文献笔记3-Using High-Frequency Local Field Potentials From Multicortex to DecodeReaching and Grasping

基本信息

《Using High-Frequency Local Field Potentials From Multicortex to DecodeReaching and Grasping Movements in Monkey》

作者：Peng Zhang, Jian Huang, Senior Member, IEEE, Wei Li, Member, IEEE, Xuan Ma, Peipei Yang, Jun Dai, and Jiping He, Senior Member, IEEE

Zhang Penghttps://www.researchgate.net/profile/Zhang-Peng-67

Jian Huanghttps://www.researchgate.net/profile/Jian-Huang-49

关键词：intracortical brain-machine interface, local field potential, wavelet packet transform, multi-cortex, monkey.

思维导图

总结

本文研究了使用高频局部场电位（LFPs）从多个皮层解码猴子的伸手和抓握动作的潜力。研究使用微电极阵列长期植入到两只猴子的主运动皮层（M1）、体感皮层（S1）和后顶叶皮层（PPC）中记录LFPs，猴子在训练中执行三维伸手和抓握动作。采用小波包变换（WPT）方法提取高频LFP信号的时间和频率信息，并选择WPT系数的节点能量作为特征。通过主成分分析（PCA）对特征进行降维后，使用支持向量机（SVM）解码器对离散的伸手位置和抓握姿势进行分类。结果表明，使用高频LFPs和WPT方法可以实现高解码准确率，这种LFPs可以作为iBMIs中运动意图解码的有用信号。此外，与单个皮层相比，多个皮层的LFPs可以实现更好和更稳定的解码性能。

Introduction

本文的引言部分通过介绍BMI的应用前景和LFPs作为神经信号的研究，引出了高频LFPs从多个皮层解码运动意图的研究选题，并提出了解决这个问题的方法和目标。

首先介绍了脑机接口（BMI）的概念和应用前景，指出了它作为一种恢复瘫痪人士交流和运动能力的有希望的方法。之后，引言指出了局部场电位（LFPs）作为一种可靠的神经信号用于运动意图解码的研究。然而，之前的研究主要集中在低频LFPs上，并且仅从一个或两个皮层记录LFPs。这导致了一些问题，例如低频LFPs可能无法提供足够的信息来准确解码运动意图，以及仅从一个或两个皮层记录的LFPs可能缺乏鲁棒性。

基于这些问题，本文的研究选题是探索高频LFPs（200-300 Hz）从多个皮层解码运动意图的潜力。为了实现这个目标，研究使用了两只猴子，在它们进行三维伸手和抓握动作的训练过程中，通过微电极阵列长期植入到主运动皮层（M1）、体感皮层（S1）和后顶叶皮层（PPC）中记录LFPs。为了提取高频LFP信号的时间和频率信息，研究采用了小波包变换（WPT）方法，并选择WPT系数的节点能量作为特征。然后，通过主成分分析（PCA）对特征进行降维，并使用支持向量机（SVM）解码器对离散的伸手位置和抓握姿势进行分类。

通过这个研究，本文旨在回答两个关键问题：高频LFPs是否能够实现与尖峰信号相似的解码性能，以及来自多个皮层的LFPs是否能够提供更好和更稳定的解码性能。通过解码准确率的评估，本文的研究结果表明，高频LFPs与WPT方法可以实现高解码准确率，并且来自多个皮层的LFPs比单个皮层的LFPs具有更好和更稳定的解码性能。

成果与发现

本文的研究结果表明，高频LFP信号可以作为一种可靠的信号源用于运动解码。多皮层解码可以实现更好和更稳定的解码性能。高频LFP信号在解码运动意图方面具有重要的作用，并且其解码准确率与信号频率范围密切相关。这些发现对于进一步发展基于LFP信号的脑机接口技术具有重要的指导意义。

具体包括以下重要成果与发现：

• 1. 高频LFP信号的解码准确率：通过使用WPT方法对高频LFP信号进行特征提取和降维处理，本文实现了对伸手位置和抓握姿势的高准确率解码。在所有数据会话中，解码准确率超过90%，接近使用脉冲信号进行解码的准确率。
• 2. 多皮层解码的优势：与单个皮层解码相比，使用多个相关皮层的LFP信号进行解码可以实现更好和更稳定的解码性能。多皮层解码在不同的实验日中表现出更好的解码准确率和更低的标准差，表明其具有更强的鲁棒性。
• 3. 高频LFP信号的重要性：与低频LFP信号相比，高频LFP信号（200-300 Hz）在所有会话中实现了最佳的解码准确率。此外，在低频LFP信号中，频率范围在100-200 Hz之间的信号实现了比0-100 Hz和0-200 Hz范围内的信号更好的解码准确率。
• 4. 时间窗口的影响：不同类型的时间窗口对解码准确率有很大影响。在单个皮层解码中，不同类型的时间窗口对解码准确率有不同的影响。在多皮层解码中，不同类型的时间窗口对解码准确率也有不同的影响。因此，在选择时间窗口时，应考虑到不同皮层的生理特征，以实现更好的解码性能。

