编辑推荐：
为解决 EEG 研究中数据复杂、分析方法不统一及信号分类困难等问题，研究人员开展将深度学习与源定位结合分类运动执行和运动想象任务的研究。结果表明该方法大幅提升分类精度，对脑机接口（BCI）和神经康复意义重大。
在科技飞速发展的当下，人类对大脑奥秘的探索从未停止。脑电图（EEG）作为研究大脑功能的重要工具，为脑机接口（BCI）的发展提供了关键支持，尤其为患有严重神经肌肉疾病，如肌萎缩侧索硬化、脑干中风和脊髓损伤的患者带来了新的希望，它能为这些患者提供非肌肉的通信渠道。然而，EEG 研究面临诸多挑战。一方面，神经生理数据极为复杂，缺乏标准化的分析方法，使得研究难以统一和深入；另一方面，EEG 信号固有噪声大、空间分辨率低且具有非平稳性，这让单试次 EEG 分类困难重重。因此，如何提高 EEG 信号的分类精度，更好地解码大脑运动相关信息，成为科研人员亟待攻克的难题。
为了突破这些困境，来自国外的研究人员展开了一项极具意义的研究。他们致力于将深度学习与源定位技术相结合，对运动执行（Motor Execution，ME）和运动想象（Motor Imagery，MI）这两种运动任务类型进行分类研究。最终，研究取得了令人瞩目的成果，该研究成果发表在《Biomedical Engineering Advances》上。这一研究成果对于推动脑机接口技术的发展，以及改善神经康复治疗效果具有重要意义，为相关领域的进一步研究奠定了坚实基础。
在研究过程中，研究人员运用了多种关键技术方法。他们使用了两个 EEG 数据集，一个包含 10 名右利手受试者执行 6 种抓握任务的记录，另一个是 9 名受试者进行 4 种运动想象任务的记录。在数据处理上，采用了先进的源定位技术，如最小范数估计（MNE）、偶极子拟合（Dipole Fitting）和波束形成（Beamforming），以提高 EEG 信号的空间分辨率。同时，开发了定制的残差网络卷积神经网络（ResNet CNN）对提取的特征进行分类。
下面来看具体的研究结果：
- 四分类 EEG 分类中源定位方法的性能：研究对比了波束形成、MNE 和偶极子拟合等源定位技术结合 ResNetCNN 模型与传统传感器域方法的分类性能。结果显示，波束形成源定位的模型表现最为出色，在不同受试者上的分类准确率高达 94.10% - 99.66%，平均准确率达到 99.15%，远超多数传感器域方法。MNE 和偶极子拟合也有一定提升，但效果不如波束形成。这表明波束形成能更有效地隔离相关 EEG 信号，提高空间分辨率，进而提升分类精度。
- 源定位方法集成到深度 ResNet 在抓握分类任务中的性能：在抓握分类任务中，未使用源定位技术时，定制 ResNet CNN 的分类准确率在 44.44% - 76.11% 之间，受个体差异影响较大。而使用源定位技术后，分类性能显著提升。其中，波束形成效果最佳，准确率可达 84.03% - 89.58%，平均准确率为 90.83%；MNE 和偶极子拟合也分别取得了 84.10% 和 81.32% 的准确率。这充分说明源定位技术能够有效增强 EEG 数据的空间分辨率，提高抓握任务的分类准确性。
研究结论和讨论部分指出，该研究成功将深度学习与源定位技术相结合，显著提升了 EEG 信号的分类性能。在四分类运动想象任务和六分类抓握任务中，波束形成技术均展现出卓越的效果，大幅超越传感器域方法。这一成果不仅加深了人们对大脑运动相关神经机制的理解，还为脑机接口和神经康复领域提供了更精准、可靠的技术支持，具有重要的临床应用价值和科研意义。然而，研究也存在一些局限性，如数据集规模较小可能影响模型的泛化能力，源定位和深度学习模型的计算复杂度较高，在实际应用中面临实时性挑战，且受试者间的差异和 EEG 噪声会对波束形成性能产生一定影响。未来的研究可针对这些问题进一步探索，例如扩大数据集规模，优化模型算法以降低计算复杂度，以及结合更多的生理信号模态（如肌电图 EMG 或功能近红外光谱 fNIRS）来提高运动任务分类的准确性和系统的可靠性。
