近日，燕山大学谢平教授团队与国家康复辅具研究中心李增勇教授共同合作设计了运动神经康复训练新范式，该范式创新性地应用虚拟现实技术与脑机接口技术，并且通过神经激活程和运动想象识别率验证了该范式对运动神经康复的积极激活作用。
该项研究发表在Frontiers in Aging Neuroscience，题为Research on Rehabilitation Training Strategies Using Multimodal Virtual Scene Stimulation。
患有弛缓性麻痹的脑卒中患者很难接受被动康复训练。因此，将运动想象的脑机接口(MI-BCI)技术和虚拟现实(VR)技术相结合的虚拟康复技术应用于脑卒中康复领域。这种虚拟康复技术可以增强患者康复的主动性和适应性。为了最大限度地激活受试者的运动神经并加速重塑运动神经功能的机制，本研究设计了一种使用不同虚拟场景（包括静态场景、动态场景和VR场景）的BCI康复训练策略。我们比较和分析了脑卒中患者在使用不同虚拟场景的刺激进行运动想象训练后的神经激活程度和运动想象识别率，结果表明，在三种场景下，神经激活程度和运动想象的识别率从高到低的顺序依次为：虚拟场景、动态场景、静态场景。本文为整合MI-BCI和VR技术的虚拟康复策略提供了研究基础。
研究路线
图1 基于MI-BCI和VR的虚拟康复策略图
如图1所示，我们设计了基于MI-BCI和VR的康复训练策略。多个诱发MI刺激场景(例如，静态场景、动态场景和VR场景)诱导受试者执行MI任务，并实时采集EEG信号。接下来对EEG信号进行预处理，再进行双分支的输出和反馈。第一分支，运动想象分类识别(运动意识特征提取&SVM分类)。我们将虚拟左手和右手的图像添加到场景中，并设置训练任务和视听反馈，引导受试者进行主动MI任务。通过人机交互控制，受试者可以感觉到他们正在进行实际的身体动作。第二分支，神经激活程度分析(神经激活特征提取&动态脑电活动图)。我们通过脑电活动图观察大脑区域的激活变化，并分析训练对受试者的影响。根据大脑运动区的当前神经活动，我们自适应调整训练场景，以确保受试者能够持续实现神经的最大激活，并加速神经功能的重塑。
实验设计
1.场景设计
图2静态和动态场景示例
图3虚拟场景示例
图2和图3展示了三种场景的示例。对于静态场景，主要包括静态文本和静态图片等。对于动态场景，主要包括3D生活场景和动态游戏。对于VR场景，在VR渲染下的虚拟电脑操控和虚拟用餐体验。
2.对照实验设计
图4 对照实验设计图
在这项研究中，我们设计了一个对照实验，比较和分析大脑神经活动的变化，并使用不同虚拟场景的刺激来确定运动图像的识别率，以发现神经深度激活的机制。图4显示了实验的示意图。我们在训练前评估了受试者的运动想象能力，然后受试者进行了多重运动想象训练。完成培训后，参与者完成了培训后评估。
3.实验范式设计
我们选择了9名心理状况良好的健康大学生作为研究对象(S1-S9，均为男性，平均年龄：24±2岁)。所有受试者都是右利手。实验要求所有受试者之前没有完成过类似的实验，也没有神经疾病史。所有受试者都被告知试验的研究意图、研究细节以及与实验相关的潜在危险。此外，所有实验均在受试者中午进食后3小时内进行，每个受试者在开始运动想象之前必须闭上眼睛休息5分钟。这样做可以缓解紧张和焦虑，确保受试者处于良好的精神状态。
我们将九名受试者平均分为三组：静态场景对照组，S1-S3；动态场景实验组，S4-S6；和VR场景实验组，S7-S9。除了用于刺激MI训练的不同虚拟场景外，所有其他条件都相同。所有受试者共进行了17天的实验（14天的MI任务训练实验和3天的MI评估实验）。
具体实验过程如下：受试者完成每天完成3组MI训练，每组40个试次(MI任务)。14天的实验过程，受试者共完成1680个MI任务。受试者还进行了三次运动想象评估实验。在运动想象训练前一天、训练结束后第二天和训练结束后14天分别进行了三次实验。受试者根据评估范式完成3组运动想象任务，每组包含30个MI任务。我们在试验期间收集了19个通道(FC1, FC3, FC5, C1, C3, C5, CP1, CP3, CP5, Cz, FC2,FC4, FC6, C2, C4, C6, CP2, CP4, and CP6)的EEG数据。
图5 评估实验范式流程
图6 不同场景下训练实验范式流程
