基于多模态EEG-fNIRS的单一上肢多关节运动想象解码数据集构建与验证

为解决运动想象脑机接口(MI-BCI)中多关节控制不直观的问题，北京工业大学等团队构建了首个包含手、腕、肘、肩8种动作的EEG-fNIRS多模态数据集（5760 trials），通过时间-频率分析和深度学习验证了数据有效性（最高分类准确率65.49%），为开发高维度自然控制BCI系统提供基准。

　　

运动想象脑机接口的瓶颈与突破
当前脑机接口技术面临的核心矛盾在于：传统基于简单肢体（如左右手）运动想象(Motor Imagery, MI)的范式，与复杂设备控制需求之间存在认知鸿沟。想象左脚运动来控制光标上移这类反直觉操作，不仅降低用户体验，更限制了高维度控制场景的应用。这种"神经信号-控制指令"的错配现象，在需要精细动作的上肢康复机器人、智能假肢等领域尤为突出。

多关节解码的生物学基础
运动皮层的体感拓扑分布(somatotopic organization)为这一难题提供了解决思路：不同关节运动激活的脑区在空间上存在可区分的分布模式。例如手部运动主要激活外侧运动区，而肩部运动更偏向内侧。这种神经编码特性理论上允许通过解码特定脑区活动来区分同一肢体的不同关节运动。然而现有公开数据集仅涵盖手、腕等局部关节，缺乏完整上肢运动想象数据，严重制约了相关算法开发。

北京工业大学联合北京机械装备研究所的科研团队在《Scientific Data》发表了突破性解决方案。该研究首次构建了覆盖手部开合、腕屈伸/外展内收、肘屈伸/旋前旋后、肩屈伸/外展内收/旋前旋后等8种动作的同步脑电图(Electroencephalography, EEG)-功能性近红外光谱(functional Near-Infrared Spectroscopy, fNIRS)多模态数据集。通过18名受试者5760次试验的系统验证，证实了该数据集在神经激活模式和解码性能上的双重有效性，为开发自然直观的高维BCI系统建立了新基准。

关键技术方法
研究采用64导联EEG（1000Hz采样）与24通道fNIRS（7.8125Hz）同步采集系统，通过国际10-5系统布置传感器。EEG预处理采用共平均参考(CAR)和4-40Hz带通滤波；fNIRS通过修正比尔-朗伯定律计算氧合血红蛋白(HbO)浓度变化。验证阶段结合事件相关谱扰动(ERSP)分析和ShallowConvNet深度学习模型，采用白噪声增强的数据扩增策略进行5折交叉验证。

神经激活特征验证
通过时间-频率分析发现，所有MI任务在C3电极（对应右侧上肢运动区）均呈现典型的α(8-13Hz)和β(13-30Hz)频段事件相关去同步化(ERD)现象。拓扑图显示手部任务在左半球运动区ERD最强（α频段功率下降40%），而肩部任务激活较弱且更分散。fNIRS数据显示HbO浓度在运动想象后4-6秒达到峰值，手部任务的HbO增幅较肩部高15%，印证了运动皮层体感拓扑分布特性。

多模态解码性能
在28组两两分类任务中，EEG数据的手-肩动作区分准确率最高（65.49%），而解剖邻近的腕-肘任务准确率最低（52.22%）。fNIRS数据呈现相似规律，手-肩分类达61.87%准确率，验证了空间距离与解码难度的负相关关系。值得注意的是，fNIRS在肘旋前旋后与肩屈伸的分类中表现出3.2%的性能优势，提示血流动力学信号对旋转类动作的特异性编码。

范式创新与局限
该研究首次在实验范式中引入关节旋转维度（如肘/肩旋前旋后），通过视频提示确保动作标准性。但结果也揭示相邻关节（如腕-肘）解码性能仍待提升，可能与当前fNIRS通道密度不足有关。作者建议未来研究可结合高密度EEG-多波长fNIRS系统，并探索基于注意力机制(attention mechanism)的时空特征融合算法。

临床转化前景
这套包含完整上肢运动想象的开放数据集，为开发新一代康复BCI系统提供了关键基础设施。特别对于中风后上肢功能障碍患者，基于多关节解码的BCI可实现从简单抓握到复杂操作的自然映射，有望突破现有康复机器人"动作-想象"不匹配的瓶颈。研究团队已公开全部原始数据和预处理代码，推动领域内算法开发的标准化比较。

这项工作的里程碑意义在于：首次系统证实了多模态神经信号对复杂上肢运动的解码可行性，为建立符合人体运动直觉的高维BCI控制范式奠定了实证基础。随着解码算法的持续优化，未来或可实现"所想即所动"的真正自然控制，重塑神经康复领域的技术格局。