了原有的數據采集/存儲、信號處理算法部分，以滿足神經反饋的具體要求，并新開辟了計算/顯示/控制線程，設計了神經反饋圖形界面等。軟件系統框圖如圖 2所示，圖中的箭頭表示調用關系。每次訓練首先創建或修改用戶信息，然后對放大器的硬件濾波或者采樣率等參數進行設置，通過阻抗檢測后，選擇反饋界面、訓練時間、個人Alpha頻點(individual Alpha frequency，IAF)[10]及反饋導聯等訓練參數，啟動神經反饋訓練，此時將同時開啟數據采集/存儲和計算/顯示/控制線程，系統在CPU多線程機制下一邊采集數據，一邊對數據進行積累，達到時間窗長度后，就進行特征提取，并根據結果控制圖形界面，實現反饋。當訓練完成，結束所有線程，整個過程中的數據被記錄存盤，可供離線處理和分析。
圖2
NFB-2010軟件系統框圖
Figure2.
Block diagram of the software system of NFB-2010
1.2 EEG信號實時特征提取
本文利用課題組現有腦-機接口在線系統[9]中穩定有效的算法來實現EEG信號的實時處理。神經反饋訓練特征提取的目的是對特定頻段EEG節律強弱作出判斷，這里需要采用頻域分析的方法，對功率譜進行估計，計算出所需頻段表征EEG節律強弱的功率值。頻域分析方法中，經典法由于分辨率過低，在神經反饋中的應用有一定的局限性，因此本文采用參數建模法中的自回歸(auto-regression,AR)模型作為特征提取算法[9]，對通帶功率譜進行實時估計。
我們利用hamming窗函數滑動截取實時EEG數據，在每個短時窗內假設EEG信號是平穩的，并利用AR模型估計時間窗內EEG信號的功率譜特征用于分類。但是，要在實際系統中具體實現，需要考慮自相關函數的誤差估計問題以及尤利-沃克方程直接求解的難度和巨大計算量，因此我們需要研究更快速有效的方法來實現AR譜估計[9]。Burg在一篇文章中提出一種直接由時間序列計算AR模型參數的方法，被人們稱為Burg算法，用Burg遞推算法實現AR譜估計，在保證算法計算量小的前提下可以大大提高功率譜估計性能，是實時功率譜估計的較好算法[9]。我們的神經反饋實時系統最終采用Burg遞推算法提取EEG譜估計特征用于反饋控制，并引入一個滑動hamming窗，計算數據每0.3 s更新一次。為了對算法效果進行驗證，我們采用了兩種仿真：① 在MATLAB中設計、產生仿真數據[由頻率分別為10 Hz和40 Hz的正弦信號疊加而成，如圖 3(a)所示]，代替放大器上傳數據進入軟件系統，觀察功率譜實時顯示界面。仿真結果如圖 3(b)所示，可見功率譜估計能夠準確反映仿真信號的頻率特征。② 利用函數信號發生器產生真實信號輸入放大器，穩定信號幅度，任意改變信號頻率，觀察功率譜實時顯示界面。仿真時發現，在系統設計的通頻帶范圍內任意改變信號頻率，功率譜的頻率響應都非常實時、準確。
圖3
實時功率譜及其仿真驗證
(a)仿真數據在MATLAB中的功率譜圖示；(b)實時功率譜界面對仿真數據的顯示
Figure3. Real-time power spectra and its simulation verification(a) power spectra of simulation data displayed in MATLAB；(b) the screen displays the real-time power spectra of the simulation data
1.3 反饋控制機制
由于神經反饋訓練目標不同，與之適應的腳本和劇情(即反饋界面設計)也各具特色，因此系統在特征提取并做出判斷之后，需將控制命令傳輸至各式各樣的反饋界面，使之生動形象地表現出用戶此時的EEG狀態。為了增強程序的可擴展性，以便在今后增加豐富多樣的反饋界面模式，本文的神經反饋系統利用Windows消息機制簡化程序接口設計，通過PostMessage( )函數來模擬鍵盤按鍵動作(能方便地連接其他任何使用按鍵控制的反饋界面程序)，實現對反饋界面的實時控制。
1.4 反饋信息選取
針對不同的情況，訓練模式和方案各不相同，目前主要有Alpha、Theta、SMR、以及皮層慢電位(slow cortical potentials，SCP)等EEG頻段的獨立或組合使用。本文參考國外學者利用IAF對EEG頻段進行劃分的方法[10]，目前設計有Alpha頻段(IAF±1.5 Hz)和整個EEG頻段(4~28 Hz)的功率比值，SMR頻段[(IAF+4)±1.5 Hz]和Theta頻段[(IAF-4)±1.5 Hz]的功率比值，以此作為反饋信息，實現Alpha放松訓練和SMR/Theta注意力訓練。
1.5 反饋界面設計
視覺形式的反饋類似于我們日常接觸的動畫或游戲，但其特殊的應用場合和用途決定了在反饋界面模式的選擇上，不能照搬現有動畫或游戲，必須有針對性地進行設計。由于NFB-2010系統是單一計算機系統，信號的采集、處理、反饋的呈現需要在同一計算機上完成，為了在性能上取得平衡，需要優先考慮信號處理的需求，反饋界面的呈現形式不應太過復雜。此外，用戶與反饋界面交互的唯一途徑是EEG信號，因此腳本設計應當弱化操控性，即不需要過多外圍信號的輸入與控制，信號處理后給出的控制信號是一個快速變化的全或無信號，使得反饋界面的操控感受到很大限制，因此獎勵反饋和懲罰反饋的畫面變化不宜太劇烈[11]。考慮以上因素，本文針對放松反饋訓練和注意力反饋訓練設計了兩個反饋界面，如圖 4所示。
圖4
訓練反饋界面
Figure4.
