脊髓损伤患者排尿排便运动意图精准解码：一种新型脑机接口应用

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：A Novel Brain-Computer Interface Application: Precise Decoding of Urination and Defecation Motor Attempts in Spinal Cord Injury Patients

本研究针对脊髓损伤(SCI)患者普遍存在的排尿排便功能障碍难题，首次将脑机接口(BCI)技术应用于该领域。研究人员设计了一种新型双向时序卷积网络(UDCNN-BiTCN)，成功解码了71名参与者(包括27名SCI患者和44名健康对照)的抑制排尿排便(S-UD)和主动排尿排便(UD)运动意图任务。该模型在三种实验设置下均取得最优性能(最高准确率达95.28%)，并发现SCI患者在delta频段(0.5-4 Hz)表现出更强的特征响应。这项研究为BCI在神经康复中的创新应用提供了重要范式。

　　

对于脊髓损伤患者来说，排尿和排便功能障碍是严重影响生活质量的常见并发症。据统计，约70%的中枢神经系统疾病患者会经历便秘或大便失禁等问题。这些功能障碍不仅给患者带来身体上的痛苦，更对其心理尊严造成巨大冲击。目前现有的非手术治疗方法效果有限，迫切需要新的康复干预手段。

脑机接口技术作为连接大脑与外部设备的重要桥梁，在脊髓损伤康复领域已展现出巨大潜力，特别是在上肢和下肢运动功能恢复方面取得了显著进展。然而，令人惊讶的是，尽管排尿排便功能对患者生活质量至关重要，但BCI技术在这一关键生理功能恢复方面的应用却从未被探索过。

正是在这样的背景下，一项开创性研究在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表了最新成果。这项研究首次将BCI技术应用于排尿排便运动意图的解码，为神经康复领域开辟了全新的方向。

研究人员采用了几个关键技术方法：他们设计了专门的双向时序卷积网络(UDCNN-BiTCN)架构，创新性地提出了幅度掩码(Amplitude Masking, AM)数据预处理方法，并采用了多级空间特征提取策略(m-SEM)。研究纳入了来自两家医院的71名参与者(44名健康对照和27名脊髓损伤患者)，通过32导联脑电采集系统记录他们在执行抑制排尿排便(S-UD)和主动排尿排便(UD)任务时的脑电信号。

Within-Subject和Within-Task(W-W)结果

UDCNN-BiTCN模型在S-UD任务上取得了94.79%的最佳准确率和91.47%的平均准确率，在UD任务上达到95.28%的最佳准确率和91.81%的平均准确率，显著优于EEGNet、EEG-TCNet等7种主流模型。这表明该模型在个体内部和任务内部具有卓越的解码能力。

Cross-Subject和Within-Task(C-W)结果

在跨被试设定下，模型在S-UD和UD任务上分别达到87.79%和85.87%的准确率，明显高于传统运动想象任务的跨被试性能，证明该模型具有良好的泛化能力。

Within-Subject和Cross-Task(W-C)结果

跨任务迁移学习实验中，从S-UD到UD任务的迁移准确率达到85.77%(最佳)和82.67%(平均)，反向迁移也取得类似良好效果，为临床应用中减少数据采集负担提供了可能。

消融实验

通过系统性的模块移除实验，研究人员验证了每个核心组件的贡献：Mixup数据增强提升准确率约3%，Bi-TCN结构带来2.1%的性能增益，而幅度掩码(AM)方法在保持精度的同时将训练时间减少了近10%。

可视化分析

通过事件相关谱扰动(ERSP)分析发现，脊髓损伤患者在0.5-4 Hz(delta)频段表现出更强的事件相关同步化(ERS)现象，这解释了为什么SCI患者分类准确率更高。功能连接分析进一步揭示了健康对照与患者在delta频段连接模式的显著差异。

跨中心评估

模型在两家医院数据间的交叉验证中表现出色(Ninghai→Shandong:88.26%，Shandong→Ninghai:81.98%)，证明了其在真实临床场景中的实用性和鲁棒性。

研究结论表明，UDCNN-BiTCN模型在排尿排便运动意图解码方面表现出卓越性能，特别是在跨被试和跨任务设定下仍保持高精度。脊髓损伤患者在该任务中表现出更高的分类准确率，主要归因于delta频段的显著特征响应。这项研究不仅提出了BCI技术的一个全新应用方向，还为理解排尿排便控制的神经机制提供了重要见解。

更重要的是，这项研究的意义远超出技术层面。它为解决脊髓损伤患者最困扰的生理功能障碍提供了全新的技术途径，极大提升了BCI在临床康复中的应用价值。通过精准解码这些基本生理功能的运动意图，未来可以开发出相应的神经反馈训练系统，帮助患者重建对排尿排便功能的自主控制，从而显著改善其生活质量。

该研究的开源策略(代码已公开)和跨中心验证框架，为后续研究奠定了坚实基础，预示着BCI技术在神经康复领域将迎来更加广阔的应用前景。随着技术的进一步成熟和临床验证的深入，这种新型BCI应用有望真正转化为改善患者生活的有效工具，为无数受困于排尿排便功能障碍的患者带来新的希望。