EEG揭秘：视觉线索如何操控我们的运动表现

摘要

在脑电图(EEG)或皮层脑电图(ECoG)实验中，视觉线索常用于时间同步，但可能会无意中诱发神经活动和认知加工，从而使任务解码变得更具挑战性。为了解决这一问题，本研究引入了四种新的视觉线索(淡出(Fade)、旋转(Rotation)、参考(Reference)和星形(Star))，并研究了它们对脑信号的影响。本研究的目标是确定一种视觉线索，使其对大脑活动的影响最小化，以便在异步应用程序中进行无线索效应的分类器训练。共有22名年龄在18-30岁之间的健康右利手被试参加了此次研究。对运动开始与线索对齐数据之间的时间变异性、总平均运动相关皮层电位(MRCP)和分类结果的分析显示，不同线索之间存在显著差异。旋转(Rotation)和参考(Reference)线索在最小化时间变异性、保持MRCP模式一致性以及在分类准确性方面的表现最佳。

引言

在EEG或ECoG实验中，视觉线索通常用于确保记录的大脑信号的时间与特定事件(例如，执行特定的手部运动)同步。然而，这些线索可能引发神经活动(例如，视觉诱发电位(VEPs)、认知加工)，从而掩盖与其他大脑信号(如运动相关信号)相关的神经动态。VEPs是大脑对视觉刺激产生的电反应。当一个人暴露在视觉刺激下，例如闪烁的光或图案图像，大脑的神经活动会同步产生电位，这些电位可以从大脑表面和头皮检测到。

VEPs是研究与视觉刺激相关神经反应时间和特征的一种非侵入性手段，为视觉加工提供了宝贵的见解。但在分析其他大脑信号(例如与运动相关的皮层电位(MRCP))时可能存在一定的挑战。MRCPs，是与自主运动准备和执行相关的大脑信号，同时也与想象和尝试有关。这些信号包括如运动开始前的准备电位(BP)、在实际执行运动期间发生的运动电位(MP)，以及在此之后发生的运动监测电位(MMP)。这些事件被认为分别对应于运动计划与准备、执行和行为控制，通常通过将低频EEG信号与运动开始时间锁定来揭示。MRCPs已知能够编码运动的各种元素，例如运动方向、抓握类型、速度或力量。当解码器在基于线索的范式上训练后用于识别或分类自发运动时，线索引发的神经活动问题尤为明显，特别是在处理低频EEG信号时。

Pfurtscheller等人(2008)对这种“线索效应”进行了研究，重点关注大脑对视觉线索的反应。该研究者利用多种神经成像技术，如EEG和fMRI来测量在接收到线索后进行运动想象时的皮层活动。研究结果显示，大脑活动在接收到线索后发生了短暂且显著的变化。这些变化表明大脑对线索做出了反应，并准备或启动对动作的心理想象。这一发现表明，线索在启动大脑完成后续的运动想象任务中起着关键作用，这可能促进行为心理表征的产生。为减轻视觉线索对MRCPs的影响，Ofner等人(2019)通过实施一种新的线索设计进行了研究。在该设计中，线索的视觉呈现会随着时间的推移逐渐减弱，而不是突然指示运动的开始。通过这种方式调整刺激，VEPs的出现会减少，导致对MRCPs的影响不明显。对于闭锁综合征(LIS)患者来说，视觉线索的使用对于有效的脑机接口(BCI)操作至关重要，因为无法检测到运动意图的实际开始时间。此外，已有研究证明了线索效应在ECoG水平上的持续性。如前所述，当应用基于线索范式训练的解码器来分类或识别运动或运动意图时，这种干扰会成为一个问题，因为与视觉线索相关的神经动态可能会掩盖像MRCPs信号的细微模式。因此，在这样的实验设置中，需要仔细考虑视觉处理和与运动相关活动的不同影响。这意味着，在BCI领域中，由于分类器是在受线索相关电位影响的MRCPs上训练的，因此异步配置对解码性能带来了挑战，而这些线索相关电位在异步使用中并不存在。因此，使用受线索影响最小的MRCPs来训练分类器是至关重要的。总的来说，本研究的主要目标是探讨一个基本问题：是否可以设计一种对MRCPs影响甚微或没有影响的视觉线索，以便找到一种适用于解码运动意图的线索？

