基于马尔可夫链的计算模型用于评估用户在顺序性运动想象任务中的技能

《Computers in Biology and Medicine》：Markov chain-based computational model to assess user skills in sequential motor imagery tasks

　　本研究提出一种基于状态聚类和马尔可夫链的计算方法，用于评估用户在序列运动想象任务（如物体操作）中的技能。通过比较马尔可夫导出指标（任务区分度与相对任务不一致性）与传统分类指标（如准确率），发现两者在任务复杂度下呈现动态相关性，尤其在右杯想象任务中相关性显著。该方法为用户技能评估提供了互补视角。

　　本研究旨在解决在运动想象（Motor Imagery, MI）任务中准确评估个体技能的挑战。传统的MI任务通常集中在简单的动作上，例如手部张开或闭合，而较少关注复杂的连续动作。然而，随着脑机接口（Brain-Computer Interface, BCI）技术的发展，对复杂任务的MI研究变得越来越重要，特别是在康复应用中。本研究提出了一种基于状态聚类和马尔可夫链的计算方法，用于评估用户在连续MI任务中的技能，例如物体操作。通过引入两个新的马尔可夫衍生指标——taskDistinct和relativeTaskInconsistency，研究人员能够分析任务之间的模式分离度和皮层状态的一致性。这些指标不仅有助于理解用户在MI任务中的表现，还提供了关于其技能水平的额外信息。

本研究的数据集来源于30名健康志愿者，他们被要求连续想象操作一个杯子，杯子的位置被设定为四个方向：右、左、上和下。通过分析这些数据，研究人员验证了所提出的方法是否能够反映所想象任务中涉及的动作数量和结构，并探讨了马尔可夫衍生指标与传统分类指标之间的相关性。结果表明，在训练阶段，所提取的皮层模式状态数量与所想象的动作数量一致，而在测试阶段，识别出的状态数量略有减少。然而，状态之间的转换仍然保持了任务的预期上升顺序。值得注意的是，在右杯MI任务中，马尔可夫指标与传统指标之间的相关性显著，而在其他任务中则表现出不同的模式。

本研究的核心贡献在于其方法论的创新性，即结合状态聚类和马尔可夫链来评估用户在连续MI任务中的技能。这种方法不仅能够捕捉到MI任务中的关键特征，还能够提供比传统分类指标更丰富的信息。通过使用不同的任务来测试该方法的可靠性，研究人员发现，该方法在不同任务中的表现存在差异，这表明其性能可能受到任务复杂性的影响。因此，在设计MI任务时，需要考虑到任务的结构和顺序，以便更好地评估用户的技能水平。

此外，本研究还探讨了识别出的皮层状态数量与任务结构之间的关系。这一发现为理解MI任务中皮层活动的动态变化提供了新的视角。通过比较马尔可夫指标与传统分类指标的相关性，研究人员发现，某些任务中的相关性较强，而其他任务则较弱。这提示我们，在实际应用中，可能需要根据任务的特性来选择合适的评估指标，以更准确地反映用户的技能水平。

本研究的另一个重要方面是其对BCI系统性能评估的贡献。传统上，BCI系统依赖于混淆矩阵中的指标，如准确率，来提供反馈并优化任务分类。然而，这些指标可能无法全面反映用户在MI任务中的表现，特别是在用户技能水平较低的情况下。因此，引入新的评估指标对于提高BCI系统的可靠性和有效性至关重要。通过采用马尔可夫链的方法，研究人员能够更细致地分析用户在MI任务中的表现，从而为BCI系统的开发和优化提供新的思路。

在方法实施过程中，研究人员采用了多种技术手段，包括状态聚类和马尔可夫链的构建。状态聚类用于将EEG信号划分为不同的模式状态，而马尔可夫链则用于分析这些状态之间的转换概率。通过这种方式，研究人员能够更直观地理解用户在连续MI任务中的行为模式，并评估其技能水平。这种方法的优势在于其无需依赖于人工标注的数据，而是通过算法自动识别和分析EEG信号中的模式状态，从而提高了评估的客观性和自动化程度。

为了验证所提出方法的有效性，研究人员对多个MI任务进行了分析，并比较了马尔可夫指标与传统分类指标之间的相关性。结果表明，这些指标在不同任务中的表现存在差异，这提示我们，评估用户技能时需要考虑任务的特定属性。例如，在涉及物体操作的任务中，用户可能需要更复杂的皮层活动模式，而这些模式可能与传统的分类指标之间存在不同的相关性。因此，研究人员建议，在实际应用中，应结合多种评估指标，以更全面地理解用户在MI任务中的表现。

本研究还强调了在MI任务中用户技能水平的重要性。由于MI任务的复杂性，用户可能在不同阶段表现出不同的技能水平，这可能影响BCI系统的性能。因此，开发一种能够动态评估用户技能水平的方法，对于提高BCI系统的适应性和用户体验具有重要意义。通过引入基于马尔可夫链的评估方法，研究人员能够更有效地捕捉到用户在MI任务中的动态变化，从而为BCI系统的优化提供依据。

在实际应用中，本研究提出的方法可以用于评估用户在MI任务中的表现，并为BCI系统的训练和反馈提供支持。例如，在康复训练中，用户可能需要通过MI任务来学习如何控制外部设备，而评估其技能水平可以帮助训练师调整训练策略，提高康复效果。此外，这种方法还可以用于优化BCI系统的性能，使其在不同用户和不同任务中都能提供准确的反馈。

总的来说，本研究通过引入基于马尔可夫链的评估方法，为连续MI任务中的用户技能评估提供了新的思路。这种方法不仅能够更准确地捕捉用户在MI任务中的表现，还能够提供比传统分类指标更丰富的信息。通过分析不同任务中的表现，研究人员发现，所提出的方法在某些任务中表现出较高的相关性，而在其他任务中则需要进一步优化。这些发现为未来的MI任务研究和BCI系统开发提供了重要的参考价值。