编辑推荐：
为解决脑卒中患者下肢 MI 研究缺乏高质量数据集的问题，天津环湖医院的研究人员开展多范式纵向下肢 MI 数据集研究。结果显示数据集可靠，分类准确率达 80.50%。推荐科研读者阅读，助力脑卒中康复科研突破。
在全球范围内，每年都有大量的人遭受着脑卒中（俗称 “中风”）的折磨。据统计，每年新增脑卒中病例超过 1220 万。脑卒中带来的诸多后遗症里，运动功能障碍最为突出，严重影响患者的生活。尤其是下肢运动功能受损，让患者失去了行动的自由，难以独立生活和参与社会活动。恢复下肢运动功能，成为了脑卒中患者最迫切的需求。
脑机接口（Brain - Computer Interface，BCI）技术的出现，为脑卒中康复带来了新的希望。基于 BCI 的运动想象（Motor Imagery，MI）技术，就像一把神奇的钥匙，能够激活大脑中与运动相关的区域，帮助患者恢复运动功能。近年来，这项技术在脑卒中康复领域得到了越来越广泛的应用。不过，要想让 BCI - MI 系统真正发挥作用，还面临着不少挑战。
其中一个关键问题，就是提高 MI 信号的解码准确率。只有准确识别患者的运动想象意图，BCI - MI 系统才能更好地辅助康复训练。而要实现这一点，高质量的公开数据集必不可少。然而，现有的许多 MI 数据集大多来自健康参与者，对于脑卒中患者来说并不适用。因为脑卒中患者在进行 MI 任务时，神经激活明显比健康人弱，这些数据集无法反映患者的真实情况。
虽然也有一些针对脑卒中患者的数据集，但存在各种问题。比如，与上肢 MI 相比，下肢 MI 的检测难度更大。这是因为下肢 MI 对应的大脑区域位于脑沟深处，特征响应较弱，分类性能较差，数据的有效性大打折扣。而且，目前还缺乏能够反映康复过程的纵向患者 MI 数据集，这对于深入了解神经可塑性机制非常不利。
为了解决这些难题，天津环湖医院的研究人员在《Scientific Data》期刊上发表了一篇名为《Lower limb motor imagery EEG dataset based on the multi - paradigm and longitudinal - training of stroke patients》的论文。通过一系列研究，他们建立了一个高质量、多范式、纵向的下肢 MI 数据集，为脑卒中康复研究提供了重要的数据支持。这一成果意义重大，有望推动脑卒中康复领域的发展，帮助更多患者恢复健康。
研究人员在这项研究中，用到了几个关键的技术方法。首先是数据采集技术，他们使用 NeuSenW 放大器和 64 通道 Ag/AgCl 电极帽，采集脑卒中患者的 EEG（脑电图）数据，采样频率为 1000Hz ，并严格控制电极阻抗低于 10kΩ。其次是数据预处理技术，针对采集到的 EEG 信号弱且存在多种干扰的问题，研究人员进行了一系列预处理，包括下采样、带通滤波、重新参考、手动去除明显运动伪影、利用独立成分分析（ICA）去除眼动和肌电伪影等，确保数据的准确性。最后是数据分析技术，运用事件相关谱扰动（ERSP）分析和分类准确率评估来验证数据的有效性，通过计算 ERSP 值、平均事件相关去同步化（ERD）值，并使用 CSP（共空间模式） - SVM（支持向量机）方法进行分类，评估数据集的质量。
下面我们来详细看看这项研究的结果。
1. 患者基本信息
研究人员从天津环湖医院招募了 27 名处于恢复期的脑卒中患者，其中男性 23 人（占 85%），女性 4 人（占 15%），年龄在 33 - 68 岁之间，平均年龄 51.44 岁。这些患者中，18 人（67%）是右偏瘫，9 人（33%）是左偏瘫。所有患者在充分了解实验流程后，都签署了书面同意书，并且研究也获得了医院伦理委员会的批准。
2. 实验范式
