傳統運動想象腦機接口（BCI）的范式任務較為抽象，無法有效指導使用者調節大腦活動，從而限制了感覺運動皮層的激活程度。研究發現，漢字書寫的運動想象任務能更好地被使用者接受，有助于指導使用者調節感覺運動節律；而不同的漢字具有不同的書寫復雜度（筆畫數），目前不同復雜度的漢字書寫其運動想象任務對運動想象 BCI 性能的影響尚不清楚。基于此，本文共招募 12 名健康受試者參與兩種不同復雜度（5 筆畫和 10 筆畫）的漢字書寫運動想象任務對運動想象 BCI 性能影響的研究。試驗結果表明，與 5 筆畫的漢字相比，10 筆畫的漢字書寫運動想象任務獲得了更強的感覺運動節律，以及更好的識別性能（P < 0.05）。本文研究結果表明，適當增加漢字書寫運動想象任務的復雜度，能獲得更強的運動想象電位，提高運動想象 BCI 的識別準確率，期望本文研究可為今后運動想象 BCI 的范式設計提供一定的參考依據。
引用本文： 左詞立, 毛盈, 劉倩倩, 王行愚, 金晶. 不同復雜度漢字模式下運動想象腦機接口性能研究. 生物醫學工程學雜志, 2021, 38(3): 417-424, 454. doi: 10.7507/1001-5515.202010031 復制
引言
腦機接口（brain-computer interface，BCI）系統通過將大腦神經信號轉化為控制指令，在大腦和計算機等外部設備之間建立了一種不依賴于外周神經與肌肉組織直接交流和控制的通信通道，能有效改善如閉鎖綜合癥、腦卒中和肌肉萎縮等意識清醒但身體運動功能受限患者的溝通和控制能力[1–3]。頭皮腦電（electroencephalogram，EEG）信號由于時間分辨率高、其采集設備具有良好的便攜性而被廣泛用于 BCI 的研究[4–7]。目前已有多種不同的神經模式應用于基于 EEG 信號的 BCI 中，其中最常用的包括感覺運動節律（sensorimotor rhythm，SMR）、穩態視覺誘發電位（steady-state visual evoked potential，SSVEP）和事件相關電位（event-related potential，ERP）[8–13]。
運動想象是身體運動行為的一種心理表征，已廣泛應用于基于 EEG 信號的 BCI 系統[14-15]。基于運動想象的 BCI 系統通過使用者想象不同肢體運動時感覺運動節律的變化來確定使用者運動行為的心理活動，從而轉化為外部控制命令。當受試者想象不同肢體（如左/右手）運動時，對應的大腦感覺運動皮層區域出現 EEG 信號波幅增強或減弱的現象，其中，對側感覺運動區域 EEG 信號波幅減弱的現象稱為事件相關去同步（event-related desynchronization，ERD）現象，同側感覺運動區出現 EEG 信號波幅增強的現象稱為事件相關同步（event-related synchronization，ERS）現象，這些現象通常可以在 Mu 節律（8～12 Hz）和 Beta 節律（13～30 Hz）觀察到[8, 16]。由于運動想象 EEG 信號是一種不依賴于外部刺激的內源性 EEG 信號，在輪椅、光標、機械手控制等實際應用領域具有廣泛的前景[17–20]。此外，最近的研究表明，基于運動想象 BCI 的反饋訓練在腦卒中康復訓練領域具有非常大的應用潛力[21–23]。
然而，運動想象信號的識別性能在受試者之間具有很大的差異性，甚至大約有 20% 受試者的運動想象信號的識別性能無法滿足有效控制外部設備的需求[24]。研究表明，通過一段時間的運動想象訓練能有效提高受試者調節大腦節律的能力，從而提高運動想象信號的可識別性[25]。最常見的訓練范式是通過屏幕上的箭頭來提示受試者想象相應肢體的運動[26]。為了提高運動想象的訓練效果，多種改進的訓練范式被相繼提出。Hwang 等[27]提出了一種基于神經反饋的運動想象訓練方法，將受試者在執行運動想象任務期間的 EEG 特征直接顯示在電腦屏幕上，使受試者可以直接觀察到 EEG 節律的變化。Xia 等[28]提出了一個在線反饋訓練范式，在視覺反饋中提供了不同的運動想象強度信息來幫助受試者找到正確的方式來調節大腦節律。為了給受試者提供更真實的反饋，Vourvopoulos 等[29]提出了一種基于虛擬現實反饋的運動想象訓練范式，并應用于腦卒中后的康復訓練。以上研究表明，通過在線反饋的訓練方式有助于提高受試者運動想象的性能[30]。但是，大部分訓練范式關注改進運動想象的反饋方式，而并沒有對想象的動作進行明確的提示。想象的動作類型同樣對運動想象的性能具有重要影響，通過想象熟悉的動作可以獲得更好的運動想象識別效果[9, 31–32]。
