Интерфейсы мозг–компьютер на основе fNIRS: обзор

fNIRS-based brain-computer interfaces: a review
Keum‐Shik Hong, Noman Naseer
2015-01-28

fNIRS-интерфейсы мозг-компьютергибридный ЭЭГ-фNIRSлинейный дискриминантный анализмоторное воображениеудаление физиологического шума
Интерфейс мозг–компьютер (BCI) представляет собой систему связи, позволяющую использовать активность мозга для управления компьютерами или другими внешними устройствами. За счёт обхода периферической нервной системы он может обеспечивать возможность коммуникации для людей с тяжёлыми двигательными нарушениями или находящихся в персистирующем вегетативном состоянии. В статье рассматриваются задачи генерации мозговых сигналов, методы удаления шумов, подходы к извлечению и отбору признаков, а также методы классификации для интерфейсов мозг–компьютер на основе функциональной спектроскопии в ближней инфракрасной области (fNIRS). Наиболее часто используемыми областями мозга при создании fNIRS-BCI являются первичная моторная кора и префронтальная кора. Для моторной коры предпочтение отдавалось задачам воображения движений, а не задачам выполнения движений, поскольку это позволяло избежать возможной проприоцептивной обратной связи. Для префронтальной коры fNIRS имеет существенное преимущество при регистрации когнитивных задач, таких как мысленный счёт, воображение музыки и индукция эмоций, поскольку эта область не покрыта волосами. Для удаления физиологического шума из данных fNIRS чаще всего применялась полосовая фильтрация. Однако для преодоления ограничения, связанного с невозможностью применения полосового фильтра при близком расположении частотных диапазонов мозговых и физиологических сигналов, разрабатываются более совершенные методы, включая адаптивную фильтрацию, анализ независимых компонент (ICA), использование многозондовых конфигураций и другие подходы. Для извлечения признаков, связанных с требуемым мозговым сигналом, использовались среднее значение, дисперсия, пиковое значение, наклон, асимметрия и эксцесс очищенного от шумов гемодинамического ответа. Для классификации метод линейного дискриминантного анализа обеспечивал простые, но хорошие результаты по сравнению с другими методами, включая метод опорных векторов (SVM), скрытые марковские модели (HMM) и искусственные нейронные сети. В дальнейшем fNIRS будет шире применяться для мониторинга развития нейропластичности после нейрореабилитации и нейростимуляции. Ожидается, что технические прорывы в будущем будут достигнуты благодаря зондам пучкового типа, гибридным интерфейсам мозг–компьютер на основе электроэнцефалографии и fNIRS (EEG–fNIRS), а также выявлению начальных провалов.
1
Полосовая фильтрация является наиболее распространённым методом удаления физиологического шума; адаптивная фильтрация, ICA и многозондовые конфигурации применяются при перекрытии диапазонов мозговых и физиологических сигналов.
2
Ожидается расширение применения fNIRS для мониторинга нейропластичности благодаря многоканальным зондам, гибридным EEG-fNIRS-интерфейсам и обнаружению начальных спадов гемодинамического сигнала.
3
Из очищенных гемодинамических ответов обычно извлекают среднее, дисперсию, пиковое значение, наклон, асимметрию и эксцесс; линейный дискриминантный анализ обеспечивает простую и эффективную классификацию по сравнению с SVM, HMM и нейронными сетями.
4
Для парадигм моторной коры обычно предпочитают моторное воображение, а не выполнение движений, поскольку оно исключает возможную проприоцептивную обратную связь.
5
В обзоре первичная моторная кора и префронтальная кора определяются как наиболее часто исследуемые области в fNIRS-интерфейсах мозг–компьютер.
6
fNIRS имеет преимущество при обнаружении когнитивных задач префронтальной коры, включая мысленный счёт, воображение музыки и индукцию эмоций, поскольку волосы не мешают регистрации.

интерфейсы мозг–компьютер на основе fNIRS

методы генерации мозговых сигналов, удаления физиологического шума, извлечения признаков и классификации для BCI на основе fNIRS, включая их применение к моторным и когнитивным задачам

Publication Details
Publication Date
2015-01-28
Journal
Publisher
ISSN
Cited by
1052
Access Type
Author Information
Authors
Keum‐Shik Hong
Noman Naseer
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%