1、脑电逆问题在运动康复领域中的应用 徐立超 王仲朋 许敏鹏 何峰 周鹏 明东 綦宏志 天津大学精密仪器与光电子工程学院 摘 要： 基于脑电 (EEG) 的脑机接口 (BCI) 康复系统正日益受到运动康复领域的重视, 但是传统的 BCI 范式限制系统的使用范围和使用方式。基于脑电逆问题的 BCI系统能识别较高空间和时间分辨率下的神经自发调制活动, 从而可扩展运动指令集并进一步促进 BCI 系统的直观使用。介绍脑电逆问题领域当前的相关方法及其在运动康复领域的应用, 总结归纳存在的问题并分析未来脑电逆问题在运动康复领域的新的应用思路。关键词： 脑电逆问题; 运动康复; 运动想像; 脑-机接口; 作者简
2、介：綦宏志, E-mail:作者简介：许敏鹏, 中国生物医学工程学会会员 (Member, Chinese Society of Biomedical Engineering) 作者简介：何峰, 中国生物医学工程学会会员 (Member, Chinese Society of Biomedical Engineering) 作者简介：明东, 中国生物医学工程学会会员 (Member, Chinese Society of Biomedical Engineering) 收稿日期：2017-02-09EEG Inverse Problem and its Application in Motor
3、 Rehabilitation AreaXu Lichao Wang Zhongpeng Xu Minpeng He Feng Zhou Peng Ming Dong Qi Hongzhi School of Precision Instrument Abstract： The EEG-based BCI rehabilitation system has been growing lots of interests in the motor rehabilitation area. However, conventional BCI paradigms limit the intuitive
4、 use of these systems. The EEG source imaging can reveal and identify the self-modulated neural activity with high spatial and time resolution thereby expand command sets used by motor rehabilitation systems. This review introduced state-of-the-art EEG source imaging methods and its applications in
5、motor rehabilitation area. We also summarized problem and analyzed the trend that combing EEG source imaging for guiding rehabilitation in the future.Keyword： EEG source imaing; motor rehabilitation; motor-imagery; brain-computer interface; Received： 2017-02-09引言脑电 (electroencephalography, EEG) 是利用电