研究表明，漢字書寫運動想象訓練范式是一種對大多數以漢語為母語的受試者而言容易接受和熟悉的訓練方式，有助于調節大腦感覺運動節律[9]。然而，漢字的復雜度（筆畫數）對運動想象性能的影響尚不清楚。本文通過試驗探究了在相同時間內想象不同復雜度的漢字書寫對運動想象 BCI 性能的影響，通過 12 名未經過運動想象訓練的健康受試者，在 5 筆畫和 10 筆畫的漢字書寫運動想象模式下對運動想象的不同表現進行了性能對比分析。最終，希望借助功率譜以及腦地形圖分析在不同筆畫模式下感覺運動節律和運動想象識別性能的差異，以期為運動想象 BCI 的范式設計提供參考依據。
1 材料和方法
1.1 試驗受試者
本研究共招募 12 名沒有接受過運動想象訓練的健康受試者參與研究，8 名男性、4 名女性，22～28 歲，均為右利手，均以漢語為母語，無臨床神經疾病史。所有受試者簽署了知情同意書，試驗得到了上海市徐匯區中心醫院倫理委員會的批準。
1.2 試驗設計
試驗在封閉的房間中進行，受試者坐在舒適的椅子上，椅子距離發光二極管（light emitting diode，LED）顯示器（E2216HV，Dell，中國）約 80 cm，顯示器參數為 19 英寸、刷新率：60 Hz、屏幕分辨率為 1 920 × 1 080。在試驗之前，受試者被告知在整個試驗過程中保持肌肉放松并避免不必要的身體動作。
本研究比較了兩種漢字書寫運動想象模式：① 5 筆畫模式；② 10 筆畫模式。在相同的時間內（5 s）分別用 5 筆畫和 10 筆畫的漢字指示受試者執行相應的運動想象任務。兩種模式分別選擇了 10 個常見的漢字進行試驗，其中 5 筆畫的漢字包括：“北”、“生”、“仕”、“仗”、“失”、“本”、“古”、“擊”、“未”、“正”；10 筆畫的漢字包括：“愛”、“高”、“倍”、“鉑”、“倒”、“讀”、“部”、“黨”、“調”、“俺”。兩種不同模式的漢字選擇依據是：首先，5 個筆畫和 10 個筆畫具有明顯的復雜度區別；其次，基于試驗前期對于受試者的測試發現，筆畫數過少會導致想象時間過短，而筆畫數過多會導致無法在規定時間完成書寫想象任務，對于大部分受試者 10 個筆畫以內是可接受的。
在兩種試驗模式中，均通過電腦屏幕來提示受試者執行相應的運動想象任務。在單次任務中，受試者根據如圖 1 所示的試驗時間序列，執行相應的任務。首先，0～2 s 為準備階段，屏幕上顯示一個十字架，提示受試者集中注意；2～7 s 為運動想象階段，屏幕上顯示一張包含手臂和漢字的圖片，創造了一個在屏幕上書寫的虛擬環境，如圖 1 所示，左邊為 5 筆畫的漢字示例，右邊為 10 筆畫的漢字示例，圖中的左/右手臂用于提示受試者執行相應的左/右手運動想象任務；7～9 s 為休息階段，屏幕上出現一張空白的背景圖片。在運動想象階段，受試者被要求根據提示圖片進行相應手的運動想象任務（想象相應的手根據圖片中漢字的筆畫進行相應的書寫動作）。在每個試驗模式中，10 個不同的漢字隨機出現。每個試驗模式包括 3 輪試驗，前兩輪為離線模式，第三次輪為在線模式。每輪試驗后，受試者休息 3～5 min。每輪試驗包括 40 次運動想象任務（左/右手運動想象各一半）。這些左/右手運動想象任務以及漢字在整個試驗過程中都是隨機出現的。為了避免兩個模式的測試順序對性能的影響，在本試驗中對兩個模式的測試順序進行了平衡，隨機選擇 6 名受試者對 10 筆畫模式先進行測試，另外 6 名受試者則對 5 筆畫模式先進行測試。
圖1
試驗范式時序圖
Figure1.
Timing of the experiment paradigm
1.3 EEG 數據采集
EEG 數據通過電極帽（g.EEGcap，g.tec，奧地利）和放大器（g. HIMP，g.tec，奧地利）采集得到。本試驗共采集了 16 個通道的 EEG 數據，16 個頭皮電極（FC5、FC1、FCz、FC2、FC6、C5、C3、C1、Cz、C2、C4、C6、CP5、CP1、CP2、CP6）按照國際 10-20 系統分布，所有電極以右乳突上的電極（R）為參考，接地電極（ground，GND）位于前額，如圖 2 所示。試驗開始前保證所有電極的阻抗值低于 20 kΩ，采樣率為 256 Hz，通過放大器的硬件濾波器對 EEG 數據進行了 0.1～30 Hz 的帶通濾波以及 50 Hz 的陷波濾波。
圖2
電極位置分布示意圖
Figure2.
