《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Smart Ward Control Based on a Wearable Multimodal Brain–Computer Interface Mouse
编辑推荐：
本文针对严重肢体运动功能障碍患者无法使用传统交互设备的问题，开发了一种基于头戴式多模态脑机接口（BCI）的智能病房控制系统。该系统通过集成惯性测量单元（IMU）、眼电图（EOG）和脑电图（EEG）信号，实现头部旋转控制光标和眨眼选择功能。实验结果显示，10名参与者完成任务的平均准确率达97.0%，响应时间2.39秒，且NASA-TLX工作量评估表明系统操作负荷低。这项研究为行动受限患者提供了一种无需肢体参与、高效可靠的病房设备控制新途径。
对于因中风、脊髓损伤（SCI）或肌萎缩侧索硬化（ALS）导致严重肢体运动功能障碍的患者来说，日常生活中最简单的动作——如调节病床角度、开关灯光或控制电视——都可能变得异常困难。传统的人机交互（HCI）方法，如触摸屏、操纵杆等，对这些患者往往不适用，因为他们可能面临上肢或下肢部分或完全功能丧失。尽管研究人员已经探索了多种基于生理信号的辅助技术，包括脑电图（EEG）、肌电图（EMG）和眼电图（EOG），但大多数系统仍存在成本高昂、需要大量训练或舒适度不足等局限性，限制了其在临床环境中的实际应用。
正是在这样的背景下，华南理工大学的研究团队在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表了一项创新研究，提出了一种基于可穿戴多模态脑机接口（BCI）的智能病房控制系统。该系统旨在为肢体运动功能受损的患者提供一种直观、高效且舒适的病房设备控制方案，让患者仅通过头部旋转和眨眼动作就能操作各种病房设备。
研究人员开发了一种自设计的可穿戴头带，集成了三通道水凝胶电极、9轴惯性测量单元（IMU）和信号处理电路。该系统通过解码IMU信号来跟踪头部姿态，将其映射为屏幕上的光标移动；同时通过分析EOG和EEG信号来检测有效的眨眼动作，用于选择功能按钮。特别值得一提的是，系统还引入了基于前额叶EEG信号的注意力检测机制，通过计算β波（13-30 Hz）与θ波（4-8 Hz）的功率谱比值来区分有意眨眼和生理性无意眨眼，从而降低误触发风险。
在技术方法上，作者主要采用了多模态信号采集与融合、实时信号处理和图形用户界面（GUI）设计。头部姿态跟踪通过IMU获取的滚转角（θ）和俯仰角（φ）数据，经过比例因子调整和抗抖动算法处理后控制光标移动。眨眼检测采用基于皮尔逊相关系数和能量阈值的模板匹配算法，确保识别准确性。智能病房环境包含电动护理床、床帘、空调、电视、灯光和窗帘等六种设备，全部通过自定义的双层GUI进行无线控制。实验招募了10名健康参与者，进行了智能病房控制任务和电动护理床控制任务的性能评估。
研究结果充分证明了该系统的有效性和实用性：
智能病房控制实验：所有参与者均成功完成了模拟日常需求的病房控制任务，平均任务时间为76.9秒，平均准确率达到97.0±3.9%，平均响应时间为2.39±0.53秒。信息传输率（ITR）达到97.6±29.7比特/分钟，且在长达一小时的闲置状态测试中，系统误触发率（FTR）为零，显示出极高的可靠性。
电动护理床控制实验：与传统步进式控制的BCI护理床不同，本研究设计了连续控制的护理床系统。在控制任务中，BCI控制和手动控制均实现了100%的准确率。虽然BCI控制的任务时间（278.6±7.4秒）略长于手动控制（256.2±5.7秒），停止响应时间（0.73±0.10秒 vs 0.64±0.07秒）也稍长，但这些差异在实际应用中可以接受，且BCI控制不依赖肢体运动的优势明显。
注意力状态区分：对10名参与者β/θ比值的分析显示，在注意力集中（有意眨眼）和分散（无意眨眼）状态下，9名参与者表现出显著差异，证明系统能有效区分两种状态，减少误操作。
工作量评估：NASA-TLX评估结果显示，使用BCI控制系统时，参与者在六个子维度（心理需求、体力需求、时间需求、绩效、努力和挫折感）的平均得分均低于20分，表明系统操作负荷较低。特别值得注意的是，BCI控制在体力需求维度显著低于手动控制，这对于行动受限患者尤为重要。
研究结论与讨论部分强调，这种可穿戴多模态BCI系统在准确性、信息传输率和可靠性方面均表现出色，为严重肢体运动功能障碍患者提供了一种切实可行的病房设备控制解决方案。与以往系统相比，该研究的创新点在于：将轻量级头戴设备与真实智能病房环境相结合，实现了多设备连续控制；通过多模态信号融合和注意力检测，实现了高精度异步控制；且系统校准简单（仅需约20秒），适合长期使用。
尽管目前研究主要在健康人群中进行，且未考察长期使用效果，但该系统的低工作量特性和高实用性表明，它在临床环境中有巨大应用潜力。未来研究可进一步优化控制策略，整合更多信号模态，并针对实际患者群体进行验证，推动BCI辅助系统在康复医疗领域的实际应用。
这项研究不仅为解决肢体运动功能障碍患者的日常控制问题提供了创新方案，也为可穿戴BCI技术在医疗环境中的实际应用奠定了重要基础，标志着脑机接口技术向临床转化迈出了坚实的一步。
