ICode9

精准搜索请尝试: 精确搜索
首页 > 其他分享> 文章详细

与EEG信号的相关的基础知识以及运动想象信号的生理活动

2021-01-16 11:59:11  阅读:547  来源: 互联网

标签:电信号 基础知识 信号 侵入 EEG 神经元 轴突


与EEG信号的相关的基础知识

EEG信号基础

1.1 EEG信号记录技术

脑电信号(EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映 。脑电信号中包含了大量的生理与疾病信息 ,在临床医学方面 ,脑电信号处理不仅可为某些脑疾病提供诊断依据, 而且还为某些脑疾病提供了有效的治疗手段。在工程应用方面 , 人们也尝试利用脑电信号实现脑-计算机接口(Brain to Computer Interface,BCI),利用人对不同的感觉、运动或认知活动的脑电的不同, 通过对脑电信号的有效的提取和分类达到某种控制目的。因此对脑电信号进行收集和相关的分析具有很大的研究意义。目前主流的关于EEG信号的收集主要可分为侵入式(Invasive)、半侵入式(Semi-invasive)和非侵入式(Non-invasive),三大类,下面将分别介绍关于这三种收集方式。

a.侵入式(Invasive)

在神经外科手术中,将侵入式(有创)类型的BCI直接植入大脑获得脑电信号。获得方式也有两种,一种是单个单元 BCI,它能检测来自单个区域脑细胞的信号;另一种是多单元 BCI,它能检测来自多个区域的信号。电极具有不同的长度,例如,在MEA(multi-electrode arrays)中的最大长度为1.5mm(Utah, Blackrock Microsystems)或10mm (Micro Probes,FMA)。信号的质量是最高的,但是该过程存在一些问题,例如存在形成疤痕组织的风险。身体对异物起反应,并在电极周围形成疤痕,这会导致信号变差。因为神经外科手术可能是一个危险且昂贵的过程,所以侵入性BCI的目标人群主要是盲人和瘫痪患者。

b.半侵入式(Semi-invasive)

半侵入式虽然相比侵入式有一定的可操作性,但是其仍然需要进行开颅植入电极。其主要使用放置在大脑裸露表面上的电极来测量大脑皮质层的活动,电极主要置于硬脑膜外或者硬脑膜下,使用条状或者网状的电极覆盖了皮质的大面积区域(4-256个电极),从而可以准确的收集脑电信号进行各种各样的认知研究。由于该方式仍然需要进行开颅,所以仅仅在出于医学原因(例如:癫痫病)需要进行手术时才使用。
半侵入的主要优点是具有高空间分辨率和信号保真度、抗噪音、长期记录中具有较低的临床风险和健壮性、高振幅。

c.非侵入式(Non-invasive)

非侵入式是目前最流行和常用的收集EEG信号的方式,主要的非侵入式技术有MEG脑磁图、PET正电子发射断层扫描、功能磁共振成像功能磁共振成像、fNIRS近红外光谱、脑电图。由于成本和硬件的便携性,脑电图是最常用的技术。
脑电图收集信号时电极被放置在头皮上以获取大脑产生的电流。当神经元放电时,会形成偶极子,在突触处有较低的电压,在轴突处有较高的电压。如果是抑制性神经元,偶极子就会翻转,轴突的电压较低,突触的电压较高。是什么导致神经元内部发生这种电压偏移?钠离子(Na+)通道沿树突打开,产生大量正电子,此正电荷沿着轴突移动,打开更多的钠离子(Na+)通道,并导致电荷沿着轴突移动,在突触处放电,并释放神经递质。当成组的神经元一起放电时,它们为我们提供了足以从头皮进行测量的信号。我们只能使用脑电图(大约直径的四分之一大小)来测量神经元簇。
优点:它是便携式的,可以放入一个小手提箱中。实验室级EEG系统可能很昂贵,但比其他BCI方法便宜。近年来,已经发布了越来越多的商业EEG系统。
脑电图数据包含有节律的活动,反映了神经振荡。振荡由频率,功率和相位来描述。振荡发生在特定的频率上(即以一定的速率)。研究发现,这些节律与不同的大脑状态之间存在关联。

a.空间分辨率

脑电图的空间分辨率取决于所用电极的数量。在研究中,当需要更高的空间分辨率时,通常至少使用32个电极,最多为256个。通常,脑电图的空间分辨率较低,因为信号需要向上穿过不同的层到头骨。但是,可以使用某些类型的过滤器或通过将脑电图与其他工具组合来提高分辨率。