Position of electrodes distribution
1.4 EEG 特征提取及分類
利用 5 階巴特沃斯（Butterworth）帶通濾波器對 EEG 信號進行帶通濾波，濾波頻帶為 8～30 Hz，該頻帶包含了主要的運動想象信號的頻率范圍。然后通過共空間模式（common spatial pattern，CSP）方法對濾波后的信號進行特征提取。CSP 是一種在基于運動想象 BCI 系統中廣泛使用的特征提取方法[33–35]。CSP 算法通過尋找一組空間濾波器將多通道 EEG 信號投影到一個新的特征空間中，使其中一類信號的方差最大化，另一類信號的方差最小化，從而提高了 EEG 信號的可判別性。CSP 的目標函數如式（1）所示：
 |
式（1）中，J 代表損失函數，C1 和 C2 分別代表兩類信號的協方差矩陣，u 代表權重向量，U 代表空間濾波器，
代表二范數操作。式（1）可以等價為解一個廣義特征值分解問題，如式（2）所示：
 |
式（2）中λ表示特征值。
通過選取前M個最大和后M個最小廣義特征值對應的特征向量可以得到一組空間濾波器U* =［u1, u2, ···, u2M］。對于一個給定的 EEG 樣本 
，特征向量可以表示為a =［a1, a2, ···, a2M］，具體計算如式（3）所示：
 |
式（3）中，var（·）表示方差。
支持向量機（support vector machine，SVM）是一種在 BCI 系統中廣泛使用的機器學習方法，在兩類 EEG 信號的分類上具有較好的性能[36]。本文利用 SVM 對通過 CSP 提取后的特征進行分類，并將分類準確率作為受試者運動想象表現的一種評價指標。本文中 SVM 使用的核函數為線性核函數，正則化參數設置為默認值 1。
1.5 受試者反饋調查
在整個試驗結束時，每個受試者都被要求對每個試驗范式的疲勞度和運動想象難度進行評分。每個受試者都被問到兩個關于范式的問題：① 在這種試驗模式下進行運動想象困難嗎？② 在這種試驗模式下進行運動想象感覺到疲勞嗎？這兩個問題的回答通過評分進行量化，評分范圍為 1～5 分，分數越高代表困難度或疲勞度越高。
2 試驗結果
2.1 EEG 數據分析
為了直觀地呈現兩種試驗模式下受試者進行運動想象時 EEG 信號變化的強弱程度，如圖 3 所示，展示了 12 名受試者在執行左/右手運動想象任務時 C3 和 C4 電極 EEG 信號的平均功率譜密度圖，其中，左邊兩幅為 5 筆畫模式下的功率譜密度圖，右邊兩幅為 10 筆畫模式下的功率譜密度圖。本文使用的功率譜密度估計方法為韋爾奇（Welch）功率譜估計法，窗口函數為漢明窗，窗口長度為 128，窗口重疊長度為 64。在兩種試驗模式下，當受試者執行左手運動想象時，C4 電極（大腦右側感覺運動區）的平均功率譜密度低于 C3 電極（大腦左側感覺運動區），而當受試者執行右手運動想象時，C3 電極的平均功率譜密度低于 C4 電極，這表明想象漢字書寫能夠產生較明顯的 ERD/ERS 現象。并且在 10 筆畫模式中，C3 和 C4 電極的左手（實線）和右手（虛線）運動想象對應的平均功率譜密度差異均比 5 筆畫模式更大。此外，在 10 筆畫模式中執行左/右手運動想象時 C3 和 C4 電極的平均功率譜密度也大于 5 筆畫模式。
圖3
5 筆畫和 10 筆畫模式下的功率譜圖
Figure3.
Power spectrogram of 5-stroke and 10-stroke patterns
如圖 4 所示，展示了在兩種試驗模式下受試者 S1、S2、S6 和 S9 在左/右手兩類運動想象中的 CSP U?1 對應的腦地形圖。 CSP U?1 為空間濾波器 U 的逆矩陣，表示運動想象 EEG 信號的能量分布情況，兩種試驗模式下的第一列和最后一列分別反映了左側和右側大腦皮層感覺運動區的 ERD/ERS 現象[9]。在兩種試驗模式下，受試者在想象左/右手運動時 C4/C3 電極附近出現了比較明顯的能量減小的現象（ERD 現象），這與神經生理學現象一致。而且 10 筆畫模式比 5 筆畫模式下能量減小的更明顯，這表明了在 10 筆畫模式下能引起更大程度的神經激活。
圖4
5 筆畫和 10 筆畫模式下的腦地形圖
Figure4.
