运动想象(MI)任务表现的显著性差异严重阻碍了MI在脑机接口(BCI)中的广泛应用。先前的研究人员发现，静息态的alpha波段功率与MI-BCI性能呈正相关。在本研究中，研究人员设计了一种基于上调alpha波段相对功率(RP)的神经反馈训练(NFT)方案，来研究其对MI-BCI性能的影响。本研究的主要发现是，alpha NFT可以帮助受试者提高alpha节律的功率，并提高MI-BCI的性能。在这项研究中也发现了个体间的差异，即alpha功率提高更多的受试者有更好的性能提高。此外，在alpha NFT后，额叶-顶叶(FP)网络的功能连通性(FC)也得到了很大的提高。然而，经过多重比较校正后，增强效果未能达到显著水平。最后，这些发现有助于更好地理解alpha节律是如何调节认知控制的神经生理机制的。

    实验数据和研究方法

1.被试

18名健康受试者（男性8名，平均年龄为23.46±1.51岁，年龄范围21-28岁，均为右撇子）参与了本研究。受试者均无精神疾病或神经系统疾病的病史。受试者中一人曾参加过MI方面的研究。

2.实验方案

在实验过程中，受试者坐在电脑屏幕前舒适的椅子上，要求受试者在整个脑电图(EEG)记录过程中，放松手臂，尽量减少任何身体运动。每个受试者都在1天内参加了7个阶段的实验。受试者可以在两个实验阶段之间进行短暂的休息。每个受试者的总实验时间均小于1.5h，其中不包括实验前的准备时。如下图1A说明了实验范式和每个环节的单独时间。七个阶段的实验包括两个MRT阶段，两个MI阶段，两个基线阶段和一个alpha NFT阶段。

两个MRT阶段由10个项目组成，其中每一个项目包含四个选项，其中两个是正确的。只有当都选择了两个正确的选项时，才会计一分。受试者分别在8秒和20秒内阅读和回答每个项目(图1B)。在提示后，受试者通过按键盘上相应的按钮提交答案。如果超时还没有提交，则不计分。在本研究中，使用了一个改进版本的MRT，分别评估了alpha NFT前后的心理旋转能力。

对于两个MI阶段，每个阶段分别包含3次执行，每次持续5min。在每次执行过程中，受试者根据屏幕上的提示执行左侧MI、右侧MI或空闲任务。每次试验开始时，在黑屏中间出现一个固定的白色十字，并停留1秒。在左/右手MI任务中，在十字的相应一侧显示了左/右手的三维模拟图，并指导受试者进行动觉MI。在空闲的任务中，白色的十字变成绿色，期间受试者放松，不想任何事情。每次试验持续8或9秒(图1C)。每个任务执行12次试验，所以每次执行36次，因此每个阶段共108次实验。这些任务的顺序是随机的。在MI阶段期间，对受试者没有提供任何反馈。

在alpha NFT实验前后记录两分钟的基线。每个基线阶段分别为一分钟的静息态的睁眼(EO)和一分钟的静息态的闭眼(EC)。

alpha NFT阶段包括6次运行，每次运行持续3min。在每次运行过程中，受试者都会通过屏幕上的竖条收到alpha变化的实时反馈。条形图的纵坐标值与alpha指标与基线的偏差成正比。当alpha指标高于或低于基线时，条形图的颜色分别变为绿色或红色。在连续三分钟内受试者保持放松，以增加他们的alpha指标。

图1：(A)：实验过程。(B)心理旋转测试(MRT)会话范式。(C)运动想象(MI)会话范式。(D)根据国际10-20系统电极放置法记录的电极（灰色），选择用橙色虚线圈出的16个电极作为额叶的目标训练区域。

3.脑电数据预处理

脑电图记录使用64通道的Synamps2系统，采样频率为500赫兹。根据国际10-20系统标准预先选择60个脑电图电极，排除其中信号质量较差的4个电极。其余56个通道均用灰色标记，如图1d所示。参比电极放置在头部顶部Cz和CPz之间，接地电极AFz放置在头部内侧额叶区。使用同一系统记录水平眼电图(EOG)和垂直EOG。放大器中包含一个0.5~100Hz的带通滤波器和一个50Hz的陷波滤波器。

