基于EEG微状态分析的急性脑卒中患者左右手运动想象分类研究

本研究针对急性脑卒中患者运动想象（MI）解码难题，通过EEG微状态（A、B、C、D）时空特征分析，首次揭示了左右手MI任务中微状态A（听觉网络相关）与C（默认模式网络相关）参数的显著差异，并构建KNN分类模型（准确率75.00%）。该成果为脑机接口（BCI）系统优化提供了新视角，对理解卒中后脑网络重组机制具有重要意义。

　　

研究背景
脑卒中作为成人致残的首要原因，每年导致数百万人运动功能受损。传统康复手段效果有限，而基于运动想象（Motor Imagery, MI）的脑机接口（Brain-Computer Interface, BCI）技术为功能重建带来曙光。然而，急性期卒中患者因脑网络剧烈重组，其左右手MI的神经动态特征尚未明确。现有研究多聚焦健康人群或慢性期患者，且依赖单通道EEG分析，难以捕捉全脑网络时空变化。这一空白严重制约了BCI系统在急性期的精准应用。

研究设计与方法
新乡医学院团队在《Journal of NeuroEngineering and Rehabilitation》发表的研究，创新性采用EEG微状态（EEG microstate）分析技术，对14例急性卒中患者（发病4.14±3.96小时）的左右手MI任务进行解码。研究通过29导联EEG采集数据，经预处理后提取微状态A、B、C、D的持续时间（Duration）、出现频率（Occurrence）、覆盖率（Coverage）及转移概率（Transition Probability, TP）等特征，并构建LDA、SVM和KNN分类模型。

关键技术

1. 微状态聚类：通过改进k-means算法识别4类微状态（GEV>70%）
2. 时空特征提取：计算Duration、Occurrence、Coverage及TP等9项参数
3. 机器学习建模：采用10折交叉验证评估LDA/SVM/KNN性能

研究结果

1. EEG微状态地形图
TANOVA分析显示左右手MI的微状态拓扑无差异，但微状态A的全局解释方差（GEV）在左手MI中显著更高（Cohen's d=0.735, P_fdr=0.034），微状态C则相反（d=-0.996, P_fdr=0.012）。

2. 微状态时间参数

• 微状态A：左手MI中Duration延长（79.04±10.96 vs 73.20±11.44 ms, P_fdr=0.032）、Occurrence升高（2.80±0.82 vs 2.59±0.89 Hz, P_fdr=0.018）
• 微状态C：右手MI中Coverage增加（29.18±7.82% vs 23.35±6.41%, P_fdr=0.004）
• 转移概率：B→A（左手MI更高, P_fdr=0.04）、D→C（右手MI更高, P_fdr=0.006）

3. 机器学习分类
KNN模型表现最优（ACC=75.00±7.94%），Fisher分析显示微状态C的Occurrence最具判别力（权重0.53）。

结论与意义
该研究首次揭示急性卒中患者左右手MI存在微状态级联差异：左手MI依赖听觉网络（微状态A）的增强，可能反映损伤后跨半球代偿机制；右手MI则与默认模式网络（微状态C）激活相关，提示病理状态下场景模拟的神经重组特征。这些发现不仅为BCI系统提供了可解释的生物标志物（如微状态C Occurrence），更开创了通过微状态动态监测卒中康复进程的新范式。未来扩大样本量并结合fMRI等多模态验证，有望推动个体化神经调控策略的发展。