完全预测下肢步行运动想象意图的可行性研究

doi:10.12068/j.issn.1005-3026.2024.05.001

摘要/Abstract

摘要：

在下肢运动想象发生之前获取想象意图是为下肢神经康复系统提供精准控制策略的关键.为此，研究利用运动想象前的脑电图（electroencephalogram，EEG）信号完全预测下肢步行运动启停想象意图及其类型的可行性.对EEG信号进行预处理并提取运动相关皮质电位（movement‐related cortical potential，MRCP）.基于MRCP挑选出具有明显可辨别性的15个通道.利用时间卷积网络模型从被选取的MRCP通道特征中解码出下肢步行运动想象意图和意图类型.结果表明，通过MRCP形态选取的EEG通道信号在启停意图和类别上均具有明显可分离差异，验证了只使用运动想象前EEG信号能够完全预测人类下肢运动启停意图和意图类型.

Abstract:

Acquiring intentions before the start of lower limb movement imagery is the key issue in providing precise control strategies for the lower limb neurorehabilitation system. To this end， the feasibility of using electroencephalogram （EEG） signals prior to movement imagery to fully predict the movement imagery start‐stop intention and intention types of lower limb ambulation is investigated. The EEG signal is pre?processed and the movement?related cortical potential （MRCP） is extracted. 15 channels with significant discriminability are selected based on MRCP. The temporal convolutional network models are used to decode the movement imagery intention and intention types of lower limb ambulation from the selected MRCP channel features. The results show that the EEG channel signals selected by MRCP morphology are with significant separable differences in both start‐stop intention and intention types， verifying that using only pre?movement imagery EEG signals is capable of fully prediction the movement imagery start‐stop intention and intention types of lower limb ambulation movement in humans.

Key words: electroencephalogram （EEG）, movement‐related cortical potential （MRCP）, temporal convolutional network, movement imagery intention of lower limb ambulation, fully prediction

中图分类号:

R 318

周斌, 王宏, 李坦, 兰钦. 完全预测下肢步行运动想象意图的可行性研究[J]. 东北大学学报（自然科学版）, 2024, 45(5): 609-618.

Bin ZHOU, Hong WANG, Tan LI, Qin LAN. Feasibility Study for Fully Prediction of the Movement Imagery Intention of Lower Limb Ambulation[J]. Journal of Northeastern University(Natural Science), 2024, 45(5): 609-618.

图/表 6

图1 实验系统及实验示意图

Fig.1 Experimental system and schematic diagram of experiment

图2 TCN模型结构图（a）—MI意图预测模型；（b）—MI意图类型预测模型.

Fig.2 Structure diagram of TCN model

图3 MRCP形态分析结果（a）—MRCP形态显著的通道标记图；（b）—下肢步行“运动开始”想象任务的MRCP形态；（c）—下肢步行“运动结束”想象任务的MRCP形态；（d）—下肢步行“运动开始”想象任务的头皮地形图；（e）—下肢步行“运动结束”想象任务的头皮地形图.

Fig.3 MRCP morphology analysis results

图4 意图完全预测结果注：* * *表示P<0.001.（a）—“运动开始”想象任务中不同分段时长下意图完全预测结果；（b）—“运动开始”想象任务中不同数据时段下意图完全预测结果；（c）—“运动开始”想象任务中不同EEG频段下意图完全预测结果；（d）—“运动结束”想象任务中不同分段时长下意图完全预测结果；（e）—“运动结束”想象任务中不同数据时段下意图完全预测结果；（f）—“运动结束”想象任务中不同EEG频段下意图完全预测结果.

Fig.4 Results of intention fully predictions

图5 意图类型完全预测结果注：*表示P<0.05，* *表示P<0.01，* * *表示P<0.001.（a）—“运动开始”想象任务中不同分段时长下意图完全预测结果；（b）—“运动开始”想象任务中不同数据时段下意图完全预测结果；（c）—“运动开始”想象任务中不同EEG频段下意图完全预测结果；（d）—“运动结束”想象任务中不同分段时长下意图完全预测结果；（e）—“运动结束”想象任务中不同数据时段下意图完全预测结果；（f）—“运动结束”想象任务中不同EEG频段下意图完全预测结果.