数据

本文通过对高频LFP信号的数据分析和筛选，提取了特征并进行了降维处理，最终使用SVM解码器对不同的运动意图进行分类。这些分析方法和筛选标准有助于提取有效的特征，并实现高准确率的解码性能。

本文使用了两只猴子进行实验，记录了它们执行伸手和抓握动作时的高频LFP信号。首先，使用OmniPlex系统记录了128个通道的神经和行为数据。对于每个通道，通过模拟滤波器将频率范围不在0.3Hz至6kHz之间的神经数据滤除。然后，使用数字滤波器对信号进行处理，并以1000Hz的采样率对其进行采样，得到LFP信号。

在数据采集和准备阶段，对LFP信号进行了进一步的处理和筛选。首先，使用Butterworth滤波器对信号进行带通滤波，得到高频LFP信号（200-300Hz）。然后，通过视觉检查，排除了包含伪迹的LFP通道。对于猴子B，将数据与CR事件对齐，并使用CR事件前200ms至CR事件后300ms的数据进行时频分析。对于猴子H，选择了CR事件前100ms至TH事件后300ms的时间窗口进行解码。

在特征提取和特征选择方面，本文使用了两种常用的时频分析方法：多窗谱估计方法（MTS）和波包变换（WPT）方法。对于MTS方法，使用五个Slepian数据窗口进行LFP频谱分析，并提取时间结构特征。对于WPT方法，使用多分辨率分析将信号分解为一系列系数，并计算每个节点的波包能量作为特征。然后，使用主成分分析（PCA）对提取的特征向量进行降维。最后，使用支持向量机（SVM）解码器对不同的伸手位置和抓握姿势进行分类。

在数据分析和筛选过程中，本文使用了五折交叉验证方法来评估解码性能，并重复100次以获得平均解码准确率。此外，还使用自助法计算解码准确率的置信区间。

方法

本文的方法部分使用了动物训练和手术、数据采集和准备、特征提取和特征选择以及解码器等方法。通过这些方法，研究人员能够获取高频LFP信号，并提取特征进行解码，从而实现对伸手位置和抓握姿势的准确分类。

主要涉及了以下几个方面的内容：

• 1. 动物训练和手术：使用两只猴子进行实验，训练它们执行伸手和抓握动作。在手术过程中，将微电极阵列植入到猴子的大脑皮层中。
• 2. 数据采集和准备：使用OmniPlex系统记录神经和行为数据。对于每个通道，使用模拟滤波器和数字滤波器对信号进行处理，得到LFP信号。对LFP信号进行进一步的处理和筛选，排除包含伪迹的通道。
• 3. 特征提取和特征选择：使用两种时频分析方法进行特征提取，分别是多窗谱估计方法（MTS）和波包变换（WPT）方法。对于MTS方法，使用Slepian数据窗口进行LFP频谱分析，并提取时间结构特征。对于WPT方法，使用多分辨率分析将信号分解为一系列系数，并计算每个节点的波包能量作为特征。然后，使用主成分分析（PCA）对提取的特征向量进行降维。
• 4. 解码器：使用支持向量机（SVM）作为解码器，对不同的伸手位置和抓握姿势进行分类。使用五折交叉验证方法评估解码性能，并使用自助法计算解码准确率的置信区间。

讨论

本文的讨论部分主要围绕着高频LFPs在运动意图解码中的表现展开。首先，研究结果表明，高频LFPs可以实现与尖峰信号相似的解码准确率，这与之前的研究结果一致。这意味着高频LFPs可以作为一种可靠的信号源，用于控制脑机接口系统。其次，与单个皮层的LFPs相比，来自多个皮层的LFPs在解码性能上表现更好且更稳定。这一结果与之前的研究相符，说明多个皮层的LFPs可以提供更丰富的信息，从而实现更准确和更稳定的解码。

然而，本文的研究也存在一些不足之处。首先，本研究仅使用了两只猴子的数据，样本量较小，可能存在一定的偏差。其次，本文仅关注了高频LFPs的解码性能，对于其他频率范围的LFPs的解码性能尚未进行深入研究。此外，本文的研究仅使用了两种时间窗口进行解码，对于其他时间窗口的解码性能尚未进行全面评估。

未来的研究可以进一步探索不同频率范围的LFPs在运动意图解码中的作用，并扩大样本量以提高研究的可靠性。此外，可以进一步优化解码算法，以提高解码的准确性和实时性。另外，还可以研究如何将LFPs与其他神经信号（如尖峰信号）结合起来，以进一步提高解码性能。总之，本文的研究为高频LFPs在脑机接口中的应用提供了有益的启示，但仍有许多问题需要进一步研究和解决。

附件

附文献原文。