Brain topographic of 5-stroke and 10-stroke patterns
2.2 離線分類結果
為了評估漢字復雜度對運動想象分類性能的影響，如圖 5 所示，給出了 12 名受試者在兩種模式下通過 10 折交叉驗證得到的離線分類準確率。利用配對t檢驗來評估兩種模式下分類準確率的差異性。用里列福斯（Lilliefors）檢驗來驗證樣本分布是否滿足配對樣本t檢驗的條件。如圖 5 所示，受試者在 10 筆畫模式下比 5 筆畫模式下獲得了更高的平均分類準確率。10 筆畫模式下的平均分類準確率為 83.89% ± 12.18%，比 5 筆畫模式下 78.20% ± 15.48% 提高了 5.69%。配對t檢驗顯示 10 筆畫模式的分類性能優于 5 筆畫模式，差異具有統計學意義（P < 0.05）。
圖5
5 筆畫和 10 筆畫模式下的離線分類準確率
Figure5.
Offline classification accuracies in 5-stroke and 10-stroke patterns
2.3 在線分類結果
12 名受試者在兩種模式下獲得的在線分類準確率如圖 6 所示。10 筆畫模式下在線分類的平均分類準確率為 80.00% ± 12.01%，比 5 筆畫模式下 76.04% ± 13.46% 有所提高。配對t檢驗顯示，10 筆畫模式的在線分類性能優于 5 筆畫模式，差異具有統計學意義（P < 0.05）。
圖6
5 筆畫和 10 筆畫模式下的在線分類準確率
Figure6.
Online classification accuracies in 5-stroke and 10-stroke patterns
2.4 受試者反饋結果
如表 1 所示，展示了 12 名受試者在兩種試驗模式下對運動想象難度和疲勞度問題的反饋統計結果。利用非參數弗里德曼（Friedman）檢驗來測試受試者對于兩種試驗模式下反饋評分的差異性。10 筆畫模式下的運動想象難度以及受試者疲勞度的均值略高于 5 筆畫模式。但是，弗里德曼檢驗顯示兩種模式下的運動想象難度（χ2=1.60，P > 0.05）以及受試者疲勞度（χ2=2.23，P > 0.05）的差異沒有統計學意義。
表1
兩種模式下受試者的反饋評分
Table1.
The feedback score of all subjects in 5-stroke pattern and 10-stroke pattern
3 討論分析
本文的主要目的是探究高復雜度的漢字書寫的運動想象范式能否幫助受試者增強感覺運動節律，從而改善左/右手兩類運動想象分類性能。分別在低復雜度（5 筆畫）和高復雜度（10 筆畫）的漢字條件下對 12 名受試者的運動想象分類性能以及 EEG 節律變化進行了對比分析。從離線和在線分類準確率來看，大部分受試者在 10 筆畫模式下的準確率高于 5 筆畫模式。并且在 5 筆畫模式下有 5 名受試者的分類準確率低于有效的控制性能要求（兩分類準確率小于 70%），而在 10 筆畫模式下只有 3 名受試者。說明想象高復雜度的漢字書寫能促使產生 ERD/ERS 特征更明顯的 EEG 信號。另外，從功率譜密度圖以及腦地形圖可以發現高復雜度模式下產生了更強的感覺運動節律。這種 EEG 節律的增強可能有兩方面的原因：一是高復雜度模式下，受試者需要更高的專注度來完成運動想象任務，根據受試者的自述，與 5 筆畫模式相比，大部分受試者在想象 10 筆畫的漢字書寫時注意力更集中；二是高復雜度模式下，運動想象任務的節奏被加快，需要更大程度的神經激活，從而調動了更多的神經來參與運動想象任務。以往的研究也從功能磁共振成像和功能近紅外光譜發現復雜的心理想象任務能在大腦中產生更大的血流動力學變化[37-38]。文獻[39]的研究發現，隨著運動想象任務復雜程度的提高，皮質脊髓興奮性也會增加。感覺運動皮層和皮質神經激活程度的提高，對于腦卒中患者的運動功能康復可能會起到促進作用，因為感覺運動皮層和皮質區的重復激活被認為是通過運動想象訓練來改善患者運動功能的基礎[40]。此外，更高的運動想象識別準確率有利于減少錯誤的反饋，從而有助于幫助腦卒中患者進行更有效的運動功能康復訓練。
