《Clinical Neurophysiology》：Optimal positioning and size of high-density electrocorticography grids for speech brain-computer interfaces
编辑推荐：
目的：基于言语的脑机接口(Brain-Computer Interfaces, BCIs)可为因瘫痪丧失说话能力者提供直观的沟通方式。目前利用感觉运动皮层(Sensorimotor Cortex, SMC)上大量电极从皮层脑电图(electrocorticog
目的：基于言语的脑机接口(Brain-Computer Interfaces, BCIs)可为因瘫痪丧失说话能力者提供直观的沟通方式。目前利用感觉运动皮层(Sensorimotor Cortex, SMC)上大量电极从皮层脑电图(electrocorticographic, ECoG)信号中分类单个词语已取得显著进展。由于植入含更多ECoG电极的大面积栅格伴随更高手术风险，研究人员探究受限电极配置能否匹配大面积栅格的分类准确率。方法：研究人员分析了8名健康受试者数据，其在左半球(1名受试者为右半球)感觉运动皮层临时植入高密度ECoG栅格(64～128个电极)，完成12个荷兰语单词的重复朗读任务。结果：单词发音在SMC两个焦点引发高频段(High Frequency Band, HFB, 70–170 Hz)活动——一个腹侧焦点和一个背侧焦点。表面积为325 mm2至561 mm2的小型矩形配置(32个电极)可达到与更大栅格相似的词语分类准确率：受试者间分别为76±16%与75±17%(实用随机水平16.7%)。最佳配置呈垂直方向排列并以中央沟(central sulcus)为中心。结论：上述发现表明，经最优放置的32电极ECoG栅格足以在封闭词集上实现高词语分类准确率。意义：这些发现支持靶向放置小型ECoG栅格，降低最终使用者的手术负担，并为重度瘫痪者全植入式BCI器件的低能耗、低复杂度设计提供依据。
《Optimal positioning and size of high-density electrocorticography grids for speech brain-computer interfaces》论文解读
本文发表于Clinical Neurophysiology，研究背景如下：神经退行性疾病（如肌萎缩侧索硬化症Amyotrophic Lateral Sclerosis, ALS）及脑干卒中可导致完全瘫痪伴失语（anarthria），患者意识保留但无法交流，即闭锁综合征(Locked-in Syndrome)。传统辅助沟通(Augmentative and Alternative Communication, AAC)设备依赖残存运动功能，适用性有限。基于皮层脑电图(electrocorticography, ECoG)的言语脑机接口(Speech-based Brain-Computer Interface)可直接记录感觉运动皮层(Sensorimotor Cortex, SMC)信号，尝试言语即可解码，是极具前景的沟通方案。近期研究使用64～253个高密度(High-Density, HD) ECoG电极成功分类50词以上，但大栅格需大骨窗开颅，增加感染、出血等手术风险，且全植入器件需处理高通道数的功耗与散热难题。已有证据表明大栅格中只有部分电极贡献主要分类信息，然缺乏SMC中言语解码最关键信息区域的系统认知。因此研究人员开展本研究，探究有限尺寸HD-ECoG栅格能否达到大栅格的词语分类性能，并确定其最优放置位置，以期指导微创、安全的临床BCI植入设计。
主要关键技术方法：