虽然现有研究已经比较了基于线索的MRCPs与自发的MRCPs，分别涉及视觉、触觉和听觉线索，但在制定策略以减轻视觉线索对MRCPs影响方面的探索仍然有限。为此，本研究借鉴了Ofner等人(2019)和Pfurtscheller等人(2010)的研究，并在此基础上设计了三种新的视觉线索，其基本原则是它们的属性对与运动执行相关的信号产生的影响最小。本研究旨在通过最小化线索诱发效应，使基于线索的活动中的信号尽可能与自发运动意图中的信号一致。这种优化旨在提升解码性能，并促进BCI的无缝控制。此外，它还使得后续异步应用能够进行不受线索影响的分类器训练。为了实现这些目标，本研究根据先前研究的分类结果选择了四种不同的手势。

材料与方法

参与者

本研究共纳入22名健康参与者(12名男性，10名女性；平均年龄为26.2±4.2岁)的EEG记录。所有参与者在收到实验者提供的关于研究目标、内容和程序的全面信息后，提供了书面知情同意。参与者有权在任何时候提出终止或退出实验，无需说明理由。本研究获得了格拉茨技术大学当地伦理委员会的批准。此外，每个参与者的记录数据都进行了匿名化处理。

实验设计

实验分为两个部分：(i)基于线索的数据收集阶段，使用了四种不同的视觉线索和四种不同的手势；(ii)自定进度阶段，要求参与者在任何时间自由地执行相应的四种手势。

视觉线索

这些线索的设计旨在尽量减少视觉刺激对大脑信号的潜在影响。因此，在呈现过程中必须避免快速变化。这些线索是渐进出现的；它们不会突然出现，而是通过缩小、旋转或淡出等方式平滑过渡到初始位置。

参考线索(Reference)是基于Ofner等人(2019)的研究结果选择的，由一个绿色填充圆圈组成，该圆圈开始以随机速度收缩。当收缩的圆圈到达一个白色小圆圈(表示开始信号)的圆周时，参与者被提示执行相应的动作。

淡出线索(Fading)由一个绿色圆圈包围一个白色固定十字架组成。随着时间的推移，它会逐渐过渡到与背景颜色匹配的颜色，要求参与者在线索完全匹配背景颜色时执行相应动作。

在旋转线索(Rotation)中，显示了两个白色的固定十字架，其中一个十字架旋转了±45°。旋转的十字架开始连续旋转，当其位置与未旋转的十字架重叠时，参与者被提示执行动作。

星形线索(Star)是一个白色的固定十字架呈现在黑色背景上，其边缘形成一个星形形状。当四个中心点逐渐靠近固定十字架的原点时，星形会逐渐缩小。当这些点完全重叠时，要求参与者执行相应的动作。

每个线索的初始位置、大致中间位置和最终位置如图1所示。

图1.线索示意图。

范式

在基于线索的部分，要求参与者执行四种特定的手势，并在这些手势的预定开始时间前保持休息状态。这些手势是基于我们实验室之前的研究结果(Johanna Egger et al., 2024)选择的，目的是创建一个更大的数据库并为参与者提供更多样化的实验。每个特定手势执行之前都有一个初始位置，参与者在执行手势后始终返回到这个中立的初始位置。在初始位置，手掌平放在桌面上，手掌朝下。初始位置作为第五类，代表休息状态，在试次期间没有任何动作。四种手势和休息状态需要在一个实验(run)中执行六次(随机顺序)。每个run的持续时间为5min，然后休息30s。在整个run中，线索的类型保持不变。这个过程重复了32次，每次使用随机选择的线索，从而每种手势和每个线索的累计试次数为48次。以旋转线索为例，单个试次的呈现序列如下(图2)：手势呈现1s，然后呈现两个十字架，其中一个旋转了±45°，并在其位置上保持0.5-1s。旋转的十字架开始旋转，直到与固定十字架的位置完全重叠，这一过程持续2-3s。这一阶段是参与者的准备期，作为线索之间的平滑视觉过渡，并最大限度地减少视觉线索对EEG的影响。之后，参与者需要执行动作(执行时间3s，并在执行动作结束后保持最终手势)。这个阶段被称为“go”阶段。然后呈现1.5s的空屏作为“休息”阶段。其他线索遵循类似的时间序列。

图2.实验范式图示(基于线索)。

在自定进度部分，要求参与者执行相同的手势(手势呈现1.5s)，并保持这个手势3s(与基于线索部分的程序相同)，在5min的实验过程中，大约每隔10s执行一次。在实际的自定进度部分开始前，进行了一个训练实验，以确保参与者按照基于线索部分相同的方式执行动作。一次run的时间(包括使用哪个手势的指令)如图3所示。该程序重复进行8次，从而每种手势的试次数有60次。值得注意的是，因为自定进度的范式要求参与者大约每10s执行一次动作，因此每个参与者的动作试次数量会略有不同。