4.Alpha神经反馈训练系统的设计

如上所述，为了上调 alpha 波段功率，在 alpha NFT 期间实时计算并反馈了 alpha指标。在本研究中，使用alpha相对功率(ARP)与基线的偏差作为alpha指标。在alpha NFT之前，计算了闭眼(EC)基线中的单个alpha频率(IAF)。计算NFT前睁眼(EO)基线的ARP为ARP_baseline。在alpha NFT过程中，连续的脑电图记录每100 ms被分割为1个周期。脑电图期的ARP计算为ARP_epoch。ARP与ARP基线的偏差(∆ARP)计算如下：

P_alpha和P_total分别表示(IAF-2，IAF+2)Hz的alpha频带的绝对功率和（1,50）Hz的总功率。采用多聚法计算功率谱密度(PSD)，并采用积分法计算目标频带功率。多聚函数是通过MNE-Python包实现的。在本研究中，选择了16个额叶电极来获得在alpha NFT过程中的平均ARP(图1D)。

∆ARP值被实时映射到视觉反馈条的纵坐标值，∆ARP的符号（正或负）对应于条的颜色（绿色或红色）。如果∆ARP值在几秒钟内超过了自定义设置的阈值，屏幕上就会出现一个笑脸符号，这表明性能良好。实验设计了一个动态阈值策略，以在每次运行中更好地与受试者相协调（见图2）。在本研究中，将缓冲区的最大长度设置为100(约10s)，将初始阈值(Th)设置为10%，提高或降低阈值的步幅设置为1%，将阈值设置为不小于1%。如果检测到EOG伪影，反馈将被短暂暂停。

图2.动态阈值策略的流程图。

5.特征提取和分类

使用全脑电极进行离线分类的结果来测量MI-BCI的性能。首先，采用8~30Hz的线性相位、有限脉冲响应(FIR)滤波器对MI时段的脑电图信号进行带通滤波。然后，在任务开始后的0~4s内提取信号。考虑了三类分类（即左手、右手和空闲任务）和三种二元分类。使用公共空间模式(CSP)算法进行空间滤波。然后，将这些特征作为支持向量机(SVM)算法的输入，生成特定的模型。最后，采用10倍交叉验证(CV)程序来验证结果。

6.功率谱分析

利用不同波段的功率和相对功率（RP）来研究大脑节律的变化。频段包括来自 (1, IAF-6) Hz 的 delta 频段，来自 (IAF-6, IAF-2) Hz 的 theta 频段，来自 (IAF-2, IAF+2) Hz 的 alpha 频段，来自 ( IAF+2, 30) Hz 的 beta 频段，以及来自 (30, 50) Hz 的低伽马波段。RP 的计算类似于在线 alpha NFT 中的 ARP，∆ RP 的计算如下：

在基线阶段，研究分析了5个波段的∆RP。RP和RP_baseline分别表示特定波段NFT后和NFT前基线阶段的RP。

对于MI阶段，提取值为-3~4s的脑电图信号。每个实验被分为一个任务前阶段（−3-0秒）和一个任务阶段（0-4秒），并根据任务类型进一步分组。平均功率为在每个阶段的三次运行中取平均。每个任务的ERD计算方法如下：

其中Ptask和Ppretask分别代表单个alpha波段在任务阶段和任务前阶段的绝对功率。

7.功能连通性分析

分析静息态功能连接(FC)并研究大脑网络的变化。为了绘制双侧脑区域之间的连通性，研究排除了8个中央电极(即Fpz、Fz、FCz、Cz、CPz、Pz、POz和Oz)。从EO基线中选择左右两侧各24个电极，共48个电极。功能连通性矩阵是通过相位滞后指数(PLI)和想象相干性(imCoh)计算的，这两种方法都是目前最常用的测量方法。先前的研究表明，PLI受共同源和主动参考电极的影响较小，imCoh受空间传导和空间渗漏的影响较小。算法的实现和大脑网络连接映射的绘制利用的是MNE-Python软件包。