但是隨著想象的漢字復雜度的提高，可能會導致受試者疲勞度的增加以及任務難度的增加。盡管從受試者的反饋結果來看，兩種模式下的疲勞度以及任務難度沒有明顯的區別，但是有部分受試者反映，在 10 筆畫的漢字模式下他們覺得更加疲勞，如受試者 S4、S8、S9、S10、S12。也有個別受試者反映，在 5 s 內想象 10 筆畫的漢字書寫有一定難度。因此，在實際訓練中需要針對不同受試者選擇合適的復雜度的漢字來進行運動想象訓練。
本文針對健康受試者的研究結果表明，適當增加漢字書寫運動想象任務的復雜度可以幫助受試者更有效地調節感覺運動節律。未來將對基于想象漢字書寫的運動想象 BCI 范式在腦卒中患者上的性能進行研究。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
腦機接口（brain-computer interface，BCI）系統通過將大腦神經信號轉化為控制指令，在大腦和計算機等外部設備之間建立了一種不依賴于外周神經與肌肉組織直接交流和控制的通信通道，能有效改善如閉鎖綜合癥、腦卒中和肌肉萎縮等意識清醒但身體運動功能受限患者的溝通和控制能力[1–3]。頭皮腦電（electroencephalogram，EEG）信號由于時間分辨率高、其采集設備具有良好的便攜性而被廣泛用于 BCI 的研究[4–7]。目前已有多種不同的神經模式應用于基于 EEG 信號的 BCI 中，其中最常用的包括感覺運動節律（sensorimotor rhythm，SMR）、穩態視覺誘發電位（steady-state visual evoked potential，SSVEP）和事件相關電位（event-related potential，ERP）[8–13]。
運動想象是身體運動行為的一種心理表征，已廣泛應用于基于 EEG 信號的 BCI 系統[14-15]。基于運動想象的 BCI 系統通過使用者想象不同肢體運動時感覺運動節律的變化來確定使用者運動行為的心理活動，從而轉化為外部控制命令。當受試者想象不同肢體（如左/右手）運動時，對應的大腦感覺運動皮層區域出現 EEG 信號波幅增強或減弱的現象，其中，對側感覺運動區域 EEG 信號波幅減弱的現象稱為事件相關去同步（event-related desynchronization，ERD）現象，同側感覺運動區出現 EEG 信號波幅增強的現象稱為事件相關同步（event-related synchronization，ERS）現象，這些現象通常可以在 Mu 節律（8～12 Hz）和 Beta 節律（13～30 Hz）觀察到[8, 16]。由于運動想象 EEG 信號是一種不依賴于外部刺激的內源性 EEG 信號，在輪椅、光標、機械手控制等實際應用領域具有廣泛的前景[17–20]。此外，最近的研究表明，基于運動想象 BCI 的反饋訓練在腦卒中康復訓練領域具有非常大的應用潛力[21–23]。
然而，運動想象信號的識別性能在受試者之間具有很大的差異性，甚至大約有 20% 受試者的運動想象信號的識別性能無法滿足有效控制外部設備的需求[24]。研究表明，通過一段時間的運動想象訓練能有效提高受試者調節大腦節律的能力，從而提高運動想象信號的可識別性[25]。最常見的訓練范式是通過屏幕上的箭頭來提示受試者想象相應肢體的運動[26]。為了提高運動想象的訓練效果，多種改進的訓練范式被相繼提出。Hwang 等[27]提出了一種基于神經反饋的運動想象訓練方法，將受試者在執行運動想象任務期間的 EEG 特征直接顯示在電腦屏幕上，使受試者可以直接觀察到 EEG 節律的變化。Xia 等[28]提出了一個在線反饋訓練范式，在視覺反饋中提供了不同的運動想象強度信息來幫助受試者找到正確的方式來調節大腦節律。為了給受試者提供更真實的反饋，Vourvopoulos 等[29]提出了一種基于虛擬現實反饋的運動想象訓練范式，并應用于腦卒中后的康復訓練。以上研究表明，通過在線反饋的訓練方式有助于提高受試者運動想象的性能[30]。但是，大部分訓練范式關注改進運動想象的反饋方式，而并沒有對想象的動作進行明確的提示。想象的動作類型同樣對運動想象的性能具有重要影響，通過想象熟悉的動作可以獲得更好的運動想象識別效果[9, 31–32]。