Feedback screens for training
兩個界面左邊的小窗口為EEG功率比值的實時顯示，其中白線為閾值線，窗口上方的三個文本框分別可以設置分數預定值、閾值上調尺度、反饋頻段比(反饋信息)。當分數(Score)每增加到預定值時，閾值線按預定尺度自動上調，同時分數自動清零并重新開始計數。
放松反饋界面的右窗口為一個漸變的動畫設計，在訓練開始，整個窗口為一黑色幕布，隨著訓練的開展，幕布以圓形方式展開，逐漸呈現一幅優美和諧的場景(圖片選自北京師范大學認知科學與學習國家重點實驗室編制的中國情緒圖片系統CAPS[12])。在分數預定值和閾值上調尺度一定的情況下，控制幕布展開快慢的因素就是與受試者放松程度相關的EEG狀態(圖中設置為Alpha的功率相對值)。
注意力訓練界面的右窗口是利用Microsoft的DirectX技術實現的虛擬場景(為實驗室李科老師提供)。訓練中，受試者可以把自己想象成這只玩滑板的兔子，在道路上滑行時需要集中注意力，避免撞上障礙物(木桶)。而游戲控制的機制是，當與受試者注意力集中程度相關的EEG狀態(圖中設置為SMR/Theta的功率比值)高于閾值線時，兔子就能改變滑道，避免撞上前方的障礙物；反之，則會撞上。
2 神經反饋訓練研究
系統開發完畢后，我們借鑒國內外神經反饋研究案例[6-7]，對正常受試者進行神經反饋訓練。受試者為10名受過高等教育的健康學生，年齡分布為(23.56±1.6)歲，均簽署了受試者知情同意書。訓練采用Alpha放松訓練和SMR/Theta注意力訓練相結合的模式[7]，將放松訓練作為注意力訓練的“前導期”，以使注意力訓練獲得更好的效果。訓練中，系統判斷受試者的放松或注意程度，當EEG頻段比值超過閾值時，即給予受試者獎勵反饋。反饋訓練具體流程如下：
(1) 受試者保持睜眼靜息狀態，觀察原始波形3 min，這一步驟記為B1(睜眼基線前測)。
(2) 受試者保持閉眼靜息狀態，觀察功率譜2 min，確定IAF值，這一步驟記為B2(閉眼基線前測)。
(3) Alpha訓練10 min。在反饋模式設置界面輸入步驟(2)所記錄的IAF值。根據上一次訓練成果設定初始閾值，指導受試者調整放松逐步獲得獎勵反饋，這一步驟記為ATr。
(4) SMR/Theta訓練10~20 min。在反饋模式設置界面輸入步驟(2)所記錄的IAF值。根據上一次訓練成果設定初始閾值。實驗中受試者需持續注視反饋界面的某個焦點(如比值柱的起伏或兔子的前進)，若受試者因保持注意力集中而產生疲勞，可根據自身身體情況向研究人員提出暫停，適當休息后恢復繼續訓練。若受試者在訓練進行了10 min后，使閾值調整到比上次訓練最終閾值高20%以上，即可提前結束此步驟(最長訓練時間為20 min)。這一步驟記為STr。
(5) 受試者保持閉眼靜息狀態，觀察功率譜2 min，這一步驟記為B3(閉眼基線后測)。
(6) 受試者保持睜眼靜息狀態，觀察原始波形3 min，這一步驟記為B4(睜眼基線后測)。
每名受試者在兩周的時間內分別完成了5次訓練。由于本次實驗以SMR/Theta注意力訓練為主，為觀察受試者相應EEG節律的變化，我們計算了各個受試者每次訓練每個步驟的SMR/Theta功率比值(S/T比值，時間平均)，然后將前測B1、注意力訓練STr、后測B4數據段的S/T比值按時間順序排列(如圖 5所示，選擇B1、B4段基線數據是因為這兩個步驟與注意力訓練STr段均處于睜眼狀態)，并對這三個數據段分別進行統計分析(對第1次、第5次訓練的S/T比值進行配對t檢驗)。
圖5
10名受試者參與5次訓練的S/T比值隨訓練進程的統計分布
Figure5.
Statistical distribution of S/T ratios of 10 subjects with time in the 5 training sessions
由圖 5可以直觀地看出每次訓練后測(B4)的S/T比值均比前測(B1)高，而且整體隨時間呈上升趨勢，經統計學分析，第5次訓練結果與第1次訓練結果比較，B1段的S/T比值有上升的趨勢(t=1.997，P=0.081)，STr段(t=2.533,P=0.032)和B4段(t=2.834,P=0.025)的S/T比值則明顯上升。由以上結果可知，受試者經過實驗所設計的SMR/Theta 注意力訓練，提升了SMR/Theta功率比值，初步實現了本文搭建此EEG神經反饋系統的目標。
3 結語
本文配合臨床需求，利用腦-機接口的相關研究成果，在人體EEG信號采集和分析的基礎上開發了一套神經反饋訓練系統。通過系統仿真和初步實驗證明，受試者在經過簡單的嘗試后，能夠通過調整自身狀態對界面進行有效控制并在這個過程中獲得對EEG節律的調節。這為給臨床提供具有實用性、穩定性的神經反饋治療平臺奠定了基礎。