图5显示了MI评估实验的范式。一次试验包含三个周期，共10秒。从0到2秒，屏幕中央出现一个红点，然后缩小，以提醒受试者集中精力开始下一次运动想象。从2到7秒，受试者必须专注于屏幕上红点的左右移动方向，并进行左/右手（或左/右臂）运动想象。从7到10秒，屏幕中央出现一个加号（ ），提醒受试者本次试验已经结束。在此期间，受试者休息3秒，然后进入下一次试验，重复此实验过程。
不同场景中MI训练实验的范式如图6所示。我们将训练过程分为三组：增强静态场景对照组、增强动态场景实验组和VR场景实验组。MI训练过程采用了实时MI反馈的交互模式。一次试验包含三个周期，共10秒。从0到1秒，屏幕中央出现一个红点，提醒受试者专注于运动想象的开始。1秒后，红点消失，提醒受试者开始肢体运动想象。从1到5秒，受试者必须专注于屏幕上提供的提示信息，并进行左手/右手（或左手/右臂）运动想象。从5到7秒，MI分类模型的结果出现在屏幕上，场景中的虚拟角色和肢体被控制相应地移动。在此期间，受试者短暂休息，直到7秒结束。然后，受试人员将进入下一次试验并重复此实验过程。
EEG预处理
使用移动平均法消除基线漂移，并使用自适应50Hz滤波器消除工频干扰。我们使用独立成分分析(ICA)来去除眼电(EOG)伪影，并使用六阶巴特沃斯滤波器进行8-32Hz带通滤波器。
结果分析
1.运动脑区能量变化分析
脑电运动图(BEAM)是一种常用的多通道EEG信号分析方法。该方法分别提取各个通道的四阶能量特征，然后通过color bar来表示不同大小的能量分布。
图7 三组场景下的训练MI任务前一天和训练MI任务14天后的BEAM比较
图7显示了受试者大脑区域神经激活的空间分布：S1(A. Control group)、S4(B. Group Ⅰ)和S8(C. Group Ⅱ)，在增强MI任务训练的前后比较。图7A显示，受试者接受本研究设计的康复策略训练后，大脑区域运动神经的激活范围显著扩大(即MI神经的激活宽度增加)。图7B显示，受试者接受康复策略训练后，激活区域的颜色更暗（即ERD/ERS现象更明显），这表明MI神经的激活深度增加。图7C显示，与静态场景和动态场景相比，该策略对VR场景中MI神经的激活广度和深度有更明显的影响。
2.MI任务分类识别结果
在本研究中，我们从EEG信号的时域、频域和空间域中选择了均方误差、功率谱密度(PSD)和公共空间模式的三种特征组合用于MI任务分类识别。并且使用粒子群优化支持向量机(PSO-SVM)作为分类器。
(1)在线MI训练实验分类识别结果
通过完成MI训练任务，受试者的MI识别率有不同程度的提高。训练后，静态场景（对照组）中三名受试者（S1-S3）的运动想象的平均识别率在64.5%到67.5%之间，动态场景（实验组I）中三位受试者的运动想象平均识别率为67.5%-70.5%，在VR场景（实验组II）中，三名受试者（S7-S9）的运动图像平均识别率在71.0%到75.0%之间。这些数据表明，本研究设计的康复训练策略可以提高受试者的肢体MI能力。受试者在这三种场景中的运动想象能力由弱到强依次为：静态场景、动态场景和虚拟现实场景。
(2)离线MI评估实验分类识别结果
经过训练后，九名受试者的MI识别率有所提高。此外，静态场景（对照组）和动态场景（实验组一）中的识别率总体增长大致相同，而虚拟现实场景（实验组二）中识别率的总体增长显著高于其他两组。这一结果表明，本研究设计的康复训练策略可以提高受试者的MI任务的分类能力。与静态场景和动态场景相比，虚拟现实场景在改善受试者对运动神经的控制方面具有更显著的效果。
总结
整合MI-BCI和VR技术的虚拟康复在脑卒中康复领域具有巨大潜力，该技术可以极大地提高患者的康复效果。为了研究MI-BCI治疗如何最大限度地激活受试者的运动神经并加速运动神经功能的重塑机制，我们设计了以下康复训练策略：我们在不同虚拟场景下增强了MI训练，并比较和分析了使用不同虚拟场景刺激进行增强MI训练后的神经激活程度和运动想象识别率。实验结果表明，使用虚拟场景刺激的运动想象训练可以提高受试者的运动神经激活和运动想象能力。与计算机屏幕上显示的静态和动态场景相比，虚拟现实场景在提高神经激活强度和识别率方面具有更显著的效果。
原文链接：
https://www.frontiersin.org/articles/10.3389/fnagi.2022.892178/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！