研究表明，漢字書寫運動想象訓練范式是一種對大多數以漢語為母語的受試者而言容易接受和熟悉的訓練方式，有助于調節大腦感覺運動節律[9]。然而，漢字的復雜度（筆畫數）對運動想象性能的影響尚不清楚。本文通過試驗探究了在相同時間內想象不同復雜度的漢字書寫對運動想象 BCI 性能的影響，通過 12 名未經過運動想象訓練的健康受試者，在 5 筆畫和 10 筆畫的漢字書寫運動想象模式下對運動想象的不同表現進行了性能對比分析。最終，希望借助功率譜以及腦地形圖分析在不同筆畫模式下感覺運動節律和運動想象識別性能的差異，以期為運動想象 BCI 的范式設計提供參考依據。
1 材料和方法
1.1 試驗受試者
本研究共招募 12 名沒有接受過運動想象訓練的健康受試者參與研究，8 名男性、4 名女性，22～28 歲，均為右利手，均以漢語為母語，無臨床神經疾病史。所有受試者簽署了知情同意書，試驗得到了上海市徐匯區中心醫院倫理委員會的批準。
1.2 試驗設計
試驗在封閉的房間中進行，受試者坐在舒適的椅子上，椅子距離發光二極管（light emitting diode，LED）顯示器（E2216HV，Dell，中國）約 80 cm，顯示器參數為 19 英寸、刷新率：60 Hz、屏幕分辨率為 1 920 × 1 080。在試驗之前，受試者被告知在整個試驗過程中保持肌肉放松并避免不必要的身體動作。
本研究比較了兩種漢字書寫運動想象模式：① 5 筆畫模式；② 10 筆畫模式。在相同的時間內（5 s）分別用 5 筆畫和 10 筆畫的漢字指示受試者執行相應的運動想象任務。兩種模式分別選擇了 10 個常見的漢字進行試驗，其中 5 筆畫的漢字包括：“北”、“生”、“仕”、“仗”、“失”、“本”、“古”、“擊”、“未”、“正”；10 筆畫的漢字包括：“愛”、“高”、“倍”、“鉑”、“倒”、“讀”、“部”、“黨”、“調”、“俺”。兩種不同模式的漢字選擇依據是：首先，5 個筆畫和 10 個筆畫具有明顯的復雜度區別；其次，基于試驗前期對于受試者的測試發現，筆畫數過少會導致想象時間過短，而筆畫數過多會導致無法在規定時間完成書寫想象任務，對于大部分受試者 10 個筆畫以內是可接受的。
在兩種試驗模式中，均通過電腦屏幕來提示受試者執行相應的運動想象任務。在單次任務中，受試者根據如圖 1 所示的試驗時間序列，執行相應的任務。首先，0～2 s 為準備階段，屏幕上顯示一個十字架，提示受試者集中注意；2～7 s 為運動想象階段，屏幕上顯示一張包含手臂和漢字的圖片，創造了一個在屏幕上書寫的虛擬環境，如圖 1 所示，左邊為 5 筆畫的漢字示例，右邊為 10 筆畫的漢字示例，圖中的左/右手臂用于提示受試者執行相應的左/右手運動想象任務；7～9 s 為休息階段，屏幕上出現一張空白的背景圖片。在運動想象階段，受試者被要求根據提示圖片進行相應手的運動想象任務（想象相應的手根據圖片中漢字的筆畫進行相應的書寫動作）。在每個試驗模式中，10 個不同的漢字隨機出現。每個試驗模式包括 3 輪試驗，前兩輪為離線模式，第三次輪為在線模式。每輪試驗后，受試者休息 3～5 min。每輪試驗包括 40 次運動想象任務（左/右手運動想象各一半）。這些左/右手運動想象任務以及漢字在整個試驗過程中都是隨機出現的。為了避免兩個模式的測試順序對性能的影響，在本試驗中對兩個模式的測試順序進行了平衡，隨機選擇 6 名受試者對 10 筆畫模式先進行測試，另外 6 名受試者則對 5 筆畫模式先進行測試。
圖1
試驗范式時序圖
Figure1.
Timing of the experiment paradigm
1.3 EEG 數據采集
EEG 數據通過電極帽（g.EEGcap，g.tec，奧地利）和放大器（g. HIMP，g.tec，奧地利）采集得到。本試驗共采集了 16 個通道的 EEG 數據，16 個頭皮電極（FC5、FC1、FCz、FC2、FC6、C5、C3、C1、Cz、C2、C4、C6、CP5、CP1、CP2、CP6）按照國際 10-20 系統分布，所有電極以右乳突上的電極（R）為參考，接地電極（ground，GND）位于前額，如圖 2 所示。試驗開始前保證所有電極的阻抗值低于 20 kΩ，采樣率為 256 Hz，通過放大器的硬件濾波器對 EEG 數據進行了 0.1～30 Hz 的帶通濾波以及 50 Hz 的陷波濾波。
圖2
電極位置分布示意圖
Figure2.