研究设计了五种不同的实验，分别是传统范式的初始评估（Pre）、恒定电刺激范式的初始评估（IES）、步态相位编码顺序电刺激范式的初始评估（SES）、传统范式的治疗后评估（Post）以及传统范式的随访评估（Follow）。每个实验都包含两个任务：步态运动想象任务和静息状态任务。
在传统范式中，患者通过固定的单色圆圈和步态相位文本提示进行任务。IES 范式在传统范式基础上，对患侧腿部施加恒定的电刺激；SES 范式则采用步态相位编码刺激，刺激顺序为：先对腓肠神经进行 1 秒强刺激，接着对两条神经同时进行 0.6 秒强刺激，再对腓浅神经进行 1.8 秒强刺激，最后对两条神经同时进行 1.6 秒弱刺激。这些刺激的目的是增强患者对腿部的注意力。实验时，每个患者至少参与三个范式实验或三个纵向实验，每次实验包含 40 次步态运动想象任务和 40 次静息状态任务，任务随机呈现，每次试验持续约 12 秒。
3. 数据记录与存储
研究人员将收集到的数据存储在 Figshare 存储库中，按照脑成像数据结构（BIDS）进行组织。数据集包含预处理数据、原始数据、额外信息（如患者详细信息、电极位置、EEG 事件标记）以及 MATLAB 脚本代码。预处理数据以‘.set’文件格式存储，文件名包含患者 ID、实验类型和运行编号等信息，使用 EEGLAB 工具箱加载后，可获取 EEG 数据、通道位置信息和事件标记。原始数据同样以‘.set’文件格式存储，命名规则与预处理数据相同，可直接用 EEGLAB 插件加载。代码文件夹中则存放了数据处理和生成结果图的所有脚本和函数。
4. 技术验证
- ERD/ERS 分析：研究人员利用 ERSP 分析来评估 MI 任务。ERSP 能够反映 EEG 频谱功率在时频域内相对于平均事件相关刺激的变化。通过计算多个试验的平均值得到 ERSP 值，研究主要分析 5 - 35Hz 频率范围内， - 1 到 6 秒时间窗口的数据。同时，研究人员还绘制了地形图，量化 MI 任务期间皮质激活的空间分布。计算 40 个通道在任务提示出现后 1 - 6 秒窗口内的平均 ERSP 值，并据此计算 α（8 - 13Hz）和 β（13 - 30Hz）频段的平均 ERD 值。结果发现，在所有实验中，MI 任务开始后不久，感觉运动皮层的 α 和 β 频段就会被激活，而静息任务中则没有明显激活。
- 分类准确率：为了提高分类性能，研究人员将 5 秒的 EEG 数据分成两个 2.5 秒的片段作为独立样本进行特征提取和分类。使用 CSP 方法提取 MI 特征，然后用 SVM 进行分类，并采用 10 折交叉验证。结果显示，Pre、IES、SES、Post 和 Follow 实验的平均解码准确率分别为 78.92%（范式：78.53%，纵向：79.51%）、80.57%、82.41%、80.95% 和 80.52%。与其他关于下肢运动想象的研究相比，该数据集的分类准确率与之相符，证明了数据集的可靠性。
综合来看，这项研究成功建立了首个同时包含下肢 MI、多种增强范式和纵向数据的大规模脑卒中患者 MI 数据集。通过技术验证，发现该数据集能够有效反映患者在 MI 任务中的大脑活动变化，分类准确率也达到了一定水平。这一成果对于研究脑卒中患者的大脑神经可塑性机制具有重要意义，为下肢脑卒中解码算法的开发提供了数据基础，也有助于建立更完善的脑卒中康复系统。
不过，研究也存在一些局限性。比如，部分患者由于个人偏好或疾病因素，没有完成所有实验任务，一些患者的信息也存在缺失。而且，实验仅收集了患侧腿部的 MI 数据，未涉及健侧腿部。研究人员表示，未来计划收集健侧腿部的 EEG 数据，进一步完善研究。但即便存在这些不足，这项研究仍然为脑卒中康复研究开辟了新的道路，为后续研究提供了宝贵的资源和参考，有望推动该领域取得更多突破，给脑卒中患者带来更多康复的希望。
