《Pattern Recognition Letters》：Adaptive recursive channel selection for robust decoding of motor imagery EEG signal in patients with intracerebral hemorrhage
编辑推荐：
针对脑出血（ICH）患者EEG-MI脑机接口的通道选择难题，本研究提出基于自适应递归学习框架的时频域特征融合方法。实验证明，减少37.5%通道后，健康人群和ICH患者的运动想象分类准确率分别提升至69.28%和67.64%。
李胜杰|施健|陈丹阳|朱峥|胡峰|姜伟|舒凯|周勇|张平|唐周平
中国湖北省武汉市华中科技大学同济医学院同济医院神经内科，以及国家重大传染病诊断与治疗重点实验室
摘要
在基于脑电图（EEG）的运动想象（MI）脑机接口（BCI）研究中，神经康复技术对于脑内出血（ICH）患者的康复具有巨大潜力。然而，由于系统需要大量通道导致设置过程繁琐，其临床实用性大大降低，从而阻碍了康复进程。为此，本研究提出了一种基于自适应递归学习框架的通道选择方法，该方法通过结合时频域特征建立了综合评估指标。实验结果表明，在使用少37.50%的通道后，健康受试者的MI分类准确率从65.44%提高到69.28%，ICH患者的准确率从65.00%提高到67.64%。本研究为ICH患者专门设计了一种基于EEG的MI BCI通道选择方法，为个性化康复方案的实施铺平了道路，并促进了神经技术的临床应用。
引言
尽管在预防和治疗策略方面取得了显著进展，中风仍然与高发病率、严重的残疾率和较高的死亡率相关，是全球主要的死亡原因之一，也是导致长期功能障碍的重要因素[1],[2]。脑内出血（ICH）占全球所有中风病例的6.5%至19.6%，并且导致超过40%的中风相关死亡，是最严重的中风类型[3],[4]。临床上，大多数ICH患者存在上肢功能障碍，这严重影响了日常生活，并给护理人员和社会带来了沉重负担。虽然物理治疗和约束诱导运动疗法等标准干预措施被广泛使用，但它们在ICH后上肢康复中的效果有限。因此，改善上肢功能是这一群体的关键治疗目标，也是临床工作的当务之急。
近年来，脑机接口（BCI）技术快速发展，现已广泛应用于医疗领域[5],[6]。特别是运动想象（MI）作为一种基于BCI的神经康复技术（MI-BCI），在促进中风患者运动恢复方面具有巨大潜力[7],[8]。研究发现，MI-BCI能够引起受损半球内负责运动学习的基本神经机制的可塑性变化[9]。具体而言，MI任务激活的区域与实际运动时激活的区域相似，这些区域在MI过程中会导致脑血流量显著增加[10],[11]。MI-BCI通过神经假体设备实现功能补偿，并通过海伯学习（Hebbian plasticity）驱动的皮质重组来促进运动恢复，从而帮助ICH患者康复。它通过解码运动意图来控制辅助工具（如机械外骨骼），并通过反复的运动想象训练促进感觉运动回路的重塑[12]。
MI-BCI利用多种技术收集的脑电数据。根据记录神经信号的方式，它们可分为侵入性和非侵入性系统。非侵入性系统（包括脑电图（EEG）、脑磁图、功能性磁共振成像和功能性近红外光谱）在临床应用中更为常见，因为它们更安全、更易被患者接受[13],[14]。与其他方法相比，EEG因其高时间分辨率、便携性和低成本而得到更广泛应用。
尽管大多数基于EEG的MI-BCI系统表现良好，但由于信号噪声和冗余，其效率可能会受到影响[15],[16]。此外，由于需要使用大量通道，设置过程较长，这可能会降低患者的信心和积极性，从而影响系统的可用性并延缓康复进程。因此，选择最少但仍能保证准确性的通道可以提高效率和可用性。然而，手动选择合适的通道往往效果不佳[15]，这促使人们开发了基于互信息和F分数等方法的通道选择算法[17],[18]。此外，EEG信号本身复杂且多变。需要注意的是，由于脑损伤、认知障碍和年龄等因素，ICH患者的MI-BCI数据与健康受试者的数据可能存在显著差异[19],[20]，这使得ICH患者的通道选择更加具有挑战性。因此，迫切需要开发针对ICH患者的个性化、高可靠性的通道选择方法，以实现准确的解码[21],[22]。
为了解决上述问题，本研究提出了一种基于自适应递归学习框架的通道选择方法，该方法结合了时频域特征，形成了一个综合评估标准，从而为ICH患者提供高效且稳健的MI解码方案，提升了基于EEG的MI-BCI系统的性能。
部分内容摘录
实验结果
如图2所示，与运动感知相关的通道权重较高，表明所采用的通道选择方法与现有的生理知识相符。以一名代表性健康受试者（受试者1）为例，自适应递归通道选择方法保留了20个通道，分别是通道1–16、22–24和26。在患者数据（以受试者18为例）中，保留的通道包括1–12、15、17、19、21、25–26、28
结论
总之，本研究解决了基于EEG的MI BCI在ICH康复临床应用中的一个主要问题，即高密度通道设置的不实用性。我们提出了一种基于自适应递归学习框架的新通道选择方法。该方法整合了不同类型的互补特征（包括全局和局部特征、线性和非线性特征以及均值和方差指标），形成了一个综合评估标准。
作者贡献声明
李胜杰：方法论设计、概念构思。施健：初稿撰写、数据整理。陈丹阳：数据可视化、实验研究。朱峥：指导工作。胡峰：指导工作。姜伟：指导工作。舒凯：指导工作。周勇：指导工作。张平：验证工作。唐周平：撰写、审稿与编辑。
利益冲突声明
作者声明以下可能构成潜在利益冲突的财务利益/个人关系：朱峥受雇于GigaAl公司。其他作者均无相关利益关系。如有其他作者，他们声明自己没有可能影响本文研究的财务利益或个人关系。
致谢
本研究得到了湖北省重大科研项目（项目编号2023BAA005）、中央高校基本科研业务费（项目编号YCJJ20251401）、国家自然科学基金（项目编号92148206、82571528）、武汉市重点研发计划（项目编号2024020702030123）、华中科技大学（项目编号2024JCYJ044）以及同济医院科研基金（项目编号2022ZHFY01）的支持。
