基于Wasserstein度量驱动迁移学习的混合EEG-fNIRS脑机接口在脑出血康复中的应用研究

这篇研究开创性地提出了一种融合脑电图(EEG)和功能近红外光谱(fNIRS)的混合脑机接口(BCI)系统，通过Wasserstein度量驱动的源域选择方法，量化了17名正常受试者与13名脑出血(ICH)患者间的神经分布差异。该系统在患者数据上达到74.87%的平均分类准确率，并在两个公开数据集上分别将基线准确率提升至82.30%和87.24%，首次建立了具有临床可行性的ICH康复多模态分析方案。

　　

引言

脑卒中作为全球长期残疾的首要病因，其中脑出血(ICH)占病例的6.5-19.6%，却导致超过40%的卒中相关死亡。传统康复手段对ICH后上肢运动功能恢复效果有限，而基于运动想象(MI)的脑机接口技术展现出突破性潜力。现有单模态BCI面临跨受试者泛化的关键瓶颈，本研究通过整合EEG的毫秒级时间分辨率与fNIRS的血流动力学空间特异性，构建了首个针对ICH康复的临床级多模态分析框架。

神经激活模式分析

通过对比健康组与ICH患者在MI任务中的时间-频率特征，发现健康受试者在指令提示阶段出现显著α波段事件相关去同步化(ERD)，而患者组则表现为感觉运动皮层激活模式紊乱。临床评估显示，患者患侧上肢Fugl-Meyer评分(FMA-UE)与对侧感觉运动皮层的α/β去同步化程度呈正相关。

方法学创新

研究团队开发了Wasserstein度量驱动的源域选择算法，通过计算受试者间神经信号分布的推土机距离(EMD)，结合分类准确率生成信任评分。在私有数据集中，EEG模态优选16号正常受试者作为源域，fNIRS模态优选10号受试者。深度珊瑚网络(Deep CORAL)与深度典型相关分析(DCCA)的联合应用，使跨域特征对齐误差降低9.04%。

性能验证

在包含ICH患者的私有数据集上：

1. 1.

   迁移学习模型将EEGBase Net(66.24%)和fNIRSBase Net(67.09%)的准确率提升至74.87%

2. 2.

   正常组与患者组的性能差异从4.66%缩小至0.91%

3. 3.

   消融实验证实分模态选择源域策略比共享源域准确率提高5%

在公开数据集验证中：

1. 1.

   MI数据集准确率达82.30%，超越现有Y型网络(76.21%)和p阶多项式融合(pth-PF,77.53%)

2. 2.

   心算(MA)数据集表现更优(87.24%)，证明框架的跨范式适应性

技术实现细节

1. 1.

   硬件配置：定制化集成帽同步采集32导EEG(256Hz)和90导fNIRS(11Hz)，通过E-Prime 3.0实现毫秒级事件标记对齐

2. 2.

   信号处理：EEG采用0.5-50Hz带通滤波，fNIRS基于比尔-朗伯定律计算氧合血红蛋白(HbO)变化

3. 3.

   网络架构：深度可分离卷积模块将参数量减少4倍，自适应平均池化层增强特征鲁棒性

临床意义与展望

该研究首次建立了包含ICH患者的多模态MI数据集，解决了神经康复中个体差异的关键难题。通过量化皮质脊髓束损伤与神经信号畸变的映射关系，为个性化康复方案的制定提供了量化依据。未来工作将聚焦于：

1. 1.

   开发基于fNIRS空间引导的实时神经反馈系统

2. 2.

   探索MI训练诱导的Hebbian可塑性机制

3. 3.

   应对临床应用中涉及的伦理与数据安全问题

创新价值

这项研究标志着多模态BCI技术向临床转化的重要突破：

• •

  时间维度：EEG捕捉毫秒级运动意图信号

• •

  空间维度：fNIRS定位激活脑区解释EEG变化

• •

  算法维度：Wasserstein度量解决神经生理异质性难题

  为卒中康复领域提供了兼具工程创新与临床价值的解决方案。