6、极在头皮表面测得的电信号, 是大脑皮层表面及内部大量神经元细胞集群活动产生的突触后电位及动作电位, 它以电场的形式经脑膜、脑脊液、颅骨、皮肤等组织传导后在头皮表面形成电位分布。EEG 从电生理的角度反映大脑的活动情况及功能状态, 因此对它的研究一直是人类在不断探索和认识人脑高级认知功能进程中的重要组成部分。当前, EEG 作为一种非侵入式的神经影像学方法, 在临床疾病诊疗、神经科学研究以及工业上都有着极为广泛的应用。相互联系的神经元组成分布式网络结构, 它是人脑机能的重要保障。研究不同网络结构以及网络间的信息交互过程, 有助于深化对人脑功能的认识。目前, 神经影像学方法 (如 PET、f MR
7、I 等) 被大量用于对人脑功能网络的研究, 取得了重要的进展。然而, 这些方法不能实时测量人脑在进行认知等脑力活动时不同脑区或模块的活动情况, 因而也就不能回答如人脑对信息进行前馈或反馈处理的方式、不同功能的脑区间是并行还是序列激活以及信息的相互融合等涉及时间的动态变化问题。目前来看, EEG 方法为实时测量神经元活动并研究人脑在时域上的动态变化提供了可能。EEG 测量的是大脑中神经元细胞集群放电活动在头皮表面的综合反应, 能够在亚毫秒量级反映神经元细胞集群的电活动。但是, EEG 面临的最大的问题是:测得的信号不是脑内神经元集群产生信号的直接对应, 而是脑内多个信号源在容积导体效应下产生的混
8、叠信号。与 MRI 等神经影像学方法相比, EEG 不能提供高分辨率结构影像, 其空间分辨率较低, 这就限制了对 EEG 的分析和应用。为了克服这一缺点, 一个可行的办法是利用测量得到的 EEG 信号重建脑内源信号的分布模式, 即脑电逆问题。通过脑电逆问题的求解, 可以将头皮表面电极空间中的 EEG 信号转变为脑内源空间中的信号。由于源空间引入了大脑的区域和结构信息, 结合其他影像学知识, 研究者可以对源空间中信号的变化模式做更为细致的研究。综上所述, 脑电逆问题求解是研究大脑动态功能变化的重要手段之一, 特别在康复领域, 研究源空间上的信号有助于揭示人体神经机制, 并以此指导康复训练和疗效评
9、价、开发相关产品和应用。近年来, 随着脑机接口 (brain computer interface, BCI) 技术在运动康复领域的快速发展, 从源空间提取大脑运动思维特征, 并将其运用到基于 BCI 的康复系统中, 将有助于进一步提升系统可靠性, 扩大运动编码范围。下面介绍当前脑电逆问题求解方法的研究进展, 并从运动意图检测、运动参数识别和运动神经机制探索 3 个方面阐述脑电逆问题在运动康复领域中的典型应用, 最后讨论脑电逆问题当前存在的问题及未来的发展趋势。1 脑电逆问题的基本概念头皮电位分布是由脑内的神经电流源引起的。脑内的电流场可以分为两部分:外加电流 (impressed curre
10、nt) 和容积电流 (volume current) 。外加电流由周围神经元的传入电流及神经元产生动作电位后的传导电流组成, 体现了化学能向电能的转变;容积电流则是外加电流引起的宏观电场在容积导体内产生的离子电流, 能避免外加电流产生的电荷堆积结果。一般认为, 外加电流是引起 EEG或 MEG 的电流源, 因为外加电流体现了大脑在处理感觉运动以及认知信息过程中的神经元细胞集群活动的情况。生物导体中电磁场的传播规律满足准静态的麦克斯韦方程组1, 头皮表面电位分布同电流偶极子之间的关系可以用如下的线性关系表示, 有式中:R NE1是测量得到 NE个电极与参考电极之间的头皮电位矢量;JR 3NV1是
11、 NV个外加电流偶极子矢量, 每个偶极子在笛卡尔坐标系下都有 3 个独立分量成分;KR NE3NV是导程场 (lead field) 矩阵;n 是噪声矢量。K 的形式受到电极数目、偶极子数目及具体头模型的约束。常用的头模型有同心球模型和真实头模型。同心球模型是用同心球壳模拟不同的组织体区域, 如皮肤、颅骨、脑脊液、灰质和白质。同心球模型的优势在于导程场矩阵有具体的数学形式, 计算简单。但是, 同心球与头的实际形状相差较大, 存在计算不准确的问题。近年来, 越来越多的脑电正问题及逆问题的计算均采用真实头模型的模拟方式。真实头模型目前仍然无法获取组织体电导率随空间变化的精确估计, 因此均假设头是由
