基于多任务异构集成学习的跨学科EEG分类在中风患者中的应用

背景介绍

运动意象（Motor Imagery, MI）指的是通过想象的方式进行活动而无需实际肌肉运动。这一范式在脑机接口（Brain-Computer Interface, BCI）中得到了广泛应用，用于将大脑活动解码为外部设备的控制指令。特别是，脑电图（Electroencephalography, EEG）因其相对廉价、移动方便且时间分辨率高于其他神经影像工具而广泛用于BCI。此外，这一范式可以帮助中风患者进行神经康复。据研究，机器人辅助的脑机接口训练可以提升中风患者的运动康复效果（参见论文[5]和[6]）。这是因为在MI期间激活的神经通路与实际运动执行（Motor Execution, ME）的神经通路相似，因此，通过想象这种方式也可能促使感知运动区域的神经通路激活，从而帮助中风后的运动康复。

研究源起

这篇文章由Minji Lee等人撰写，作者来自韩国天主教大学、生庆韩国国立大学、阿布扎比纽约大学、翰林大学和明记春溪康复医院等机构。本文发表在IEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol. 32, 2024期刊上。论文研究得到了Chungbuk National University BrainKorea21 Program（2023）和韩国政府[科学与信息通讯技术部（MSIT）]的支持（NRF grant RS-2023-00252624）。

研究详述

a) 研究流程

研究的主要流程包括数据采集、实验协议、数据预处理、多任务异构集成学习（MEEG-HEL）框架及性能评估。具体步骤如下：

1. 参与者

   • 共有九名患有慢性缺血性中风的患者参与了本研究。参与者的平均年龄为55岁（±5.36），其中包括3名女性。所有患者都进行了认知功能评估（MMSE）和上肢运动功能评估（FMA_UL），以确定其参与实验的适用性。

2. 实验协议

   • 受试者执行了双手的依次敲击任务，分为ME和MI范式。任务按块设计，每个任务包含20个块。在每个块中，当屏幕上出现一个点（提示符），患者依次用手指从无名指到小指进行敲击。

3. 数据采集与预处理

   • 使用NeuroPraX EEG系统（NeuroConn GmbH, Germany）以4000 Hz的采样率测量EEG数据。信号通过Ag/AgCl表面电极采集，并使用EEGLAB工具箱进行预处理。最终选择27个通道，并对EEG数据进行分段。

4. MEEG-HEL框架设计

   • 采用公共空间模式（CSP）进行特征提取，利用序贯前向浮动选择（SFFS）方法进行特征选择，并采用七个基准模型构建异构集成学习器，这七个基准模型包括浅层神经网络（SNN）、核支持向量机（KSVM）、子空间判别分类器（SDC）等。最终通过加权的方法进行分类。

b) 主要结果

1. 方向识别任务（DR）

   • 在ME和MI范式中，ME范式下的分类性能为0.7061（±0.1270），而MI范式的分类性能为0.7419（±0.0811）。Confusion Matrix结果显示，MI范式的准确率更高，特别是在区分右手（RT）和左手（LT）方面。

2. 运动评估任务（MA）

   • 在ME和MI范式中的分类性能分别为0.6791（±0.1253）和0.7457（±0.1317）。MI范式的处理中，TP和FN值较高，表明模型可以更准确地预测健康手。

3. 专题矢量模式（CSP）结果

   • 分类任务中，CSP模式经验显示，MI范式下的活动区域主要集中在感觉运动皮层，而ME范式中，右手活动主要激活了左感觉运动皮层。

c) 研究结论

本研究表明，MEEG-HEL框架在中风患者的多任务分类中表现出色，显著高于其他基准模型。通过对方向识别和运动评估任务的分类，可以为中风患者的康复训练提供有效的帮助。该框架不仅提高了分类精度，还增强了模型对新患者的适用性，有助于在临床环境中推广神经康复技术。

d) 研究亮点

1. 采用多任务学习方法，将方向识别和运动评估任务结合起来，提高了模型的分类性能。
2. 提出了异构集成学习方法，使得在小样本情况下仍能获得较好的分类效果。
3. 通过CSP特征提取和SFFS特征选择方法，极大提升了模型的泛化能力和准确性。

总结

本研究在中风患者的EEG分类中采用了多任务异构集成学习的方法，有效提高了分类性能，展示了该框架在神经康复中的潜力。通过识别方向和运动评估任务，可以为中风患者提供更精准的康复训练方案，并提高其生活质量。本研究的创新点在于考虑了中风患者的特征和实际需求，有望在未来的临床应用中取得更大的突破。