解锁大脑 “密码”：EEG 特征如何预测运动想象 BCI 性能？

为解决 MI - BCI 中 MI 熟练度及 “BCI 文盲” 等问题，蒙特雷大学研究人员开展 EEG 特征预测 MI - BCI 性能的研究。结果发现相关大脑活动模式与 BCI 性能有关。这为评估 BCI 适用性等提供新思路，强烈推荐科研读者阅读。

　　

在科技飞速发展的今天，脑 - 计算机接口（Brain - Computer Interface，BCI）技术逐渐走进人们的视野，它就像一座神奇的桥梁，连接着大脑和外部设备。基于运动想象（Motor Imagery，MI）的脑 - 计算机接口（MI - BCI）更是其中的佼佼者，它能通过检测大脑活动信号（EEG，脑电图）来捕捉人们在脑海中模拟运动的信息，进而控制外部设备，这一特性让它在运动神经康复领域展现出巨大的潜力。

然而，这座 “桥梁” 并非一帆风顺。MI - BCI 面临着一个棘手的问题：并非所有人都能轻松掌握 MI 技能，很多人需要经过大量训练，却仍可能无法达到理想的效果。这就好比不是每个人都能轻松学会骑自行车，即使努力练习，有些人还是会在学习过程中遇到重重困难。而且，目前还没有一种通用的 BCI 能适用于所有人，大约 20% 的用户在使用 BCI 时，大脑活动变化不明显，无法有效控制设备，这种现象被称为 “BCI 文盲”。这就像一把钥匙开不了所有的锁，不同人的大脑对 BCI 的反应各不相同。

另外，现有的 BCI 研究大多只进行一次训练课程，但实际上学习控制 BCI 可能需要多次课程。而且，关于 BCI 准确性和功能连接性之间关系的研究较少，尤其是在 MI - BCI 训练过程中。这就好比我们只了解了冰山一角，对于 BCI 这座 “冰山” 在训练过程中的更多奥秘还知之甚少。

为了攻克这些难题，来自蒙特雷大学的研究人员在《Journal of NeuroEngineering and Rehabilitation》期刊上发表了一篇名为 “EEG power spectral density and partial directed coherence as predictors of motor imagery-based brain-computer interface performance” 的论文。他们经过深入研究，得出了一系列重要结论，这些结论为 BCI 技术的发展带来了新的曙光。

研究人员发现，运动想象熟练程度与特定的大脑活动模式密切相关。熟练用户在运动想象时，右侧手部运动皮层（左半球）的 α 波事件相关去同步化（ERD）更明显。同时，β 波的部分定向相干（PDC）在同侧运动皮层通常会减弱，而对侧运动皮层的 γ 波 PDC 则会增强。这意味着大脑在运动想象时，不同频率的脑电波有着独特的 “分工”，这些变化就像是大脑发出的 “密码”，能够影响 BCI 的控制效果。

这些研究结论意义重大。它为评估个体对 BCI 设计的适用性提供了新的思路，就像是为不同的人找到了匹配的 “钥匙”。通过分析这些大脑活动特征，我们可以在用户进行多次 MI - BCI 训练之前，判断他们是否能从这种训练中获益，从而提高训练效果，减少不必要的时间和精力浪费。这对于运动康复领域来说，无疑是一个重大突破，有望为患者带来更有效的康复治疗方法。

那么，研究人员是如何得出这些结论的呢？他们主要运用了以下几种关键技术方法：
首先是 EEG 采集技术，使用 Discovery 24 系统和 Electro - Cap headset，按照国际 10/20 系统从 19 个通道采集 EEG 信号，采样率为 256Hz。采集到的信号经过 Openvibe 软件处理，去除干扰后转换为 MATLAB 支持的格式。这就像是给大脑的 “电信号语言” 装上了一个精准的 “翻译器”，让研究人员能够 “听懂” 大脑在说什么。
其次是实验设计与数据分析方法。招募了 9 名健康的右利手志愿者，让他们参与四个不同日期的训练课程。在每个课程中，先进行刺激呈现阶段获取 EEG 信号，接着通过校准分析选择特定参数配置 BCI 系统，最后进行光标任务评估操作 BCI 系统的表现。实验结束后，研究人员对 EEG 信号进行处理和分析，包括计算功率谱密度（PSD）、部分定向相干（PDC），以及进行 ERS/ERD 分析等，从而找出与 BCI 性能相关的大脑活动特征。这一系列操作就像是一场严谨的 “解谜游戏”，研究人员通过各种方法逐步揭开大脑与 BCI 之间的神秘联系。

