《Scientific Data》：HEFMI-ICH: a hybrid EEG-fNIRS motor imagery dataset for brain-computer interface in intracerebral hemorrhage
编辑推荐：
脑出血后运动想象信号难测？团队同步采集EEG-fNIRS，发布首个ICH混合数据集，验证深度学习模型分类精度提升，填补多模态康复数据空白。
当55%–75%的卒中幸存者仍被上肢瘫痪困扰，脑出血（ICH）作为“最致命”亚型却以仅占6.5%–19.6%病例贡献超40%死亡率的残酷现实，让临床康复陷入两难：传统疗法对断裂的皮质脊髓通路收效甚微，而基于运动想象（MI）的脑-机接口（MI-BCI）虽能借力神经可塑性，却因缺少针对ICH的多模态神经标记物而难以落地。EEG毫秒级时间分辨率高，却怕运动伪迹；fNIRS对血氧波动敏感，空间精度达5–10 mm，却受神经血管解耦拖累。更尴尬的是，现有公开数据集要么只收健康人，要么仅提供单模态信号，ICH患者“被遗忘”，算法天然带着偏见。如何让“出血后脆弱大脑”的MI信号被精准捕捉并解码，成为精准康复赛道上的“卡脖子”难题。
为回答上述问题，Jian Shi、Danyang Chen等研究者设计并发布了首个面向ICH康复的混合EEG-fNIRS MI数据集——HEFMI-ICH，同步采集17名健康受试者与20例ICH患者在标准化左右手抓握运动想象任务中的32导EEG（256 Hz）与90导fNIRS（11 Hz）信号，辅以Fugl-Meyer上肢评估（FMA-UE）、改良Barthel指数（MBI）及改良Rankin量表（mRS）三大临床指标，构建“原始-预处理-特征”三层数据架构，并在统一深度学习框架下验证多模态融合对分类精度的提升效应，成果发表于《Scientific Data》。
关键技术方法概括为：1. 基于E-Prime同步触发EEG放大器（g.HIamp）与连续波fNIRS系统（NirScan）的混合采集；2. 定制适配54–58 cm头围的32-EEG/32光源-30探测器帽，按10-20系统与MNI坐标排布；3. 采用握力计+减压球“校准-想象”范式强化受试者动觉想象一致性；4. MATLAB+Python（MNE库）完成事件标签补齐、Beer-Lambert光-血氧转换、0.5–30 Hz带通滤波与5折交叉验证；5. 提出深度可分离卷积双模基础网络EEGBaseNet/fNIRSBaseNet及精度加权线性融合模型。
研究结果部分依次如下：
实验流程与数据架构
通过“握力校准-视觉提示-10 s想象-15 s休息”的block设计，每名受试者完成≥60试次，数据以HDF5、NIRS、HCX多格式存档，经标签对齐后生成37 s分段（12 s前-10 s任务-15 s后）的MAT结构，含90试次×通道×采样点3D张量。
信号质量与时空特征
EEG平均信噪比（SNR）和fNIRS头皮耦合指数（SCI）均达优良水平；C3/C4电极在α、β频带呈现典型对侧ERD/同侧ERS模式；fNIRS地形图显示抓握想象时氧合血红蛋白（Oxy-Hb）在初级运动区呈现任务-静息差异梯度。
分类性能比较
时间-频率手工特征+SVM作为基线，单模EEG准确率为72.3%；CSP-SVM框架提升至78.1%；FBCSP-SVM达80.7%；EEGBaseNet与fNIRSBaseNet分别达85.6%与82.4%；精度加权线性融合将混合模态推至89.7%，较最佳单模提高4.1%，且在ICH亚组仍维持>83%精度，证明深度网络对病灶所致神经血管解耦具有鲁棒性。
结论与讨论指出，HEFMI-ICH首次将ICH患者纳入混合BCI数据生态，弥补“病种-模态”双重空白；统一深度学习架构兼顾健康与病灶大脑，为跨人群算法迁移提供基准；精度加权融合策略揭示EEG-fNIRS性能差异可转化为自适应系数，实现“谁强谁多说”的智能协同。该数据集与开源代码已上传Figshare，支持全球团队开发面向ICH的精准康复BCI，也有望推广至其他出血性卒中亚型，助力个性化神经修复与功能重建。