图3.实验范式图示(自定进度)。

信号记录

采用64通道的actiCAP系统(Brain Products GmbH，Gilching，Germany)采集EEG信号，采样率为500Hz。电极按照10-10电极系统排列，其中四个电极用于眼电图(EOG)监测。这些EOG电极放置在双眼外眦以及左眼的上方和下方，用于监测眼跳和眨眼。接地电极置于右侧乳突，而参考电极则位于FCz点。为了在基于线索的实验和自定进度实验中检测实际动作起始点，本研究使用了一套自制的运动捕捉系统，采样频率为30Hz。在参与者的食指尖端放置一个标记。该系统提供了沿x、y和z轴的空间信息。两种数据流通过实验室流层(LSL)进行同步。

信号预处理

使用MATLAB R2019a和EEGLAB工具箱对所有记录信号进行处理和分析。对60导联的EEG信号进行0.5-70Hz的零相位带通滤波(3阶巴特沃斯滤波器)。使用陷波滤波器去除50Hz的电源线干扰。通过独立成分分析(ICA)去除眼动和肌电伪迹。随后进行共同平均参考(CAR)。由于本研究的重点是运动相关脑电位(MRCPs)，本研究使用3阶巴特沃斯IIR滤波器对低频范围(0.5-5Hz)的数据进行带通滤波。然后将整个信号重采样至20Hz，以减少计算量。重采样过程中应用了抗混叠滤波器来防止边缘效应。所有试次均在时间上对齐，并以动作起始点或线索起始点为基准，在-2s到2s的时间窗进行分段。

线索对齐和运动开始之间的时间变异性

本研究考察了线索开始与实际动作开始之间的时间变异性。时间变异性定义为：对于每个执行的动作，动作实际发生时间与线索起始时间之间的差值。目的是评估每个线索在时间上的变异性。

MRCPs分析

本文分析了频率范围为0.5-5Hz的EEG信号，以研究运动相关皮层电位(MRCPs)。使用所有参与者和手势的总平均值来计算每个线索的时域MRCPs。时域分析的重点集中在电极C1上，因为是右手执行运动，预计MRCPs会在对侧表现出来。在基于线索的部分，本研究重点分析与线索相关的数据和动作起始时间。这种方法使我们能够区分受线索影响的运动相关皮层电位(MRCPs)和不受时间变异性影响的视觉诱发电位(VEPs)。主要关注点是比较由四个线索生成的总平均MRCPs与在自定进度部分的总平均MRCPs。因此，本研究进行了Wilcoxon秩和检验，并使用Benjamini-Hochberg方法进行多重比较校正，以检验不同线索诱发的MRCPs与自定进度MRCPs之间可能存在的差异。此外，本研究生成了有关每个线索的地形图，分析了线索起始和动作起始的情况。然后将这些地形图与自定进度的数据进行比较。这种比较旨在突出不同的处理模式和MRCP分布在头皮上的差异。同样，也进行了Wilcoxon秩和检验，并使用Benjamini-Hochberg方法进行多重比较校正，以突出基于线索的地形图与自定进度地形图之间的显著差异。

分类-运动vs静息

对于分类，本研究将所有手势(运动)与静息条件(无运动)进行对比。因此，将每位参与者的所有四种手势试次合并为一个类别，标记为“运动”(4种手势×48个试次=每种线索类型有192个试次；4种手势×60=自定进度类型有240个试次)。静息条件下的试次(与线索类型无关)被用作“静息”类别(4种线索×48个试次=192个试次)。为了确定线索起始时两个类别之间的最大区分点，本研究采用了二分类收缩线性判别分析(sLDA)。基于10×1折交叉验证方案构建分类模型。本研究进行了Wilcoxon符号秩检验，以检验线索与自定进度准确性之间的显著差异，并使用Benjamini-Hochberg方法进行多重比较校正。

四种手势的分类

每种手势都被视为一个独立的类别(1种手势×48个试次)，分别分析每种线索类型的数据。为了确定四个类别在线索起始和运动起始时的最大区分点，本研究采用了四分类收缩线性判别分析(sLDA)，并进行了10×1折交叉验证。

结果

线索对齐和运动开始之间的时间变异性

在图4(A)中，旋转线索和参考线索在时间0s附近的分布明显较窄。对时间变异性进行归一化，以校正恒定偏移量。值得注意的是，旋转线索和参考线索的试次数略超过500，而淡出线索和星形线索的试次数在时间0s附近保持在400次。此外，旋转线索和参考线索的时间变异性形状如图4(B)所示，这两种线索的值更集中在0s附近，并略微偏向负时间轴方向。相反，淡出线索和星形线索的分布则要宽得多。平均而言，参与者执行手势的时间略早于线索所指示的时间。统计差异检验显示，除旋转线索和参考线索之间的结果没有显著差异外，其他所有线索之间的差异均显著。

