《Biomedical Signal Processing and Control》：Designing a model to detect beta burst in EEG using nonlinear dynamic features based on machine learning
编辑推荐：
基于非线性动态特征的beta波burst机器学习分类方法研究
阿明·哈卡克·莫加达姆·托尔巴蒂（Armin Hakkak Moghadam Torbati）|纳尔吉斯·达沃迪（Narges Davoudi）|朱塞佩·隆戈（Giuseppe Longo）
布鲁塞尔自由大学（Université libre de Bruxelles, ULB）人类运动科学学院功能解剖学实验室，比利时布鲁塞尔
摘要
背景
β波爆发是β频段（13–30 Hz）脑电图（EEG）活动中短暂、瞬时的增加，它们在运动控制中起着关键作用，尤其是在运动启动和抑制等过程中。虽然大多数现有方法使用简单的振幅阈值来检测这些爆发，但它们常常忽略了爆发持续时间和任务背景的变异性。虽然存在更先进的技术，但这些技术计算要求高，通常不够透明，并且依赖于大型数据集和强假设的建模。
目标
本研究旨在开发一种基于机器学习的自动化方法，利用非线性动态特征对β波爆发进行分类，同时考虑爆发持续时间和任务条件。
方法
从26名健康的右利手参与者那里收集了EEG数据，他们在三项运动任务中进行了测试：（1）右手在10%最大自主收缩（MVC）下的等长捏握；（2）根据听觉提示有节奏地打开和关闭右手手指（持续3–4秒）；（3）相同的右手开合任务，同时左手在10% MVC下进行等长捏握。从左侧运动皮层提取β波爆发，并根据持续时间（短、中、长）进行分类，并与任务事件时间锁定。从每个爆发中计算出四个非线性特征：分形维数（FD）、小波熵（WE）、样本熵（SE）和非线性能量算子（NEO），用于训练机器学习（ML）模型。
结果
统计测试和特征选择显示，FD、SE和WE随爆发持续时间和任务类型显著变化，而NEO的敏感性较低。基于这些特征训练的ML模型在验证集上的准确率达到了91.1%，在测试集上的准确率为85.7%，尤其是在区分同一任务中不同持续时间的爆发时。
结论
这些发现表明，β波爆发反映了结构化的、特定于任务的神经动态，而不仅仅是随机波动。通过使用非线性特征和机器学习，我们引入了一个可扩展、可解释的爆发分类框架，其性能优于传统方法。这种方法有助于加深对瞬态β活动的理解，并为神经科学和神经技术中的实时神经解码提供了可能性。
引言
β振荡（13–30 Hz）在运动控制中起着重要作用，传统上被视为与运动准备和执行相关的连续信号[1]、[2]。尽管这种观点提供了宝贵的见解，但它很大程度上忽略了β活动的瞬态性质。最近，研究重点转向了短暂、间歇性的β活动爆发，从而提供了对神经动态更细致的理解[3]、[4]。这些β波爆发现在越来越被认为是功能上重要的，反映了大脑处理的关键方面，而不仅仅是背景噪声[5]。
在运动领域，β波爆发的时间和持续时间与关键过程有关，如运动启动、抑制、取消和错误监控[6]、[7]。例如，运动启动通常伴随着双侧感觉运动区域β波爆发的减少，而快速的运动取消会在前脑-中央运动控制区域引发爆发，随后是感觉运动的重新激活[6]。在帕金森病（PD）等临床人群中，长时间的β波爆发与运动僵硬和迟缓有关，而较短、时机恰当的爆发则有助于更流畅的运动[8]。这些观察表明，β波爆发调节运动行为，而不仅仅是反映正在进行中的运动输出。
尽管对β波爆发的认识日益增加，但许多分析方法仍然将它们视为均匀事件。传统的基于阈值的检测方法[9]简单实用，但无法捕捉爆发形状、持续时间或任务依赖性调制的变异性。更先进的技术，如自适应波形建模和降维（例如，对波形模式进行PCA），提供了更丰富的见解，但计算要求高，通常不够透明，并且依赖于大型数据集和强假设的建模[10]、[11]。因此，仍然需要一种计算效率高的方法来可靠且快速地捕捉β波爆发。
