外骨骼引导的被动运动诱发标准化脑电模式：提升脑机接口在卒中康复中的泛化能力

本研究针对脑机接口(BCI)在卒中康复中因个体差异导致的泛化难题，创新性地采用外骨骼引导被动运动范式。通过对比20名健康受试者和10名卒中患者主动/被动运动的EEG特征，发现被动运动能诱发更强、更一致的慢波电位(ERP)和事件相关去同步(ERD)模式，使深度学习模型EEGNet在跨被试解码中达到86.00%(健康组)和72.63%(卒中组)的准确率，为临床提供无需个体校准的标准化康复方案。

　　

卒中作为全球致残的首要病因，每年导致500万人永久性功能障碍，其中80%患者遗留运动缺陷。传统康复疗法虽有一定效果，但存在人力消耗大、患者依从性差等瓶颈。基于运动想象(MI)的脑机接口(BCI)结合外骨骼技术为康复带来新希望，但面临两大核心挑战：健康人与患者间显著的EEG信号差异，以及患者因认知损伤导致的运动想象能力下降。更关键的是，现有BCI系统严重依赖个体化校准，这种"千人千脑"的特性成为临床推广的"阿喀琉斯之踵"。

为解决这一难题，深圳大学健康科学中心生物医学工程学院联合南方医科大学深圳医院康复医学科的研究团队，在《Journal of NeuroEngineering and Rehabilitation》发表创新研究。团队另辟蹊径，提出"被动运动标准化"的新思路——通过外骨骼精确控制肢体运动轨迹，在消除主动运动变异性的同时，利用本体感觉反馈激活感觉运动网络。这种双管齐下的策略，既规避了患者运动执行障碍，又为BCI系统提供了稳定的神经信号源。

研究采用多模态神经电生理技术结合机器学习算法，主要技术路线包括：1) 设计主动/被动运动的对照实验范式，采集30名受试者(20名健康人、10名卒中患者)的64导联EEG数据；2) 应用时域分析提取慢波电位(ERP)，时频分析量化μ(8-13Hz)和β(15-28Hz)频段的事件相关去同步/同步(ERD/ERS)；3) 对比传统算法CSP与深度学习模型EEGNet在组内和跨被试解码中的表现。

研究结果揭示三大重要发现：

时间域分析显示被动运动诱发更稳定的神经响应。健康人被动运动时，对侧运动皮层(Cc)出现显著负向慢波(-7.29±4.51μV)，幅度是主动运动(0.87±11.50μV)的8.4倍，且标准差降低61%。卒中患者更呈现戏剧性对比：患侧主动运动时EEG紊乱，但被动运动能恢复接近健康人的电位模式(-6.48±5.89μV)，证实外骨骼可"绕过"损伤的运动通路，直接激活保留的感觉整合网络。

时频分析发现跨频段耦合现象。被动运动在θ(3-7Hz)频段诱发前额叶显著同步(FCz通道2.10±1.68dB)，而μ和β频段在运动执行期呈现双侧ERD(μ频段Cc:-1.14±0.97dB)。特别值得注意的是，卒中患者患侧主动运动时μ/β振荡消失，但被动运动仍能诱发接近正常的ERD模式(β频段Cc:-0.37±0.37dB)，提示感觉反馈可能通过非典型神经通路实现运动编码。

机器学习验证范式优越性。EEGNet在被动运动范式下实现突破性性能：区分卒中患者患侧/健侧运动的准确率达84.19%，跨被试解码更达72.63%，较主动运动提升28%。这种"训练即用"的特性，解决了传统BCI需要反复校准的核心痛点。

讨论部分深入阐释了神经机制与临床价值的双重意义。在理论层面，被动运动诱发的慢波电位可能反映不同于主动运动MRCP的神经基质——前者更依赖后顶叶-前运动皮层的"观察-执行"环路，后者则涉及初级运动皮层的下行传导通路。这种神经可塑性为严重运动障碍患者提供了替代性康复路径。临床转化方面，研究首创的"外骨骼调制-EEG解码"闭环框架，将设备依赖型康复转化为神经驱动型干预，为建立标准化、可推广的临床方案奠定基础。

该研究的创新性体现在三个方面：方法学上首次系统比较主动/被动运动的EEG特征差异；技术上证实深度学习可突破跨被试解码瓶颈；临床上提出"被动先行，主动跟进"的阶梯式康复新策略。未来研究可探索外骨骼参数(如运动速度、力度)与神经响应的剂量效应，以及结合经颅电刺激等神经调控技术，进一步优化康复疗效。