图4.A)不同线索类型下，运动开始与线索对齐之间时间差的直方图。B)不同线索类型下，运动开始与线索对齐之间时间差的小提琴图。

总平均MRCPs时间信号

图5(B)显示的平均MRCP差异表明，旋转线索和参考线索具有明显的MRCP形状，而淡出线索和星形线索的MRCP幅值较小且形状不明确。具体而言，旋转线索在运动监测电位中表现出略高于参考线索的正峰值，而其负峰的时间则更接近于0s(线索对齐)。值得注意的是，星形线索的准备电位(BP)出现得最早。当比较来自不同线索信号且与动作开始时间一致的MRCPs(图5(A))时，可以清楚地看到它们几乎具有相同的形状。此外，本研究还比较了四种线索的总平均MRCPs与自定进度的总平均MRCPs，如图6所示。参考线索和旋转线索与自定进度条件下观察到的MRCP形状相似。相反，淡出线索和星形线索的MRCP形状几乎没有相似性。

图5.线索特异性MRCPs。

图6.不同线索与自定进度数据之间的时域差异。

总平均MRCPs地形图

空间地形图显示了自定进度条件与基于线索条件之间的显著差异。特别是在图7中，星形线索在运动执行前(-1到0s)的正振幅最小，而在0s时右半球的出现明显负波。相比之下，其他三种线索对齐模式在-1s到0s的时间范围内表现出类似的行为。具体而言，参考线索和旋转线索模式分别在0.25s和0.375s时以正振幅为主导，这些模式在参考线索的枕区和旋转线索的中央区域更为明显。而运动开始触发的线索数据(即基于线索的条件)显示，所有线索的MRCPs模式相似，如图8所示。值得注意的是，星形线索的MRCPs在-1s和1s时显示出与其他三种线索显著不同的模式。自定进度条件下的地形图显示了所有时间点的激活水平较低，其负振幅主要集中在运动区和左半球。

图7.自定进度(运动起始)与基于线索(与线索起始一致)数据之间的地形图比较。

图8.自定进度与基于线索(运动起始时触发)数据之间的地形图比较。

分类-运动vs静息

图9显示了在所有参与者中基于不同视觉线索(线索对齐)区分运动(包括所有手势)和无运动(静息)的时变交叉验证分类结果。值得注意的是，旋转线索和参考线索在线索“go”阶段开始后0.97s表现出最高的准确率，分别约为65.9%和66.2%。在0.53s时，淡出线索的准确率达到64.3%，在0.33s时，星形线索的准确率达到63.6%。在对比分析中，基于实际运动开始触发的自定进度数据与相同的静息类别进行比较时，所有参与者的平均准确率约为71.5%。如图10所示，评估不同线索与自定进度数据的分类结果时，旋转线索和参考线索的表现略差于自定进度数据生成的MRCPs。而淡出线索和星形线索的表现明显较差。

图9.不同线索对齐(运动vs静息)情况下的分类结果。

图10.将不同线索的分类结果(运动vs静息)与运动起始和自定进度条件下的数据进行比较。

四种手势的分类

图11显示了区分不同手势的时变交叉验证分类结果。值得注意的是，旋转线索和参考线索在线索“go”阶段开始后0.84s表现出最高的准确率，分别约为31.8%和32%。这一准确率超过了四个类别的机会水平(即30%)。在0.98s时，淡出线索的准确率达到29.3%，星形线索在1.09s时达到29.7%。

图11.四种手势在不同线索条件下的分类结果。

结论

本研究结果表明，通过引入一种新的线索设计，可以将视觉线索对运动相关皮层电位(MRCPs)的影响降至最低。时间变异性分析显示，旋转线索和参考线索能够更精确地指示运动开始。参考线索和旋转线索的MRCP形状与自定进度数据更为相似，而淡出线索和星形线索的MRCP形状与自定进度数据的相似性较低。分类结果进一步支持了这样的观点，即与淡出和星形线索相比，旋转和参考线索条件下的运动信号比静息线索更容易区分。这表明，随着时间的推移而逐渐演变并具有精确起始时间的线索能够提高分类准确性。这些发现突显了利用视觉线索中的精确性来实现准确分类的重要性。从更广泛的角度来看，本研究的结果强调了渐变视觉变化和视觉线索精确性在确保与MRCPs相关结果的可靠性和可区分性方面的关键作用。

参考文献：Patrick Suwandjieff, Gernot R. Müller-Putz, EEG Analyses of visual cue effects on executed movements, Journal of Neuroscience Methods, Volume 410, 2024, 110241, ISSN 0165-0270, https://doi.org/10.1016/j.jneumeth.2024.110241.

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～