|
肌萎缩侧索硬化症（ALS）是一种渐进性神经退行性疾病，导致瘫痪并严重影响晚期患者的沟通能力。当患者意识清晰但运动功能受限时，称为闭锁状态（LIS）。对于LIS患者，基于眼动追踪的增强和辅助交流（AAC）技术是目前最有效的沟通方式。研究表明，眼控屏幕键盘是帮助LIS患者沟通、表达的最佳方法，因为他们仍保留认知能力且对眼球的控制能力相对完整。AAC系统中的眼动追踪技术通过检测用户的注视方向，使他们能够选择屏幕上的字母、单词或符号。基于这一方法，研究中开发了一种眼动追踪拼写通信系统，旨在支持越南的言语运动功能受损者，特别是ALS患者。
本研究收集了来自六名不同发展阶段的肌萎缩侧索硬化症（ALS）患者和一百七十名健康个体的脑电图和眼动追踪数据。尽管患者存在身体障碍，但其眼部功能良好，能够通过虚拟键盘交流。ALS患者数据于其家中进行多次记录，而健康个体则在实验室中进行一次记录。每个参与者包含九个反映常见人类行为或需求的记录会话。该数据集为脑机接口拼写系统改进、运动想象力研究、运动皮层功能探索、运动障碍监测及ALS对认知与运动影响的研究提供了重要基准。 方法参与者 实验中参与者均为自愿参与，且由研究团队医生评估。参与者需满足特定标准：非ALS患者需具有正常活动能力且无神经、心理或语言障碍史；ALS患者需具备良好的眼动功能以使用眼动追踪拼写系统。本研究涉及六名ALS患者和170名健康个体，健康参与者年龄在19至70岁之间，均无相关病史。在ALS患者中，四名LIS患者的功能评定量表修订版（ALSFRS-R）得分为0，另外两名得分为1。参与者仅以“id001”至“id170”及“ALS01”至“ALS06”识别。 拼写交流系统 研究中采用的拼写交流系统是一种辅助交流（AAC）工具，旨在帮助越南的言语运动功能受损者，尤其是ALS患者，通过目光输入文本信息与他人沟通。该系统如图1所示，由眼动追踪设备（b）、显示屏键盘界面（c）和计算机处理器及扬声器（d）组成。用户坐在椅子或专用躺椅上，注视距眼睛约80厘米的显示器。眼动追踪设备通常由一至两个摄像头组成，实时跟踪用户的眼球运动并提供注视位置。系统分析该信息，识别用户希望选择的屏幕键盘特定键。键盘布局为越南语设计，具备快速输入建议机制，并能将输入文本转换为语音，通过扬声器播放。  实验范式 受试者在EEG/ET数据采集前需按照校准指示进行眼球运动，并由实验者协助佩戴EEG设备。在数据采集过程中，受试者参与9个环节，每个环节对应一个特定场景。场景1至7中，受试者需执行三类任务：首先闭眼想象场景相关运动或需求5至7秒（任务i）；然后睁眼进行三个连续动作（任务ii）；最后利用眼动追踪拼写交流系统输入相关越南语句子（任务iii）。在这七个场景中，任务i和ii交替进行三次。ALS患者根据自身功能限制尽力完成动作，无法执行时会选择放弃。场景8和9中，参与者仅执行任务i三次，未进行任务ii。每个任务前设有5秒的休息间隔。 数据采集系统 数据采集系统采用运行于Core i7计算机上的自研记录器软件，能够同时记录EEG和ET数据，并在使用拼写通信系统时捕获ET数据。EEG和ET数据通过LSL协议进行同步收集，简化时间序列测量的整合。记录器软件还可直接注释EEG信号中的实验事件。EEG数据使用Emotiv EPOC Flex22设备采集，该设备配备32个电极，按国际标准10-2023安装，采样频率为128Hz，采用盐水传感器以确保参与者舒适且不影响信号质量。图2展示了电极位置，蓝色圆圈表示32个电极的安装位置，黑色圆圈用于参考电极。ET数据则通过Tobii Eye Tracker 524采集，采样频率为30Hz。  数据记录 下文为原始数据文件夹和使用说明。 EEGET-ALS数据集可在指定网址获取。该数据集包含176名参与者的9个记录会话数据，每个会话对应一个实验场景，持续约2分钟。每个会话包括具有7个步骤的事件，并在每一步之间设有约5秒的短暂休息，以减少参与者的疲劳。每位参与者的数据存储在独立子文件夹中，包含年龄、性别信息及不同实验场景的数据文件夹（如场景1、场景2等）。每个场景的数据文件夹包含：· 元文件（scenario.json、info.json），提供样本附加信息；scenario.json描述记录场景，info.json提供参与者信息（性别、年龄等）；· EDF格式的EEG数据（EEG.edf）。 EEG.edf文件包含32个通道的信号，采用欧洲数据格式（EDF）存储。每个EEG文件对应特定实验场景，包含多个事件，用户可通过Python的MNE库提取。这些事件与参与者执行的任务相关，如实验范式部分所述。图3展示了不同会话的数据示例，底部栏为信号记录时间线，当前信号以灰色突出显示。ET.csv文件包含五个数据字段，数据以行形式存储。
图3 使用 MNE 工具预览 EEG.edf 文件中的数据 潜在应用 本研究利用 EEGET-ALS 数据集探讨注意力程度与人员识别的潜在应用。研究人员通过眼动跟踪 (ET) 数据标记EEG数据，区分注意力集中（正标记）与不集中（负标记）的样本，提取功率谱密度 (PSD) 和常见空间模式 (CSP) 特征，采用支持向量机 (SVM) 和人工神经网络 (ANN) 进行分类，交叉检查中准确率约为 80%。在人员识别方面，使用四种模型（SVM、卷积神经网络 (CNN)、长短期记忆-卷积神经网络(CNN-LSTM)）进行测试，结果表明这些方法在该数据集上表现良好。 此外，在运动运动想象 (MI) 的分类方面，通过经典算法（CSP 和欧几里得对齐）与机器学习方法（SVM、EEG-ITNet、EEGNet）对EEG 信号进行分析。MI 分类的目标是提高残疾人士的生活质量及理解大脑功能。模型基于健康与 ALS 参与者的数据进行训练与测试，评估指标包括平衡准确度 (BAC) 和 Cohen 的 Kappa。实验结果表明，采用深度模型进行人员识别和 MI 分类具有良好的性能，为脑机接口和辅助技术的发展提供了支持。 仅用于学术分享，若侵权请留言，即时删侵！
加入社群 欢迎加入脑机接口社区交流群， 探讨脑机接口领域话题，实时跟踪脑机接口前沿。 加微信群： |
|
|