利用β波爆发的非线性动态特征可能是一种可行的方法论方法。这是因为β振荡通常以由几个周期组成的短暂爆发形式出现，这些周期之间有静默期，这种活动模式反映了神经系统的复杂和非线性动态[12]。许多研究已经证明了这种动态特征在脑振荡中的相关性，应用范围从神经退行性疾病的诊断到认知和神经状态的评估[13]、[14]。此外，β波爆发的快速自动化检测和分类在许多应用中具有巨大潜力，例如脑-计算机接口（BCI）[15]。一种特别合适的策略是整合机器学习（ML）方法，它们既快速又稳健，能够实现实时爆发检测。因此，我们假设将非线性动态特征分析与基于ML的分类相结合，可以为不同运动任务和爆发持续时间提供有效的框架。事实上，ML算法可以捕捉非线性特征中的复杂模式，并在不同数据集之间有效泛化，使它们成为自动β波爆发分析的强大工具。
本研究探讨了非线性动态特征是否能够有效描述β波爆发的持续时间和运动任务条件。具体来说，我们从EEG检测到的β波爆发中提取了分形维数（FD）、小波熵（WE）、非线性能量算子（NEO）和样本熵（SE）等特征，并分析了它们在短、中和长持续时间爆发以及不同运动任务中的变化。我们进一步开发了基于这些非线性特征的ML模型，以区分不同类型的爆发，考虑了持续时间和任务相关的动态。这种方法旨在提供一个快速、自动、可解释且功能上有意义的β波爆发分析框架。
为了实现这些目标，我们提出了两个研究问题：
1.非线性动态特征（FD、WE、NEO、SE）在不同持续时间的β波爆发（短、中、长）和不同的运动任务条件下是否存在显著差异？
假设1：非线性特征将随爆发持续时间和任务类型显示出统计学上的显著变化，反映出潜在神经动态的差异。
2.基于提取的非线性特征，ML模型能否准确分类β波爆发类型（按持续时间和任务条件）？
假设2：非线性特征包含足够的区分信息，以实现基于ML的爆发类型准确分类。
部分摘录
参与者
共有26名健康的右利手成年志愿者（14名男性，12名女性；平均年龄：25 ± 5岁；年龄范围：20–30岁）参与了这项研究。所有参与者均无神经系统或精神疾病史，并在参与前提供了书面知情同意。该研究获得了布鲁塞尔自由大学（Erasme Hospital）伦理委员会的批准，参与者获得了旅行和时间的经济补偿。
β波爆发的描述性统计
所有参与者和每种任务条件下都检测到了超过1000次β波爆发。这些爆发被分为三个持续时间类别：短（<100 ms）、中（100–150 ms）和长（>150 ms）。每个持续时间类别和任务条件的爆发数量平均值和标准差显示在图6中（更多细节见补充表S1）。如图所示，大多数检测到的爆发在所有任务中持续时间较短
讨论
本研究考察了包括FD、WE、NEO和SE在内的非线性动态特征是否能够有效描述和分类β波爆发，根据爆发持续时间和运动任务条件。结果支持了提出的假设：这些非线性特征在爆发持续时间和任务类型上存在显著差异，表明它们捕捉到了β活动中结构化、与任务相关的动态。尽管与传统线性特征（如振幅）进行了直接比较
结论
本研究证明，当与非线性动态特征结合使用时，ML可以有效地根据持续时间和运动任务背景对β波爆发进行分类，揭示了它们的结构化和任务依赖性本质。研究结果表明，非线性方法捕捉到了传统方法可能忽略的神经活动中的有意义差异，支持向更动态和功能更基础的运动控制模型的转变。
CRediT作者贡献声明
阿明·哈卡克·莫加达姆·托尔巴蒂（Armin Hakkak Moghadam Torbati）：撰写——审阅与编辑、撰写——初稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、正式分析、数据管理、概念化。纳尔吉斯·达沃迪（Narges Davoudi）：撰写——审阅与编辑、可视化、验证、软件、方法论、调查、正式分析、数据管理、概念化。朱塞佩·隆戈（Giuseppe Longo）：撰写——审阅与编辑、监督、方法论、调查
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响本文所述的工作。
