基于MEG通道空间同步指数空间分布分析的稳态视觉诱发电位脑机接口性能优化研究

为解决传统滤波组多元同步指数(FBMSI)算法在稳态视觉诱发场(SSVEF)脑机接口(BCI)中易受相邻刺激干扰、空间信息利用不足的问题，韩国标准科学研究院(KRISS)团队提出空间分布分析(SDA)算法，通过计算同步指数(S index)在MEG通道空间的重心坐标(COG-S)，将分类准确率最高提升5.76%，信息传输率(ITR)提高4.87 bits/min。该成果发表于《NeuroImage》，为高密度MEG系统在BCI应用提供了新思路。

　　

在脑机接口(BCI)技术快速发展的今天，基于稳态视觉诱发电位(SSVEP)的系统因其高信噪比和无需训练的优势备受关注。然而，传统脑电图(EEG)技术面临信号衰减、空间分辨率低的瓶颈，而新兴的磁脑图(MEG)技术虽能记录更纯净的神经信号，却缺乏适配其高空间分辨率的专用算法。更棘手的是，当多个视觉刺激同时呈现时，现有算法难以区分目标与非目标频率的微弱差异，这成为制约BCI性能提升的关键难题。

针对这一挑战，韩国标准科学研究院(KRISS)的Ye-Sung Kim团队在《NeuroImage》发表创新研究。研究人员利用头盔式超导量子干涉装置(SQUID-MEG)系统，开发了空间分布分析(Spatial Distribution Analysis, SDA)算法。该算法创造性地将同步指数(S index)的空间分布特征融入分类决策，通过计算S index在141个MEG通道上的重心坐标(Center of Gravity of S index, COG-S)，在信号模糊情况下显著提升分类准确性。研究证实，这种基于神经电生理特性的空间信息挖掘方法，为高密度MEG系统在BCI领域的应用开辟了新途径。

研究采用三项核心技术：首先使用滤波组多元同步指数(FBMSI)算法计算各频段S index值；其次通过预实验确定0.007的模糊阈值，当最高与次高S index差值小于该阈值时，激活SDA算法计算72个外周通道的COG-S坐标；最后结合20名受试者的头盔式SQUID-MEG数据和11名受试者的光泵磁力计(OPM-MEG)数据，采用Wilcoxon符号秩检验评估性能差异。

研究结果部分，3.1章节显示模糊案例的准确率显著低于明确案例(p<0.001)，且短时间窗口(2.5s)模糊案例占比达40%，为SDA算法提供了优化空间。3.2章节的关键数据表明，SDA-FBMSI组合算法在2.5s窗口实现最大提升——分类准确率从基准值82.35%提升至88.11%，ITR从45.23 bits/min增至50.10 bits/min。图8的神经机制分析揭示，正确分类时COG-S_target的y坐标(-0.12±0.03)显著小于错误分类时(-0.08±0.04)，证实了枕叶区空间特征的有效性。

在4.4章节的跨系统验证中，OPM-MEG数据集虽空间分辨率较低，但SDA仍使3s窗口准确率提升6.11%(p<0.05)，证明算法鲁棒性。特别值得注意的是4.5章节的相邻刺激分析：当目标为6号刺激时，SDA使相邻刺激3/5/9的误判率分别降低0.02/0.07/0.05，而目标识别率提升0.15，显示算法能有效抑制空间干扰。

讨论部分深入阐释了SDA的神经机制基础——如图9所示，目标频率S index在枕叶区形成显著峰值(0.78±0.12)，而非目标频率呈现全域均匀分布(0.31±0.08)，这种差异源于初级视觉皮层的定位特性。尽管当前算法在EEG系统应用受限，但作者在4.7章节指出，随着OPM-MEG等便携式系统发展，该技术有望推动BCI在医疗康复等领域的实用化进程。这项研究首次系统论证了空间分布特征在SSVEF-BCI中的决策价值，为开发新一代高精度脑机接口提供了重要方法论支撑。