利用混合猎豹优化算法模拟神经退行性疾病患者线上线下任务，为脑机接口应用带来新突破

为解决神经退行性疾病患者沟通及控制难题，研究人员开展 BCI 研究，发现离线模式表现更优，意义重大。

　　在科技飞速发展的今天，神经退行性疾病却如同阴影，笼罩着无数患者的生活。像帕金森病、阿尔茨海默病等，不仅损害神经元，破坏神经元之间的正常通信，还让患者的肌肉逐渐无力，身体活动受限，甚至连基本的交流都变得困难重重 。脑机接口（Brain-Computer Interface，BCI）作为一项前沿技术，为这些患者带来了新希望，它就像一座桥梁，能够将大脑信号转化为控制外部设备的指令，帮助患者重新获得沟通和行动的能力。然而，目前大多数相关研究使用传统的特征提取方法和分类器，分类准确率并不理想。在此背景下，来自多个研究机构，包括基督大学、马尼帕尔大学斋浦尔分校等的研究人员，开展了一项极具意义的研究，该研究成果发表在《Scientific Reports》上。

研究人员为解决现有研究的不足，设计了针对瘫痪患者的四种状态的 BCI，采用韦尔奇功率谱密度（Welch Power Spectral Density，W-PSD）进行特征提取，并运用混合前馈神经网络猎豹优化算法（Feed Forward Neural Network Cheetah Optimization Algorithm，FFNNCOA），在离线和在线两种模式下进行训练，试图找到更有效的 BCI 应用方案。

在研究方法上，研究人员精心挑选了 18 名年龄在 20 - 27 岁的受试者，男女各 9 名。实验分为训练阶段、离线训练阶段和在线训练阶段。在数据采集时，使用三个电极收集信号，其中 T3 和 T4 位置的电极用于捕获与运动想象任务相关的信号，FP1 电极置于左眉上方，以增强额叶活动信号。收集到的信号经过 50HZ 陷波滤波器预处理去除噪声，然后采用 W-PSD 方法进行特征提取。之后，运用 FFNNCOA 这一混合模型进行分类。FFNN 由输入层、隐藏层和输出层构成，能够对信号进行分类，但传统的 Levenberg-Marquardt（LM）反向传播算法存在内存需求大、计算成本高的缺点，因此研究人员引入了基于猎豹狩猎行为的猎豹优化算法（Cheetah Optimization Algorithm，COA），以优化模型，减少训练时间并提高分类准确率。

在研究结果方面，从整体分类准确率来看，男性受试者的平均分类准确率为 94.85%，女性受试者为 94.04%，男性表现略优于女性。在离线测试中，男性和女性受试者的平均个体任务准确率分别达到 95.86% 和 93.88%。例如，男性受试者 S5 和 S3 在某些任务上甚至获得了 100% 的准确率，女性受试者 S17 的最高准确率也达到了 97.50%。在在线测试中，整体分类准确率有所下降，男性和女性受试者的正确分类率分别为 94.17% 和 92.22%。研究还发现，女性受试者在执行在线任务时，从一个任务切换到另一个任务存在困难，需要更多时间适应。

综合研究结论和讨论部分，该研究表明，离线分析阶段在实时性能上优于在线阶段，受试者在离线模式下能够更轻松地完成任务。这一发现为 BCI 在神经退行性疾病患者康复治疗中的应用提供了重要参考。研究人员使用的混合方法简化了传统实验过程，在不降低准确率的同时提高了分类精度，缩小了实际应用与理论模型之间的计算效率差距。不过，研究也存在一定局限性，未来研究人员计划在在线模式下对新手用户进行研究，进一步检验所开发 BCI 的实时识别准确率，推动该领域的持续发展。