【Brain】连续低频脑电图解码手臂运动,实现机械手臂的闭环自然控制( 二 )


数据采集和处理
通过实验室流传输层协议(https://github.com/sccn/labstreaminglayer)记录和同步数据 。 使用自定义的Matlab脚本和Psychotoolbox进行了视觉刺激的演示 , 数据的在线处理和可视化 。 光电二极管用于离线同步 。 离线分析是在Matlab和EEGLAB中进行的 。
Stand-alone online viewers
BrainVision LSL Viewer
【Brain】连续低频脑电图解码手臂运动,实现机械手臂的闭环自然控制
本文插图
MATLABViewer (part of LSL distribution)
【Brain】连续低频脑电图解码手臂运动,实现机械手臂的闭环自然控制
本文插图
StreamViewer
(available from SCCN ftp as part of the mobi_utils package:
ftp://sccn.ucsd.edu/pub/software/LSL/Mobi_Utils/mobi_utils_1_1_10/)
【Brain】连续低频脑电图解码手臂运动,实现机械手臂的闭环自然控制
本文插图
在线和离线处理管道
在该研究中 , 研究人员对脑电信号数据处理分为两个阶段 , 如下图:
脑电图分为两个阶段(如上图):
在第一个滤波阶段(0.18 Hz高通+抗混叠低通滤波器)之后 , 将脑电图下采样至100 Hz , 对不良通道进行插值 , 减弱眼神像(GEYESUB算法) , 信号被重新参考到共同的平均参考(CAR) , 并缓慢漂移/occasionalpops interpolated (HEAR算法) 。
在第二个滤波阶段(1.5 Hz低通)之后 , 脑电图被下采样至20Hz , 缓冲300 ms并解码(PLSKF方法) 。 同时 , 用LeapMotion记录的运动轨迹进行4 Hz低通滤波 , 延时(带环形缓冲)与脑电图同步 , 并下采样至20 Hz 。 同步后 , 将手运动学和基于EEG的解码轨迹混合到唯一的控制信号中 , 进行转换 , 使其能够滑动到倾斜的屏幕上 , 并反馈给机械臂 。
研究人员比较了两种方法:PLSKF在线 , 或仅tPLS , 离线模拟的效果 , 如下图 , 显示了手运动学与基于EEG的解码轨迹之间的相关性分析结果 。 该图显示了每个运动参数(位置 , 速度和加速度)和状态(0% , 33% , 分别控制66%和100%的EEG)和两种方法(在线使用PLSKF , 单独使用PLS , 离线模拟) 。 还针对每种情况和方法显示了机会水平分布的上限相关性(机会 , 显着性α= 0.05) 。 在每个条形图中 , 较大的中心点代表分布的中位数 , 晶须延伸到25%和75% , 而小点代表参与者 。
【Brain】连续低频脑电图解码手臂运动,实现机械手臂的闭环自然控制
本文插图
两种方法间差异有统计学意义(经多次比较校正后的值为0.05) , 用星形*标记 。 水平的虚线条最终显示了每一种方法在参与者之间的中值概率值 。
研究人员还对解码和运动幅度进行了定性评估 。
对于33%脑电图情况中的一名参与者 , 单独使用PLS模型或结合卡尔曼滤波对样本解码的轨迹(位置)进行采样 , 如下图(a) 。 该图显示了运行中多个试验的跟踪部分的连接 。 实验过程中手部运动学和基于脑电图解码轨迹的振幅 , x和y方向 。 阴影区间表示参与者的平均值±标准差(SD)幅度(如图b) 。