12、大量电导率均匀且具有各向同性的小块区域构成, 此时导程场矩阵没有具体的数学形式, 其数值解常采用有限元法 (finite element method, FEM) 或边界元法 (boundary element method, BEM) 进行计算。BEM 计算较为简单, 而 FEM 则更为精确, 但到目前为止, 尚未有研究表明两者之间存在显著差异2。另外, 头模型的准确性也受到电导率估计的影响, 不同个体间的电导率存在较大的差异3, 非侵入式电导率的测量依然是较大的难题, 但随着数据处理方法的进步, 也有研究表明能够通过数值方法较准确地估计脑与颅骨的电导率之比4。2 脑电逆问题的求解方法脑电逆
13、问题是一个典型的高度不适定问题, 该类问题的解存在不唯一性和不稳定性, 原始数据的微小变化就会导致求解结果存在较大的差异。通常解决脑电逆问题需要引入基于生理和数学的先验假设, 从而缩小不确定解的范围, 以得到一个近似真实解的结果。脑电逆问题的众多算法基本可以分为两类, 一类是以最小范数 (minimum norm estimate, MNE) 、低分辨率层析成像 (low resolution brain electromagnetic tomography, LORETA) 为代表的正则化方法, 另一类则是以概率理论为基础的贝叶斯方法。2.1 正则化方法正则化的目的是为了结合先验约束缩小解空
14、间的范围, 从而得到稳定的解, 其中最著名的正则化方法是吉洪诺夫正则化5。一般而言, 脑电逆问题的正则化求解具有以下形式:式中, 是正则化参数, J 0电流偶极子密度初始值, L 代表先验约束条件。不同算法在 L 的选择上有所不同, 如 MNE 中 L 为单位矩阵6, LORETA 则结合空间的平滑约束假设 L 为拉普拉斯矩阵7。也有的算法基于源信号的稀疏性假设采用 Lp范数 (0p1) 的形式, 例如 FOCUSS8等。正则化参数 的选择方法有 L-curve、广义交叉验证 (generalized cross-validation, GSV) 和次优准则 (quasi-optimality
15、 criterion) 。其中, L-curve 方法较为常用, 它是寻找误差项 和正则项 间的最优平衡解, 即两者构成曲线图中的最大曲率点9。2.2 贝叶斯方法贝叶斯方法将测量得到的 EEG 信号、待估计的源信号以及噪声视作随机变量, 建立概率模型来估计源信号。贝叶斯方法一般具有以下形式:式中, M 是结合约束条件的模型假设, p 是源信号的后验分布, 是似然比函数, p (J|M) 是源信号的先验分布, 经常作为归一化常量被忽略。具体而言, 贝叶斯方法可以分为最大化后验概率估计、变参贝叶斯和经验贝叶斯 3 个部分10。最大化后验概率估计是固定源信号先验分布, 求解后验概率分布的最大值。变参
16、贝叶斯方法11是将源信号的先验概率分布参数化 p (J|, M) , 是超参数矢量, 通常假设先验概率分布为式中, C J是协方差矩阵。变参贝叶斯通常是根据不同的假设条件来估计超参数矢量 的后验概率分布。最后经验贝叶斯是通过最大化边缘概率估计来寻找合适的超参数矢量12, 即3 脑电逆问题在运动康复领域的应用运动康复是临床康复中要实现的一个重要的目标。目前, 运动康复领域已经开发出相当多的辅助设备, 如轮椅、人工假体等。这些设备作为残障人士障碍功能的部分替代, 得到了广泛的应用。未来, 运动康复领域的一个研究重点是运用新的知识和新的工程技术来改进治疗方法, 从而使残障人士改善和恢复障碍功能。当前
