在手部运动想象过程中，头皮脑电图（EEG）所显示的脑连接侧化现象能够提升脑机接口（BCI）的任务分类性能

《Cognitive Neurodynamics》：Lateralization in scalp EEG brain connectivity during hand motor imagery can improve task classification for brain-computer interfaces

　　

摘要

本研究评估了在运动想象（MI）任务期间大脑连接性的重组情况，并比较了基于EEG的功能性连接度量方法与常用的MI解码器中的μ波段（8–13 Hz）功率谱在MI分类方面的预测价值。我们分析了来自BCI Competition IV 2a（BCI-IV-2a）和PhysioNet Motor Imagery（PHYS-MI）数据集的左右手运动想象EEG数据。作为连接性度量指标，我们评估了相位锁定值（PLV）、互相关（CC）、加权相位滞后指数（wPLI）和格兰杰因果关系（GC），并使用随机森林分类器将其解码性能与μ波段功率特征进行了比较。此外，我们还利用特征重要性和图论指标来研究节点相关性、边贡献以及不同MI条件下的全局网络拓扑结构。研究发现，在两个数据集中，PLV的MI解码性能最为可靠，其准确率与功率谱方法相当（分别为65.3±11.0% vs 61.3±11.0%以及58.4±9.9% vs 58.6±15.7%，平均值±标准差，针对BCI-IV-2a和PHYS-MI）。在基于PLV的网络中，左手运动想象与右手运动想象的节点PageRank中心性平均值差异与单通道功率值的基尼重要性得分之间存在中等程度的相关性（R2分别为0.62和0.40）。虽然基于PLV的网络拓扑结构随时间保持稳定，但一小部分连接（分别占边总数的7.8±4.5%和3.1±2.5%）向运动对侧半球偏移，这显著改变了网络结构，并使分类准确率分别提高了6.7±5.6%和16.3±7.5%。这些结果表明，运动想象主要调节的是有限数量的任务特异性功能连接。与现有的基于功率的方法相比，连接性度量提供了关于MI相关信息组织方式的补充性、网络层面的见解，这可能有助于选择可解释的特征并设计未来的脑机接口模型。