接下来看看具体的研究结果：

准确性和 EEG 特征变化

研究人员观察了不同用户在各训练课程中的准确性。他们发现，以 70% 的准确率作为 BCI 控制的阈值，9 名用户中有 6 名在至少一次课程中达到了这个标准，而另外 3 名则始终无法有效控制 BCI 系统。这就像一场考试，6 名同学通过了 “BCI 控制” 这门考试，而 3 名同学还需要继续努力。
同时，研究人员还发现，BCI 系统控制能力较好的用户，在用于校准的用户定义特征方面表现出更低的变化（即标准差更小）。这意味着这些用户的大脑活动模式更稳定，就像稳定的发动机能让汽车跑得更顺畅一样，稳定的大脑活动模式有助于更好地控制 BCI 系统。他们通过分析用户的代表性准确率和校准频率的标准差，发现这两个变量之间呈现出 -0.8 的负相关关系，进一步证实了这一结论。

ERS/ERD 分析

在 ERS/ERD 分析中，研究人员比较了不同用户在休息和右手运动想象条件下的 EEG 同步变化。他们发现，表现较好的参与者在与右手运动皮层相关的 C3 电极上，α 波 ERD 更高，而表现较差的个体则没有这种明显的高 ERD 现象。这表明 α 波 ERD 与 BCI 性能密切相关，就像一把 “钥匙”，能够打开 “BCI 性能良好” 的大门，为评估 BCI 性能提供了一个重要的指标。

PDC 分析

PDC 分析主要研究了大脑不同区域之间的功能连接性。在 α 波段，高准确率的用户在运动想象时，从运动皮层 C4 流出的明显半球间相互作用中，PDC 值往往会增加。这就像是大脑内部的 “信息高速公路”，某些路段在运动想象时变得更加畅通，促进了信息的传递。
在 β 波段，高准确率的用户往往表现出与 C4 相关的 β 波耦合流入减少，而低准确率的用户则相反。这一结果暗示了大脑活动的侧向化在 PDC 分析中也很重要，就像大脑在运动想象时，会根据准确率的高低调整不同区域之间的 “联系强度”。
在 γ 波段，研究人员分别分析了 γlow（31 - 45Hz）、γhigh（46 - 70Hz）和 γlow + high（31 - 70Hz）频段。他们发现，高准确率的用户在 γlow 频段涉及 C3 的相互作用中，往往表现出更大的 PDC；在 γlow + high 频段，高准确率的用户在 C3 上的流入相互作用更高。这表明 γ 波段的活动与 BCI 性能也有着紧密的联系，不同频段的 γ 波在大脑控制 BCI 的过程中可能发挥着不同的作用。

研究结论和讨论部分进一步强调了这些发现的重要性。研究结果表明，约 67% 的用户在至少一次训练课程中能够有效控制 BCI 系统，这一比例与其他类似研究相当。而且，用户对 BCI 系统的控制能力与校准特征的稳定性相关，这为理解 BCI 训练效果提供了新的视角。
从 ERS/ERD 和 PDC 分析结果来看，α、β、γlow 和 γlow + high 频段的大脑活动变化与 BCI 性能密切相关。这些发现为评估个体使用 MI - BCI 的难度提供了潜在的指标，有助于筛选出更能从基于 MI - BCI 的神经反馈策略中获益的个体。

然而，研究人员也指出，目前的研究存在一定的局限性。研究样本仅包括 9 名右利手健康受试者，样本量较小，这可能会影响研究结果的普遍性。未来需要增加样本量，招募更多不同利手的参与者以及临床应用中的目标终端用户（如需要运动神经康复的患者）进行研究，以进一步验证这些结论。因为患者的临床和神经生理变化可能与健康受试者不同，例如偏瘫患者的生理机制可能会发生转移。这就好比研究了一小群人的大脑 “密码”，还需要扩大研究范围，看看这些 “密码” 在更多人身上是否同样有效。

总的来说，这项研究为 BCI 技术的发展提供了重要的理论依据和实践指导。它就像一盏明灯，照亮了 BCI 技术前进的道路，为未来开发更有效的 BCI 系统、提高运动康复治疗效果奠定了坚实的基础。相信在未来，随着研究的不断深入，BCI 技术将取得更大的突破，为人类的健康和生活带来更多的福祉。