17、, 基于 EEG 的 BCI-FES 系统作为新型的人机交互方式, 正日益在康复工程领域乃至其他领域受到高度重视。下面将主要从运动意图检测、运动参数识别以及运动神经机制 3 个方面, 对脑电逆问题在其中的相关应用做进一步阐述。3.1 脑电逆问题与运动意图检测对运动意图的解码一直是 BCI 系统实际应用中需要解决的关键问题。所谓运动意图, 是指人在准备执行动作或想像运动时, 调用大脑与运动相关的认知资源做出控制外周神经与骨骼肌肉以完成预期动作的指令决策, 这是中央神经系统为达到目标任务所设定的有关运动的初始思维状态13。识别运动意图, 对于基于 BCI 的运动康复系统具有重要的意义。目前, 脑电
18、逆问题在运动意图的识别中得到了一定程度的应用。Besserve 等研究了想像任务下源空间与电极空间下信息传输速率和信息区分度间的区别, 发现在信息传输速率上, 源空间脑网络分析要显著优于传统电极空间的相关方法, 也具有更好的解码能力14。在上肢运动意图识别方面, Qin 等利用单偶极子模型和源分布模型, 解码被试左右手的运动想像, 根据运动想像 ERD 对侧占优的基本理论, 对源信号的强度进行左右脑的定位, 并以此来区分左右手想像动作。结果表明, 在被试未接受任何训练的情况下, 单试次任务识别正确率能分别达到 78.9%和 80.6%, 证明了EEG 源空间信号分析在左右手运动意图识别上的可行
19、性15。在此基础上, Kamousi 等验证了双偶极子模型在左右手运动想像动作分类中的作用, 识别正确率平均能达到 80%以上16。2007 年, 该团队进一步地从源分布模型中的源空间信号提取 Von Neumann 熵作为区分左右手运动想像动作的特征, 结果发现, 与之前采用双偶极子模型相比, 左右手的分类正确率平均上升至 88%, 表明脑电逆问题在对运动想像任务的识别上具有潜在优势17。同一时期, de Peralta Menendez 等利用源空间信号, 区分左右手手指的快速敲击动作, 并与电极空间中采用同样特征提取方法的分类器进行了对比, 结果表明 2 名被试的电极空间的识别错误率为
20、11.6%和 10.5%, 而源空间的识别错误率为 3.7%和 4.9%,该团队的工作也表明了源空间在运动意图检测上的潜力, 提出可将其运用于人工假体的控制18。在左右手运动区分的基础上, 对更精细动作的识别是建立自然灵活的 BCI 系统的关键。Edelman 等结合 ICA 和源分布模型, 对右手弯曲、伸展、旋内和旋外4 种动作的识别进行了探索, 发现任意两者二分类的正确率平均能达到 95%以上, 而电极空间的分类正确率只有 79%19。2015 年, 该团队第一次尝试对这 4 种动作做源空间和电极空间上的 4 分类, 源空间上的分类正确率达到 61%, 而电极空间上的分类正确率仅有 51.
21、8%20。2016 年最新的成果显示, 已能将源空间上右手复杂动作 4 分类的分类正确率提升到 82.2%21。该研究表明, 源空间的信号能够扩展对动作意图的解码范围, 提升 BCI 系统控制如人工假体等外部设备的自由度, 以达到更加自然的动作控制。同时, 不同于以往认为的只有侵入式的信号 (如 ECo G、LFP 等) 才具有足够的识别复杂任务的信息。该研究也表明, 溯源后的 EEG 信号也能对复杂任务的运动意图进行监测。3.2 脑电逆问题与运动参数识别运动参数是指可以反映运动强度、方向、速度等的一组反映运动信息的相关指标22。对运动意图的检测, 能够使 BCI 系统对外周神经肌肉实施刺激,