8.统计分析

采用配对t检验对alpha NFT前后差异的显著性进行统计学分析。采用Pearson相关分析∆ ARP与受试者表现变化的相关性。采用α=0.05的错误发现率(FDR)来校正多重比较的显著性水平。本文中使用的统计和相关方法是使用Python软件包Pingouin实现的。

    研究结果

1.运动想象与心理旋转测试性能分析

图3显示了alpha NFT前后MI阶段的分类结果。在三类分类中，所有受试者的表现均高于随机水平（33.33%）。总体而言，alpha NFT前的平均分类准确率为59.29±9.17%，alpha NFT后为64.78±13.45%，显著提高了5.48±7.76%(p<0.01)。然而，18名受试者中仍有30%的MI-BCI性能没有提高。

对于二元分类，包括左手MI与右手MI(L vs.R)，左手MI与空闲任务(L vs.I)，以及右手MI与空闲任务(R vs.I)。L vs.R分类结果显示，alpha NFT前的平均准确率为60.83±16.94%，alpha NFT后为69.08±13.12%，显著提高了8.25±12.66%(p<0.05)。而L vs.I和R vs.I分类结果显示，alpha NFT前的平均准确率分别为74.51±15.36%和77.92±9.78%，alpha NFT后分别为77.78±11.99%和79.47±11.54%，改善未达到显著水平。

MRT结果满分10分，alpha NFT前平均为5.33±2.13，alpha NFT后平均为5.22±2.15，差异无统计学意义。超时率为4.17%。

图3.NFT前（Pre）和NFT后（Post）MI阶段的性能表现。(A)被试间分类准确率直方图-灰色虚线表示值为33.33和50%的随机水平。(B)分类精度的箱线图-红点表示平均值：Lvs.R，左手MI与右手MI；Lvs.I，左手的MI和空闲任务；Rvs.I，右手MI与空闲任务；∗p<0.05；∗∗p<0.01；n.s.，没有显著意义。

2.相对功率的变化及相关性分析

受试者的平均IAF在NFT前和NFT 后EC的基线阶段之间保持稳定，分别为10±0.49Hz和9.72±0.53Hz。为了评估研究的可训练性和独立性，研究人员计算了NFT前和NFT后EO基线阶段之间5个频带的∆RP。每个通道的差异经FDR校正。结果如图4所示。结果显示，alpha频带RP(ARP)在几乎整个大脑中都显著增加，在额叶上最为显著。∆RP在delta频带的显著性较小，与其他频带无显著性差异。

图4.(A)图为5个频带NFT前和后基线之间的∆RP。(B)电极的位置。(C)配对t检验中∆RP的显著性水平-电极的p值经FDR校正。(A、C)中的图像分别在右边有相同的颜色条。

为了评估NFT，研究人员分别计算了6次的alpha NFT运行的平均ARP值，在图5中绘制了每次运行和前一次EO基线之间的ARP变化量。从1到6有明显的上升趋势。ARP在整个大脑中均显著升高，特别是在前额叶和顶枕叶。如图5所示。

图5.(A)图为每次alpha NFT运行与NFT前的基线阶段之间的∆ARP。(B)配对t检验中∆ARP的显著性水平-电极的p值经FDR校正。(A、B)中的图像分别具有相同的颜色条。(C)线图为在6个alpha NFT运行中，来自不同大脑区域的∆ARP。Fp和AF：前额叶，F：额叶，额中央，C：中央，CP：中央顶叶，P：顶叶，PO：顶枕，O：枕区。

通过NFT后和NFT前EO基线之间的相对差异来评估∆ARP，并在16个额叶电极上取平均值。研究人员利用Pearson相关性来研究∆ARP和MI-BCI性能变化之间的关系。结果显示，∆ARP与MI-BCI的性能变化呈显著正相关（见图6）(r=0.65；p<0.01)。然而，MRT评分与∆ARP或MI-BCI表现的变化之间没有显著的相关性。

