Integrated EEG acquisition and modeling system for neurofunctional biomarkers of covert motor intent 中文标题

《Sensing and Bio-Sensing Research》：Integrated EEG acquisition and modeling system for neurofunctional biomarkers of covert motor intent

　　

本研究介绍了一种新型脑电图（EEG）记录与建模系统，旨在提升脑机接口（BCI）系统在神经康复与辅助技术中对内语言的解码能力。该框架构建为一个集成了传感、处理与建模的系统，将采集、信号组织、神经功能解释及模型级计算统一为一个连贯的端到端流程。数据是在精心控制的视觉线索范式下，借助Emotiv EPOC X头戴设备，通过运动想象任务（即左手、右手及腿部运动意图）收集的。神经功能分析显示存在一致的额叶-运动耦合，其中AF3-FC5（左前额叶皮层-左运动皮层）通道对的R2值高达66.6%，相比之下，后部通道对如AF3-O1（左前额叶皮层-左枕叶）的R2值最高仅为0.2%。通道激活图谱映射显示，AF3、FC5及F4（右背外侧前额叶皮层）在90%至100%的参与者中占主导地位。较高的O2（右枕叶）活动和较低的FC6（右运动皮层）活动表明存在右侧偏倚的视觉与运动活动。该研究还引入了新型门控循环卷积神经网络（GRCNet），这是一种增强了门控循环单元（GRU）的卷积架构，无需深层循环堆栈即可促进统一的时空学习。实验结果表明，测试准确率稳定在65–70%左右，优于本研究中评估的基线架构，这表明其具有潜在的表征优势，值得在更大的数据集上进一步研究。这项工作为基于EEG的BCI管道迈向集成化与可解释性迈出了初步一步，并具有在更大、更多样化的群体中进行进一步验证的广阔前景。

这篇发表在《Sensing and Bio-Sensing Research》的论文针对脑机接口（BCI）在神经康复与辅助技术中的应用，构建了一套集成了传感、信号处理与深度学习的端到端系统，用于解码隐蔽运动意图的神经功能生物标志物。

研究背景方面，尽管基于脑电图（EEG）的脑机接口（BCI）取得了稳步进展，但在将实验室原型转化为实际辅助系统时仍面临严峻挑战。EEG信号在非平稳性导致跨会话和跨被试的分类性能下降，加之非侵入式头皮EEG固有的低空间分辨率，限制了模型的泛化能力。此外，现有的公共运动想象数据集多在严格受控的实验室条件下使用科研级放大器采集，缺乏对消费级EEG头戴设备在实际环境中表现的系统性评估。同时，许多分类研究将空间与时间特征提取视为独立阶段，可能丢失对解码隐蔽运动意图至关重要的联合时空信息。因此，构建一个涵盖数据采集、神经功能验证、预处理及端到端深度学习的一体化框架显得尤为迫切。

为此，研究人员开展了以下研究：他们利用Emotiv EPOC X头戴设备（14通道非侵入式无线EEG设备）采集数据，建立了一个包含10名受试者（年龄、性别、冥想经验各异）的EEG数据集。每位受试者进行了约7分钟的记录，期间随机交替进行左手、右手及腿部运动的视觉线索引导的内语言任务，并在任务间设置10秒休息期。数据采集遵循国际临床神经生理学联合会的标准，确保了信号质量与注释的准确性。

关键技术方法包括：首先，采用严格的预处理流程，包括使用Daubechies db4小波分解进行滤波（保留8–30 Hz的Alpha和Beta频段），应用共同平均参考（CAR）进行重参考，并通过FastICA算法移除眼动与肌电伪迹。其次，研究人员提出了一种新型深度学习架构——门控循环卷积神经网络（GRCNet）。该架构的核心是将门控循环单元（GRU）机制嵌入卷积操作中，通过对空间展开的卷积块应用门控递归，实现了局部时空依赖性的联合建模，避免了传统CNN-RNN混合模型中空间与时间特征分离处理的弊端。

研究结果具体如下：

在额叶-运动耦合分析中，研究人员发现左前额叶皮层（AF3）与左运动皮层（FC5）之间存在显著的单调关系，R²值在受试者中高达66.6%，而左前额叶与左枕叶（O1）之间的耦合极弱（R²值最高仅0.2%），证实了运动准备过程中前额叶对运动皮层的自上而下调节。

在运动想象变异性指数分析中，通过分析各通道的平均电位与振幅散点分布，发现AF3、FC5及F4等位于额叶-运动网络的通道表现出最高的激活水平，而枕叶与顶叶通道激活较低。这种激活模式在不同受试者中具有一致性。

在探索神经趋势偏差的研究中，数据显示O2（右枕叶）的激活显著高于O1（左枕叶），这归因于视觉刺激引发的右侧偏倚视觉处理；同时，FC6（右运动皮层）的激活低于FC5（左运动皮层），这与受试者多为右利手导致的左侧半球精细运动控制优势有关。

在基准模型对比中，研究人员测试了多种深度学习架构。结果显示，传统的ShallowConvNet和DeepConvNet分别达到了约41%和44%的测试准确率，LSTM模型因无法编码空间特征表现不佳（约37.5%），而EEGNet及其与LSTM的混合模型虽有所提升（超过52%），但仍存在收敛稳定性差的问题。

在提出的GRCNet架构评估中，该模型在测试集上的准确率稳定在65–70%之间，显著优于所有基线模型。消融研究证实，移除GRU增强的卷积块会导致准确率大幅下降，证明了嵌入式记忆机制对捕捉非平稳EEG信号中潜在结构的必要性。

讨论部分指出，该研究引入的数据集具有受试者多样性，虽然样本量适中，但通过分层五折交叉验证和留一受试者交叉验证（LOSO，平均准确率47.3%）验证了数据的有效性。GRCNet的成功归因于其将记忆机制整合进卷积结构中，有效处理了EEG信号的时空特性。尽管该系统的单次试验推理延迟（约12毫秒）满足实时性要求，但会话间的方差（标准差6.4个百分点）表明在实际应用中仍需进行会话特定的校准。

结论部分总结道，该研究提供了一个经过神经学解释验证的EEG数据集及配套框架，能够选择性地采样以解码隐蔽运动内语言驱动的运动意图。GRCNet作为一种紧凑的架构变体，在空间抽象与时间记忆之间建立了统一，为结合神经科学见解与深度学习技术的神经解码方法提供了增量改进的基础。未来工作可探索将该架构扩展至具有在线校准能力的自适应神经认知配置中。