Reaching hand movement is an extensively studied motor skill in brain-computer interface (BCI). Past studies have shown that neural activity during movement can be used to predict executed hand movements with great success. To truly benefit the end-users of BCI, however, development of decoding strategies to predict movement in the absence of actual movement is highly necessary, as the people who are likely to benefit the most from BCI systems are patients who suffer from immobility. As such, we came to question whether brain signals during motor imagery could be decoded to predict continuous hand trajectories in a reliable manner. Here, we designed a study to investigate the feasibility of decoding imagined trajectories of hand movement by selecting movement-related neural features distributed in distinct spectral, spatial and temporal coordinates during movement imagination. We selected electrocorticography (ECoG) as our choice of neural signal due to its superior spatiotemporal resolution over the widely used electroencephalography (EEG). Two epileptic patients volunteered to participate in this study and performed both imagination and execution of reaching hand movements to four distinct target locations in three-dimensional space. Raw ECoG signals were processed to three different types of features – amplitude modulation (AM), power spectral density (PSD), and a feature we named low-pass filtered ECoG potential (LFEP). Selected features from different feature types were used to train a Bayesian regression-based decoding model to predict imagined trajectories of hand movement. We found that continuous hand trajectory during imagined movement could be decoded successfully, with decoding accuracies achieved at values higher than those obtained from EEG. Analysis of the spectral distribution of neural features revealed that frequency bands in the high gamma range (80>Hz) were most useful in decoding, which coincided with the finding from spatial distributions showing active involvement of the motor cortex in both imagined and executed reaching movements. The results suggest that decoding imagined hand trajectories is highly possible using ECoG signals in humans and serves as evidence to support choice of ECoG as a suitable candidate for developing movement-free BCI.
팔을 뻗는 움직임은 뇌-기계 인터페이스 (BCI) 에서 많은 연구가 진행되고 있는 운동능력이다. 기존 연구에서는 운동 시 관측되는 신경활동으로 실제 팔 움직임을 예측하는데 큰 성공을 거두었다. 그러나, BCI 의 최종 사용자가 될 사지마비 환자들이 혜택을 받기 위해선 실제 움직임이 없을 때도 움직임을 예측할 수 있는 디코딩 전략을 개발하는 것이 절실히 필요하다. 그래서 본 연구에서는 운동상상 신경신호가 팔움직임의 연속적인 궤적을 안정적으로 예측할 수 있는지 질문을 던지게 되었고 이를 검증해 볼 수 있는 디코더를 개발하였다. 이 디코더는 상상된 팔 움직임의 궤적 예측을 위해 다양한 시공간적 운동관련 신경신호 특성들을 주파수별로 선정하여 운동상상 특성을 학습하는 디코딩 전략을 도입하였다. 본 연구에서 분석할 신경신호는 뇌전도(EEG) 보다 시공간적 해상도가 우수한 뇌피질전도 (ECoG)를 선택하였다. 두 명의 뇌전증 환자가 본 연구에 참여하였으며, 운동상상 실험에서 3차원 공간에 있는 네 개의 목표지점으로 손을 뻗는 움직임을 실제 수행 및 상상 수행 하였다. 측정된 뇌피질전도 신호에서 세 가지의 특성종류를 추출하였는데 이는 진폭 변조 (amplitude modulation)와, 파워스펙트럼밀도 (power spectral density)와, 저주파 통과필터 처리된 뇌피질전도 신호 (low-pass filtered ECoG potential)이다. 선정된 특성들은 베이즈 (Bayesian)이론을 바탕으로 한 선형회귀법기반 디코딩 모델구축을 및 운동상상 특성학습을 위해 사용되었다. 구축한 디코딩 모델을 사용한 결과, 상상된 팔 움직임의 궤적을 성공적으로 예측할 수 있음을 확인하였고, 디코딩 정확도는 기존 뇌전도의 디코딩 정확도보다 더 높은 수준의 정확도를 성취할 수 있었다. 주파수별로 특성들을 분석한 결과 감마 (gamma) 대역의 특성들이 디코딩에 가장 유용했음을 확인하였고, 영역별로 분석하였을 때는 운동피질 (motor cortex)의 특성들이 가장 유용했음을 확인하였다. 본 연구의 결과들은 궁극적으로 상상된 팔 움직임의 궤적예측이 뇌피질전도디코딩으로 가능함을 보여주며 뇌피질전도가 BCI 에 응용될 신경신호측정수단으로 적합함을 보여준다.