研究人员纳入8名接受临时HD-ECoG栅格植入的受试者（7名癫痫术前评估患者+1名术中肿瘤切除患者，左半球植入7例、右半球1例），栅格为64～128电极、电极间距3～4 mm。受试者完成12个荷兰语单词各约10次朗读的词语重复任务。ECoG信号以2000 Hz采样，排除坏导后做50 Hz工频陷波与共同平均参考(Common Average Reference, CAR)，经Gabor小波提取δ、θ、α、β及高频带(High Frequency Band, HFB, 70–170 Hz)功率，对数归一化。通过语音同步麦克风标记词语起止点，以发话期vs.静默期的双尾t检验定位任务激活电极。为比较子栅格性能，对所有可能矩形子栅格做穷举搜索(exhaustive grid search)，用线性核支持向量机(Support Vector Machine, SVM)以一对一(one-vs-one)策略做12词分类，嵌套留一折交叉验证(leave-one-group-out cross-validation)优化正则化参数；选取32电极(4×8)子栅格与大栅格对比。另做递归特征消除(Recursive Feature Elimination, RFE)识别最具区分性的非连续电极组合，并验证仅用任务显著激活电极做预筛选的效果。电极位置经CT/MRI配准投影至蒙特利尔神经学研究所空间(Montreal Neurological Institute, MNI)及Cgrid共同感觉运动空间做组分析。
研究结果：
3.1. Task-specific activation（任务特异性激活）：
研究人员对比发话与静默期各频段功率，发现HFB在SMC呈显著增强（腹侧与背侧两处焦点），β频段普遍抑制，δ/θ/α无一致显著变化。组水平Cgrid连通分量聚类显示中央前回存在两个显著HFB激活簇（p=0.01），与解剖区55b及腹侧前运动皮层(area 6v)部分重叠，确认言语相关活动集中于SMC腹侧与背侧两焦点。
3.2. Full grid analysis（全栅格分析）：
仅用HFB特征的12词SVM分类，全栅格中位准确率为75±17%（随机水平16.7%，p<10?3），β带单独仅22±5%，二者联合54±17%。全栅格准确率与电极总数无显著相关(p=0.07~0.10)，后续分析采用HFB特征。
3.3. Subgrid analysis（子栅格分析）：
穷举所有矩形子栅格后，Top 10性能子栅格中70%含≤32电极；32电极为准确率随电极数增长的"拐点(elbow)"——1～32电极准确率快速上升，>32电极增益微小。32电极子栅格（表面积325～561 mm2，较全栅缩小50%～80%）中位分类准确率76±16%，与大栅格75±17%无显著差异(Wilcoxon p=0.22)。最佳32电极子栅格一致呈垂直走向、横跨中央沟覆盖中央前回与中央后回，并与t检验显著HFB激活电极高度重叠；在MNI空间各受试者最优子栅格位置重合于中央沟附近。
3.4. Recursive feature elimination（递归特征消除）：
无形态约束下RFE选出中位23±8电极时达最佳，中位准确率80±20%，与32电极子栅格(p=0.33)及全栅格(未通过Bonferroni校正p=0.04)差异不显著。RFE选出的电极约25%未在t检验中显著，且与最优32电极矩形子栅格不完全重合，说明SMC言语编码具空间冗余性，但关键信息集中于HFB激活区。
3.5. Recursive feature elimination on preselected electrodes（基于任务激活电极预筛选的RFE）：
限定RFE仅从t检验显著的言语激活电极中选特征，分类准确率77±21%，与全电极RFE(80±20%)无差异(p=0.92)，表明区分词语所需信息可由对言语vs.静默有显著HFB响应的电极获取。
讨论与结论翻译：
本研究证明仅32电极、表面积325 mm2～561 mm2的HD-ECoG栅格若最优放置——垂直取向、中央沟为中心覆盖中央前回与中央后回——可匹配64～128电极大栅格对12词封闭集的分类准确率。研究人员在SMC识别出言语诱发的两个HFB活动焦点（腹侧与背侧中央前回），该区域对词语具区分性信息。较小栅格可降低手术负担与并发症风险，未来可通过颅骨微裂口或骨孔植入，利于全植入BCI临床转化；术前可用fMRI等非侵入方式定位HFB敏感区辅助靶区确定。局限含受试者数少、健康受试者朗读任务、封闭词集及数据量有限，结论需在瘫痪人群与更大词汇/连续言语解码中验证。
结论(Conclusion)：
本研究表明，经最优放置、含32电极、覆盖皮层面积325 mm2～561 mm2的小型ECoG栅格，可达到更大栅格相同的词语分类准确率，为降低手术侵入性的言语BCI铺平道路。通过明确SMC关键信息区及言语vs.静默HFB对比的预测价值，本研究为小栅格放置与特征选择提供了实用方案，将推动面向重度瘫痪个体的微创高效言语BCI开发。