b.时间分辨率

脑电图的优点是它具有良好的时间分辨率。在一秒钟内,可以在不同传感器上拍摄上千张电子活动的快照。根据实验显示,在脑电图中可以使用多达500个的多个电极。

1.2 运动想象EEG信号相关的生理活动

一个人想象某一种行为,而这一种行为没有发生时,大脑会产生一种执行该类行为的脑电信号,这就是我们所说的运动想象脑电信号。在运动想象脑电信号产生过程中,脑内相关的神经元会进行一定的细胞间通信,同时也会产生相关的生理活动,下文将着重介绍有关这方面的内容。
研究表明,人脑内大约有1011个神经元细胞,简称神经元。其结构如图1.2.1所示。神经元主要有两个部分组成:细胞体以及突起,而突起包括轴突与树突两类。其中轴突是一根很长的纤维,它由髓磷脂鞘包裹,以便电信号的高速传输,轴突末端将与其他神经元的树突连接,它的作用是将电信号传入到其他神经元细胞的树突中从而达到神经元间的通信。相反,树突较轴突来说,长度普遍较短,主要的作用即是将其他神经元延伸过来的轴突与自身连接起来,完成该神经元信号的输入功能。值得一提的是,树突与轴突都只能单向传递,信号经由树突接收后,将单向送达至细胞体处理,然后再经过轴突单向传达到其他神经元上。细胞体是接收、处理传入信号的结构,它将一个或多个树突传入来的信号进行整合,然后以类似于冲激(Spiking)响应的电信号输出到轴突,再通过轴突将信号传输给其他神经元。这些神经元连接在一起,组成结构复杂、节点众多的神经网络结构。

神经元细胞经典结构

上文说到神经元的数量众多而且结构复杂,所以单个神经元并不足以引起大脑皮层的电位变化,我们所检测到的电位变化是大量神经元在兴奋或者抑制时形成强大的电场所带来的结果。因而我们所采集到的脑电信号是各种不同频率、幅值和相位的信号的混叠。按照产生机制,通常被分为诱发电位和自发电位两类。

1.2.1 诱发电位

诱发性脑电实是在收到外部刺激下引起的电位变化,研究的比较多的有视觉诱发电位(Visual-evoked Potential,VEP)和事件相关电位(Event-related Potential,ERP)。VEP根据外部刺激的频率,又分为瞬态诱发电位(Transient Visual Evoked Potential,TVEP)和稳态视觉诱发电位(Steady State Visual Evoked Potential,SSVEP)。

1.2.2 自发电位

自发电位是自然状态下受试者自我调节产生的,包含自主控制皮层慢电位(Slow Cortical Potential,SCP)、事件相关同步(Event-related synchronization,ERS)和事件相关去同步(Event-related desynchronization,ERD)。其中SCP是一种可以反映大脑兴奋状态的信号,但是由于电位变化缓慢,信息传输速率低,研究热度有所减弱。ERS现象是指大脑处于放松状态下,alpha波和beta波的幅值会有明显的增加;ERD则是指大脑处于激活状态时,alpha波和beta波的幅值会有明显的减少。
诱发脑电不容易手主观因素影响,具有较稳定的特征,识别率因此也比较高。而自发性脑电由主观控制,更符合自然状态,但是也正因为其主管意识比较强,通常受试者需要经过长期训练才能灵活掌握。
按照频谱差异,脑电信号常常被分为delta波、theta波、alpha波、beta波和gamma波。他们的频率、幅值和出现的区域都各不相同,如表1.2.1所示。delta波与睡眠质量有关,清醒时并不发生,当人感觉到疲劳或者进入慢波睡眠状态时较为明显;theta波在成年人身上并且与情绪相关;alpha波在人清醒且闭眼状态下可以检测到,睁眼则消失;beta波在精神紧张时发生,并且于大脑两侧对称分布,常与事件相关;gamma波属于脑电信号中的高频成分,与学习等高级信息处理的活动相关。
与运动想象任务有关的主要是alpha波段和beta波段,确切来说,是alpha波中断的mu波和出现在中央沟附近的beta波。mu波虽然频率和alpha有所重叠,但他与睁眼或者闭眼无关,而与人的肢体运动相关。因此,在基于运动想象的脑电信号研究中,通常只关注mu波和在中央沟附近的beta波。

表1.2.1 脑电信号波段分类
在这里插入图片描述

标签:电信号,基础知识,信号,侵入,EEG,神经元,轴突
来源: https://blog.csdn.net/weixin_43770899/article/details/112696400

本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享;
2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关;
3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关;
4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除;
5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有