《Brain Research Bulletin》：Brain Complexity in Motion: Multiscale Entropy Analysis on Mobile EEG Data to Assess Motor Performance
编辑推荐：
本研究针对移动EEG在运动任务中大脑复杂性评估方法缺失的问题，通过多尺度熵（MSE）分析足球踢球任务中的脑电信号，发现专家运动员在左额叶粗尺度与中央顶叶细尺度呈现显著更低的熵值，且熵值与踢球准确率负相关。结果表明MSE能有效区分运动技能水平，为运动神经科学提供了新的量化工具。
人类大脑是一个高度复杂的动态系统，其神经活动在不同时间尺度上展现出丰富的可变性，这种复杂性被认为是大脑信息处理能力和适应性的重要指标。传统脑电图（EEG）分析多采用线性指标，假设神经信号是平稳且线性的，但实际大脑活动具有显著的非线性特征，这些特征可能更深刻地反映神经系统的健康与效率。多尺度熵（Multiscale Entropy, MSE）作为一种非线性分析方法，能够评估神经信号在多个时间尺度上的不规则性，从而捕捉大脑的复杂动力学特性。然而，以往MSE研究多集中于静息态或静态任务下的EEG数据，对于运动过程中大脑复杂性的探索仍属空白。运动行为本身是神经系统、身体与环境持续互动的涌现结果，理解运动时的大脑复杂性对于揭示运动控制与学习机制具有重要意义。
为填补这一空白，本研究首次在移动EEG场景下系统评估MSE的可靠性、效度及分类性能，旨在揭示大脑复杂性与运动表现之间的关系。研究采用足球踢球任务，比较新手与业余足球运动员的脑电数据，探究MSE能否有效区分技能水平，并检验其与踢球准确性的关联。该研究发表于《Brain Research Bulletin》，为运动神经科学提供了新的方法论视角。
研究采用65导主动电极移动EEG系统记录踢球任务中的脑电信号，采样率为500 Hz。关键方法包括：基于加速计信号的踢球起始点检测、EEG数据的预处理（去噪、滤波、坏道剔除、独立成分分析去除伪迹）、以及多尺度熵计算（64个时间尺度，参数m=2，r动态调整）。研究纳入11名新手进行重测信度分析，15名新手与15名足球运动员进行效度分析。统计方法涵盖组内相关系数（ICC）、独立样本t检验、错误发现率（FDR）校正、皮尔逊相关及受试者工作特征（ROC）曲线分析。
3.1. 准确率表现
新手组两次测试间准确率无显著差异，ICC为0.56，呈中等信度。专家组的踢球准确率显著高于新手组，证实了技能水平的组间差异。
3.2. 多尺度熵估计的重测信度
MSE估计值显示出从差到优秀的信度范围，信度随尺度增大而降低，精细到中等尺度信度较高。信度分布呈现通道与尺度特异性。
3.3. 技能水平间的熵值差异及其与准确性的相关性
新手组在左额叶（Fp1、AF3、F1、F3、FC3）和中央顶叶（CP1、CP3）区域表现出更高的熵值。额叶通道差异主要体现在中粗尺度，中央顶叶通道差异集中在细尺度。熵值与踢球准确率呈显著负相关，表明较低的脑复杂性关联更优的运动表现。
3.4. 熵估计在区分技能水平中的分类性能
基于显著差异通道和尺度的熵值进行ROC曲线分析，显示其分类准确度为弱到中等。进一步对熵估计进行主成分分析（PCA），发现某些主成分（PC）展现出中等至良好的分类性能（AUC最高达0.80），且贡献度最高的尺度与存在显著组间差异的尺度重叠，证实MSE能有效捕捉技能水平相关的脑复杂性特征。
研究结论表明，MSE能够可靠地捕捉运动任务中大脑复杂性的动态变化，并有效区分不同技能水平。专家运动员在任务相关脑区（左额叶和中央顶叶）表现出更低的熵值，反映了其神经处理的高效性与低冗余度。熵值与运动表现的负相关进一步支持了大脑复杂性作为运动技能生物标志物的潜力。此研究不仅验证了MSE在移动EEG应用中的可行性，也为理解运动控制的神经机制及运动员技能评估提供了新的理论依据与实践工具。未来研究可拓展至更多元化的任务与人群，进一步探索大脑复杂性在运动训练与康复中的应用前景。