Position of electrodes distribution
1.4 EEG 特征提取及分類
利用 5 階巴特沃斯（Butterworth）帶通濾波器對 EEG 信號進行帶通濾波，濾波頻帶為 8～30 Hz，該頻帶包含了主要的運動想象信號的頻率范圍。然后通過共空間模式（common spatial pattern，CSP）方法對濾波后的信號進行特征提取。CSP 是一種在基于運動想象 BCI 系統中廣泛使用的特征提取方法[33–35]。CSP 算法通過尋找一組空間濾波器將多通道 EEG 信號投影到一個新的特征空間中，使其中一類信號的方差最大化，另一類信號的方差最小化，從而提高了 EEG 信號的可判別性。CSP 的目標函數如式（1）所示：
|
式（1）中，J 代表損失函數，C1 和 C2 分別代表兩類信號的協方差矩陣，u 代表權重向量，U 代表空間濾波器，代表二范數操作。式（1）可以等價為解一個廣義特征值分解問題，如式（2）所示：
|
式（2）中λ表示特征值。
通過選取前M個最大和后M個最小廣義特征值對應的特征向量可以得到一組空間濾波器U* =［u1, u2, ···, u2M］。對于一個給定的 EEG 樣本 ，特征向量可以表示為a =［a1, a2, ···, a2M］，具體計算如式（3）所示：
|
式（3）中，var（·）表示方差。
支持向量機（support vector machine，SVM）是一種在 BCI 系統中廣泛使用的機器學習方法，在兩類 EEG 信號的分類上具有較好的性能[36]。本文利用 SVM 對通過 CSP 提取后的特征進行分類，并將分類準確率作為受試者運動想象表現的一種評價指標。本文中 SVM 使用的核函數為線性核函數，正則化參數設置為默認值 1。
1.5 受試者反饋調查
在整個試驗結束時，每個受試者都被要求對每個試驗范式的疲勞度和運動想象難度進行評分。每個受試者都被問到兩個關于范式的問題：① 在這種試驗模式下進行運動想象困難嗎？② 在這種試驗模式下進行運動想象感覺到疲勞嗎？這兩個問題的回答通過評分進行量化，評分范圍為 1～5 分，分數越高代表困難度或疲勞度越高。
2 試驗結果
2.1 EEG 數據分析
為了直觀地呈現兩種試驗模式下受試者進行運動想象時 EEG 信號變化的強弱程度，如圖 3 所示，展示了 12 名受試者在執行左/右手運動想象任務時 C3 和 C4 電極 EEG 信號的平均功率譜密度圖，其中，左邊兩幅為 5 筆畫模式下的功率譜密度圖，右邊兩幅為 10 筆畫模式下的功率譜密度圖。本文使用的功率譜密度估計方法為韋爾奇（Welch）功率譜估計法，窗口函數為漢明窗，窗口長度為 128，窗口重疊長度為 64。在兩種試驗模式下，當受試者執行左手運動想象時，C4 電極（大腦右側感覺運動區）的平均功率譜密度低于 C3 電極（大腦左側感覺運動區），而當受試者執行右手運動想象時，C3 電極的平均功率譜密度低于 C4 電極，這表明想象漢字書寫能夠產生較明顯的 ERD/ERS 現象。并且在 10 筆畫模式中，C3 和 C4 電極的左手（實線）和右手（虛線）運動想象對應的平均功率譜密度差異均比 5 筆畫模式更大。此外，在 10 筆畫模式中執行左/右手運動想象時 C3 和 C4 電極的平均功率譜密度也大于 5 筆畫模式。
圖3
5 筆畫和 10 筆畫模式下的功率譜圖
Figure3.
Power spectrogram of 5-stroke and 10-stroke patterns
如圖 4 所示，展示了在兩種試驗模式下受試者 S1、S2、S6 和 S9 在左/右手兩類運動想象中的 CSP U?1 對應的腦地形圖。 CSP U?1 為空間濾波器 U 的逆矩陣，表示運動想象 EEG 信號的能量分布情況，兩種試驗模式下的第一列和最后一列分別反映了左側和右側大腦皮層感覺運動區的 ERD/ERS 現象[9]。在兩種試驗模式下，受試者在想象左/右手運動時 C4/C3 電極附近出現了比較明顯的能量減小的現象（ERD 現象），這與神經生理學現象一致。而且 10 筆畫模式比 5 筆畫模式下能量減小的更明顯，這表明了在 10 筆畫模式下能引起更大程度的神經激活。
圖4
5 筆畫和 10 筆畫模式下的腦地形圖
Figure4.