22、 或控制人工假体产生动作, 而对运动参数的更为细化的识别则能提高控制运动的自由度, 扩展运动编码的指令集。在对电生理信号的研究中, 对运动参数的识别多集中在对 ECo G、LFP 等侵入式信号的分析中, 对非侵入信号的研究也多集中在对脑磁图 (magnetoencephalography, MEG) 的分析上。例如, Jerbi 等利用MEG 溯源, 发现对侧运动皮层的 25 Hz 神经活动同手的移动速度间有显著的锁相关系23。与 EEG 相比, MEG 受到的干扰更小, 对运动参数的解码可能更有优势。在脑电逆问题对运动参数的识别方面, 2008 年 Hammon 等第一次在源空间来研究手臂运
23、动方向的解码, 并结合 ICA 和偶极子溯源, 去除运动过程中的噪声, 表明 EEG 信号在选取合适的去噪、信号处理方法及机器学习方法后, 也能为运动前及运动中的位置解码提供足够的信息24。Bradberry 等分析 EEG 同上肢三维运动速度之间的相关关系, 并利用 EEG 对运动速度进行连续解码, 同时采用 s LORETA 对 EEG 信号进行溯源, 发现同手运动速度相关的源信号多分布在对侧中央前回、中央后回以及顶下小叶区域25。在对下肢的运动参数识别中, Seeber 等分析了直立行走时源空间信号的节律变化, 发现位于中央运动感觉区的 mu 频段和 beta 频段反映了运动状态的变化,
24、 而低 gamma 节律则反映了步态周期的频率变化26。Seeber 等进一步的研究表明, 位于中央感觉运动皮层的高 节律与站立时相比有显著的增加, 同较低频段的 节律之间都受到步态周期的调制, 但是调制的方向相反, 这可能代表着行走过程中存在两种不同的频率调制方式27。3.3 脑电逆问题与运动神经机制日常活动中, 人的各种运动形式大多是在无意识的条件下完成的, 并且涉及多种肢体的组合运动。对运动神经机制的研究, 有助于研究新的 BCI 系统, 扩展编码范围, 提供更加自然的控制方式。脑电逆问题可以研究大脑皮层各神经元集群的激活模式、不同脑区间的信息交互, 且 EEG 采集方便, 有移动的采集
25、设备, 因此适合用来探索运动条件下大脑动态功能的变化, 从而研究相关的运动神经机制。Yuan 等分析了源空间上在线反馈对被试运动想像的调制作用, 发现在线反馈会减弱被试对侧运动感觉区 mu 节律功率谱, 同时加强同侧运动感觉区功率谱28。Wagner 等利用脑电逆问题, 研究下肢在主动运动和在运动机器人辅助下的被动运动时大脑皮层的激活特征29。Steinisch 等结合运动机器人、VR 以及高密度的 EEG 源成像, 构建起中风后的康复系统, 对运动过程中的源分布情况进行分析和检测30。此外, 脑电逆问题还能同 t DCS、t ACS 相结合, 从而可视化电流分布, 以达到可选择合适刺激位置及
26、方案的目的31。Antelis 等发现, 中风病人患侧肢体运动想像在同侧也有明显的 ERD 现象, 因此提出单侧中风患者可以在源空间正常的运动皮层构建移动患侧肢体的解码器32。Gwin 等利用脑电逆问题, 研究步态周期同皮层激活模式间的关系, 发现:在运动的相对静止期, 靠近运动感觉区和前背侧扣带回的 alpha 和 beta 频段有明显的增加;而在步行期间, 频段在左右运动感觉区、后顶叶皮层以及前扣带回都有明显的激活33。Gwin 等认为, 前背侧扣带回可能同运动纠错机制有关, 运动感觉区的激活由于呈现明显的对侧激活现象, 因此可能同左右脚的相对运动相关。Gwin 等还利用溯源和 ICA 相
27、结合的方法, 研究了膝关节和踝关节在等长和等张收缩条件下大脑皮层的动态变化, 并对这两种动作进行了解码。结果表明, 基于源空间的解码精度能达到 87%, 源空间能显著改善下肢运动的识别正确率。此外, 两种不同的肌肉运动方法在次级运动皮层的频谱有显著的不同, 等长收缩仅在运动开始和结束时在 (812 Hz) 和 (1230 Hz) 有明显的ERD 现象, 而等张收缩则在整个运动期间内出现持续的 ERD 现象34。视觉对运动时目标的识别和运动误差的纠正有着重要的作用, 研究视觉同运动机制之间的相关关系有助于研制更加自然的 BCI 控制系统。Krakowski 等利用脑电逆问题, 研究人体视觉对生物