图6.∆ARP与MI-BCI性能变化之间的Pearson相关性（∆ Accurary）。发现∆ARP与三类分类的∆ Accurary之间存在显著的正相关关系(r=0.65；p<0.01)。

3.事件相关去同步分析

分别分析了NFT前后MI三个任务的绝对频带功率和ERD值的变化。如图7所示，在alpha NFT后，任务前阶段的alpha波段功率增加了，特别是在枕叶上最为明显。并且在前额叶上略有增加，而在alpha NFT后的任务阶段没有明显的变化。此外，ERD在左手和右手MI中均有增加，特别是在对侧顶叶上。对侧初级运动皮层(M1)ERD变化显著性较高。

图7.图为分别来自NFT前（Pre）和NFT后（Post）MI阶段和三个任务的alpha波段绝对功率(AP)和ERD。(A)来自任务前阶段的AP（-3-0秒）。(B)来自任务阶段的AP(0-4s)。(C)ERD。(D)配对t检验后有显著性差异的ERD，其中p值经FDR矫正。每个面板的图像共享右下角相同的颜色条。Right,右MI；Left,左侧MI；Idle,空闲任务。

4.功能连通性分析

进一步分析来自EO基线时段的脑电图信号，以了解静息状态脑网络的变化。1 min基线信号分为12段，每段5s。通过PLI和imCoh计算功能连通性矩阵，并在各段间取平均值。然后计算NFT后和前基线阶段之间的统计学T值。图8显示了配对t检验得到的T值，只显示了显著的链接(p<0.01)。然而，在FDR相关性分析后，没有发现显著性差异。线的红色和蓝色分别表示在 alpha NFT 之后连接被增强或减弱。PLI和imCoh结果均显示，在alpha波段的红线多于蓝线，表明在alphaNFT后，alpha波段连接增强，特别是在左额叶和右顶叶之间。此外，imCoh结果中的delta和theta波段，PLI和imCoh结果中的beta波段，以及PLI结果中的gamma波段，都观察到的蓝线多于红线。结果表明，这4个频段的功能连接在不同程度上减弱。

图8.通过相位滞后指数(PLI)和假想相干性(imCoh)计算出的五个频段的功能连通性差异。这些节点对应于来自双侧半球的48个电极，这些连接代表了NFT前和NFT后基线阶段 之间的配对t检验得出的统计值。线的红色和蓝色分别表示在alpha NFT后，连接被增强或减弱。在FDR相关后没有发现显著性。

    结论

总之，研究结果证明了alpha NFT对上调alpha节律和改善MI-BCI性能的有效性。此外，本文还阐明了NFT效应的个体差异。本研究补充了早期的研究，表明alpha NFT是一种很有效的方案，可以提高认知功能，进一步改善行为表现。此外，研究结果阐明了alpha振荡参与认知控制的理论机制。本研究启发了研究人员进一步系统地探索alpha NFT对各种任务的影响，并提高人们对认知控制机制的理解。

参考链接：

https://www.frontiersin.org/articles/10.3389/fnhum.2022.831995/full

---

仅用于学术交流，不用于商业行为，若有侵权及疑问，请后台留言，管理员即时删侵！

更多阅读

用于BCI信号分类的深度特征的Stockwell变换和半监督特征选择

大脑的感觉开关与自闭症有着复杂的联系

电子游戏可以增强的大脑活动和卓越的决策力？

观点｜脑机接口，未来的投资热点

脑机 | NexStem 宣布推出 BCI 耳机和软件

脑机接口破圈医疗！对五种疾病或有奇效，

难怪马斯克吹爆【附下载】| 智东西内参

脑机接口中的流形嵌入知识迁移学习

   加入社群  

欢迎加入脑机接口社区交流群，

探讨脑机接口领域话题，实时跟踪脑机接口前沿。

加微信群：

添加微信:RoseBCI【备注：姓名+行业/专业】。

加QQ群：104048131

  欢迎来稿  

1.欢迎来稿。投稿咨询，请联系微信：RoseBCI

2.加入社区成为兼职创作者，请联系微信：RoseBCI

助力脑机接口发展

---

点个在看祝你开心一整天!