Brain topographic of 5-stroke and 10-stroke patterns
2.2 離線分類結果
為了評估漢字復雜度對運動想象分類性能的影響，如圖 5 所示，給出了 12 名受試者在兩種模式下通過 10 折交叉驗證得到的離線分類準確率。利用配對t檢驗來評估兩種模式下分類準確率的差異性。用里列福斯（Lilliefors）檢驗來驗證樣本分布是否滿足配對樣本t檢驗的條件。如圖 5 所示，受試者在 10 筆畫模式下比 5 筆畫模式下獲得了更高的平均分類準確率。10 筆畫模式下的平均分類準確率為 83.89% ± 12.18%，比 5 筆畫模式下 78.20% ± 15.48% 提高了 5.69%。配對t檢驗顯示 10 筆畫模式的分類性能優于 5 筆畫模式，差異具有統計學意義（P < 0.05）。
圖5
5 筆畫和 10 筆畫模式下的離線分類準確率
Figure5.
Offline classification accuracies in 5-stroke and 10-stroke patterns
2.3 在線分類結果
12 名受試者在兩種模式下獲得的在線分類準確率如圖 6 所示。10 筆畫模式下在線分類的平均分類準確率為 80.00% ± 12.01%，比 5 筆畫模式下 76.04% ± 13.46% 有所提高。配對t檢驗顯示，10 筆畫模式的在線分類性能優于 5 筆畫模式，差異具有統計學意義（P < 0.05）。
圖6
5 筆畫和 10 筆畫模式下的在線分類準確率
Figure6.
Online classification accuracies in 5-stroke and 10-stroke patterns
2.4 受試者反饋結果
如表 1 所示，展示了 12 名受試者在兩種試驗模式下對運動想象難度和疲勞度問題的反饋統計結果。利用非參數弗里德曼（Friedman）檢驗來測試受試者對于兩種試驗模式下反饋評分的差異性。10 筆畫模式下的運動想象難度以及受試者疲勞度的均值略高于 5 筆畫模式。但是，弗里德曼檢驗顯示兩種模式下的運動想象難度（χ2=1.60，P > 0.05）以及受試者疲勞度（χ2=2.23，P > 0.05）的差異沒有統計學意義。
表1
兩種模式下受試者的反饋評分
Table1.
The feedback score of all subjects in 5-stroke pattern and 10-stroke pattern
3 討論分析
本文的主要目的是探究高復雜度的漢字書寫的運動想象范式能否幫助受試者增強感覺運動節律，從而改善左/右手兩類運動想象分類性能。分別在低復雜度（5 筆畫）和高復雜度（10 筆畫）的漢字條件下對 12 名受試者的運動想象分類性能以及 EEG 節律變化進行了對比分析。從離線和在線分類準確率來看，大部分受試者在 10 筆畫模式下的準確率高于 5 筆畫模式。并且在 5 筆畫模式下有 5 名受試者的分類準確率低于有效的控制性能要求（兩分類準確率小于 70%），而在 10 筆畫模式下只有 3 名受試者。說明想象高復雜度的漢字書寫能促使產生 ERD/ERS 特征更明顯的 EEG 信號。另外，從功率譜密度圖以及腦地形圖可以發現高復雜度模式下產生了更強的感覺運動節律。這種 EEG 節律的增強可能有兩方面的原因：一是高復雜度模式下，受試者需要更高的專注度來完成運動想象任務，根據受試者的自述，與 5 筆畫模式相比，大部分受試者在想象 10 筆畫的漢字書寫時注意力更集中；二是高復雜度模式下，運動想象任務的節奏被加快，需要更大程度的神經激活，從而調動了更多的神經來參與運動想象任務。以往的研究也從功能磁共振成像和功能近紅外光譜發現復雜的心理想象任務能在大腦中產生更大的血流動力學變化[37-38]。文獻[39]的研究發現，隨著運動想象任務復雜程度的提高，皮質脊髓興奮性也會增加。感覺運動皮層和皮質神經激活程度的提高，對于腦卒中患者的運動功能康復可能會起到促進作用，因為感覺運動皮層和皮質區的重復激活被認為是通過運動想象訓練來改善患者運動功能的基礎[40]。此外，更高的運動想象識別準確率有利于減少錯誤的反饋，從而有助于幫助腦卒中患者進行更有效的運動功能康復訓練。
但是隨著想象的漢字復雜度的提高，可能會導致受試者疲勞度的增加以及任務難度的增加。盡管從受試者的反饋結果來看，兩種模式下的疲勞度以及任務難度沒有明顯的區別，但是有部分受試者反映，在 10 筆畫的漢字模式下他們覺得更加疲勞，如受試者 S4、S8、S9、S10、S12。也有個別受試者反映，在 5 s 內想象 10 筆畫的漢字書寫有一定難度。因此，在實際訓練中需要針對不同受試者選擇合適的復雜度的漢字來進行運動想象訓練。
本文針對健康受試者的研究結果表明，適當增加漢字書寫運動想象任務的復雜度可以幫助受試者更有效地調節感覺運動節律。未來將對基于想象漢字書寫的運動想象 BCI 范式在腦卒中患者上的性能進行研究。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