28、运动信息的处理过程, 表明后颞上沟在分析生物运动信息中有重要作用35。Evans 和 Blanke 利用结合 VR 和脑电逆问题, 研究了幻手现象的激活位置和频段, 发现其同 MI 的激活模式有很高的相关性, 在额顶叶的 和 频段有很高的相似性36。在中风康复的可塑性机理研究中, Mottaz 等发现:训练中风病人受损区域同其他脑区间的 alpha 频段的相关性, 有助于改善运动康复的效果37。Zich 等对被试进行 MI 训练, 并引入基于 EEG 的在线反馈, 同时对比 f MRI 和 EEG 源空间在 MI 时脑区的激活状态, 结果发现 f MRI 和 EEG 源空间各脑区的连接方式具有
29、很高的一致性, 表明基于 EEG 反馈的 MI 训练确实能够改变脑区之间的功能联系, 从而反馈训练的方式能够用于临床的运动康复38。Pellegrino 等分析中风后病人采用运动康复机器人进行康复训练, 让病人做出精细程度不同的手部动作, 并对采集到的 EEG 信号进行脑电逆问题, 结果表明手部动作越精细, 左右初级运动区间的联系越紧密39。4 结论与展望综上所述, 脑电逆问题在保留 EEG 高时间分辨率的前提下, 对原始 EEG 进行溯源, 从而使源空间的信号具有较高的空间分辨率及脑区皮层的映射关系。源空间所蕴含的信息更充分, 不仅可以检测运动意图、识别运动参数, 还能对运动神经机制进行研究
30、。考虑到 EEG 信号采集的便携性, 脑电逆问题在运动康复领域, 尤其是在基于 BCI 的康复技术中, 具有良好的发展前景。然而, 目前仍有一些因素制约着脑电逆问题在运动康复领域的应用。下面就脑电逆问题在运动康复领域中应用存在的问题及未来的发展趋势做简要的讨论。4.1 主要制约因素总体而言, 目前制约脑电逆问题在运动康复领域中应用的主要因素有两点:一是EEG 溯源精度的问题, 二是源信号与实际信号之初是的对应关系。4.1.1 EEG 溯源精度的问题EEG 溯源的精度一直是制约 EEG 溯源方法发展的重要因素, 对精度的干扰主要体现在以下两个方面:首先, 脑电逆的最大问题在于源空间激活模式的不确
31、定性。尽管目前通过引入数学或者生理学上的约束条件能够减小这种不确定性, 但由于目前对于脑在认知、运动等方面的生理学解释还不明确, 引入的约束条件很可能与实际的情况相互违背。例如, 最小范数估计 (MNE) 中将能量最小的解作为实际对应的源分布, 然而实际脑内源分布的情况不一定遵循能量最小的原则, 在这一方面还没有清晰的对应关系, 也很难通过实验验证实际的源分布同计算的源分布之间的关系。此外, 电极的数目多少也会对溯源的精度产生影响, 虽然目前在实验室中的电极数目已经可以达到 500 以上, 但是在实际应用中很难采用高密度的电极数目。其次, EEG 信号本身不含有关于颅骨、大脑形状和结构的信息,
32、 而头模型的建立是脑电逆问题必不可少的步骤。在无法获得 MRI 的影像数据的情况下, 通常的做法是建立简单的球壳模型或者采用标准的脑模型 (如 MNI 公布的脑模型) 。球壳模型较为简单, 但它的缺陷在于溯源的精度较低;而标准的脑模型尽管在一定程度上能反映源信号在大脑皮层表面的分布情况, 但考虑到个体间的差异, 采用同一个脑模型也会对溯源的精度产生影响。4.1.2 源信号与实际电信号之间的对应关系目前, 对于脑内神经元激活模式、信号的传播及各脑区间相互联系的相关知识还比较匮乏, 脑电逆问题求解得到的源信号能否与实际的电信号如 ECo G、LFP相互对应, 能否真实地表征脑内神经元集群的激活情况