Fig.5 Results of intention type fully predictions

图6 在线完全预测算法结构图

Fig.6 Structure diagram of online fully prediction algorithm

参考文献 18

1	王春方，孙长城，明东，等.脑卒中后抑郁患者脑电信号长时程相关性分析［J］.仪器仪表学报，2017，38（6）：1361-1367.
	Wang Chun‐fang， Sun Chang‐cheng， Ming Dong，et al.Long‐range temporal correlation analysis of EEG oscillation in poststroke depression patients［J］.Chinese Journal of Scientific Instrument，2017，38（6）：1361-1367.
2	李光林，郑悦，吴新宇，等.医疗康复机器人研究进展及趋势［J］.中国科学院院刊，2015，30（6）：793-802.
	Li Guang‐lin， Zheng Yue， Wu Xin‐yu，et al.State of the art of medical and rehabilitation robotics and their perspective［J］.Bulletin of Chinese Academy of Sciences，2015，30（6）：793-802.
3	Pinto‐Fernandez D， Torricelli D， Sanchez‐Villamanan M D C，et al.Performance evaluation of lower limb exoskeletons：a systematic review［J］.IEEE Transactions on Neural Systems and Rehabilitation Engineering，2020，28（7）：1573-1583.
4	胡进，侯增广，陈翼雄，等.下肢康复机器人及其交互控制方法［J］.自动化学报，2014，40（11）：2377-2390.
	Hu Jin， Hou Zeng‐guang， Chen Yi‐xiong，et al.Lower limb rehabilitation robots and interactive control methods［J］.Acta Automatica Sinica，2014，40（11）：2377-2390.
5	侯增广，赵新刚，程龙，等.康复机器人与智能辅助系统的研究进展［J］.自动化学报，2016，42（12）：1765-1779.
	Hou Zeng‐guang， Zhao Xin‐gang， Cheng Long，et al.Recent advances in rehabilitation robots and intelligent assistance systems［J］.Acta Automatica Sinica，2016，42（12）：1765-1779.
6	Zhou B， Wang H， Hu F，et al.Accurate recognition of lower limb ambulation mode based on surface electromyography and motion data using machine learning［J］.Computer Methods and Programs in Biomedicine，2020，193：105486.
7	Shafiul H S M， Siddiquee M R， Bai O.Supervised classification of EEG signals with score threshold regulation for pseudo‐online asynchronous detection of gait intention［C］//2019 18th IEEE International Conference on Machine Learning and Applications （ICMLA），Boca Raton，2019：1476-1479.
8	李鹏海，王丽余，刘瀛涛，等.下肢运动想象和运动执行的EEG节律特性研究［J］.仪器仪表学报，2018，39（3）：207-214.
	Li Peng‐hai， Wang Li‐yu， Liu Ying‐tao，et al.Study on EEG rhythm features of lower limb motor imagery and motor performance［J］.Chinese Journal of Scientific Instrument，2018，39（3）：207-214.
9	Shafiul H S M， Siddiquee M R， Atri R，et al.Prediction of gait intention from pre‐movement EEG signals：a feasibility study［J］.Journal of Neuro Engineering and Rehabilitation，2020，17（1）：50.
10	Mohseni M， Shalchyan V， Jochumsen M，et al.Upper limb complex movements decoding from pre‑movement EEG signals using wavelet common spatial patterns［J］.Computer Methods and Programs in Biomedicine，2020，183：105076.
11	Liu D， Chen W H， Chavarriaga R，et al.Decoding of self‐paced lower‐limb movement intention：a case study on the influence factors［J］.Frontiers in Human Neuroscience，2017，11：560.
12	Wang K， Xu M P， Wang Y J，et al.Enhance decoding of pre‐movement EEG patterns for brain‐computer interfaces［J］.Journal of Neural Engineering，2020，17（1）：016033.
13	Seeck M， Koessler L， Bast T，et al.The standardized EEG electrode array of the IFCN［J］.Clinical Neurophysiology，2017，128（10）：2070-2077.
14	Alchalabi B， Faubert J， Labbé D R.A multi‐modal modified feedback self‐paced BCI to control the gait of an avatar［J］.Journal of Neural Engineering，2021，18（5）：056005.
15	Dai G H， Zhou J， Huang J H，et al.HS‐CNN：a CNN with hybrid convolution scale for EEG motor imagery classification［J］.Journal of Neural Engineering，2020，17（1）：016025.
16	Zhou B， Feng N S， Wang H，et al.Non‐invasive dual attention TCN for electromyography and motion data fusion in lower limb ambulation prediction［J］.Journal of Neural Engineering，2022，19（4）：046051.
17	Bai S J， Kolter J Z， Koltun V.An empirical evaluation of generic convolutional and recurrent networks for sequence modeling［EB/OL］.（2018-04-09）［2023-02-01］..
18	Jochumsen M， Niazi I K.Detection and classification of single‐trial movement‐related cortical potentials associated with functional lower limb movements［J］.Journal of Neural Engineering，2020，17（3）：035009.