33、都还是一个未知数。在实际研究中, 也很难设计实验验证源信号同实际电信号之间的相互关系, 只能根据现有的影像学方法 (如 f MRI) 从整体上判断源信号分布同 f MRI 揭示的脑内新陈代谢分布之间的一致性。但是, 神经元放电同新陈代谢消耗的能量之间的关系目前仍不清楚, 也就不能将源信号的分布同 f MRI 进行一一对应, 从而限制了 f MRI 在对源信号分布正确性的验证中的应用。出于这个原因, 对ECo G、LFP 等侵入式信号的研究方法能不能迁移到对源信号的研究中还有待检验。4.2 未来发展趋势脑电逆问题能提供对大脑皮层的神经元集群活动的分析, 有助于帮助研究者理解脑区功能间的动态变化。
34、此外, EEG 采集简单, 也有便携式的采集装置, 在实际应用中有着广泛的应用。展望未来发展, 脑电逆问题在运动康复领域的应用将受益于以下 3 个方面。4.2.1 溯源精度的提升溯源精度的提升将主要得益于先验约束条件的改善, 主要包括以下几个方面:1) 电生理信息采集设备的改进。通常使用的 EEG 电极数目在 64 导以下, 实验室条件中也存在 128 导的高密度电极。高密度的电极有助于提升溯源信息的精度, 但穿戴繁琐, 耗时较长。微型电极、皮肤表贴电极的应用将有助于简化采集流程, 提高采集精度。2) 生理学数据对溯源精度的改善。当前溯源问题很少考虑生理学数据, 如皮肤电导率, 而生理学数据对
35、溯源问题有很重要的影响。最近的研究表明, 电流偶极子的强度在不同物种和脑结构间存在一个最大值, 这个最大值可以被用作EEG 溯源问题的有效约束40。此外, 不同的生理学数据的差异也可能对个体间溯源结果的差异做出解释。3) EEG 节律及脑网络结构。EEG 节律的变化规律一直是对 EEG 研究中的热点问题。许多研究表明不同频段的节律同实际动作间存在相关关系, 而脑网络结构则是脑区间功能联系的重要研究方法, 结合以上两者将有助于提升溯源的精度。4) 多影像学方法融合。MRI、f MRI 能为脑电逆问题提供高空间分辨率的结构数据, 多影像学方法的融合能从不同维度对信号进行解释, 从而提升溯源定位的精
36、度。4.2.2 新的研究方法尽管目前源信号同侵入式信号 (如 ECo G、LFP) 之间的关系还不清楚, 但可以预见的是, 源信号在一定程度上与侵入式测量的信号之间存在相关关系, 因此对侵入式信号的一些研究方法可能在对源信号的分析过程中起重要作用, 从而提高源信号对运动信息, 特别是运动参数的解码能力。对运动参数的实时深度解码, 将有助于构建自然的 BCI 交互系统, 为运动康复提供更多的训练自由度。同时, 其他影像学的一些研究方法, 如脑网络, 也可以运用于源信号的研究中。随着对运动机制的理解加深, 可以制订更客观科学的运动康复策略。4.2.3 新的应用思路近年来, 伴随着工业的进步和计算机
37、技术的发展。一些新的技术逐渐成型, 如虚拟现实技术、经颅电刺激技术、功能性电刺激技术等。脑电逆问题得到的源信号作为 BCI 技术中的控制端, 能够与多种技术相互结合, 共同作用于患者, 提升运动康复的疗效。此外, 脑电逆问题也能用于脑部疾病的诊断。例如, Lascano 等人结合 EEG 溯源和 MRI 来帮助医师术前确定癫痫患者的病灶位置, 以达到术后无复发的效果41。近年来, 随着 GPU 通用计算和便携式设备计算能力的发展, 使 EEG 的实时源成像成为一种可能。Mullen 设计了一套基于可穿戴干电极的实时源成像系统, 成像延时在 300 ms 左右42。Stopczynski 等建立了一套应用于手机的实时源成像系统, 延时在 100 ms 左右43。Juhasz 和 Kozmann 则将 GPU 系统应用至实
