面向前瞻性外骨骼踝关节控制的fNIRS踝运动离线与模拟在线解码：健康成人及踝关节损伤患者的初步研究

《Frontiers in Neuroergonomics》：Offline and simulated-online fNIRS decoding of ankle movements for prospective exo-ankle control: a pilot study in healthy adults and ankle-impaired patients

　　

本研究开发并评估了一种无创脑机接口（brain–computer interface, BCI）框架，该框架解码来自运动皮层（motor cortex）的功能性近红外光谱（functional near-infrared spectroscopy, fNIRS）信号，以生成离线与模拟在线外骨骼踝关节（exo-ankle）控制命令，作为迈向未来前瞻性外骨骼踝关节控制的概念验证步骤。研究人员使用基于PsychoPy的休息、背屈和跖屈范式，从20名健康参与者和7名踝运动损伤患者中记录fNIRS数据。遵循文献，在预处理之后，研究人员对六种统计特征与四种分类器的不同组合进行了评估，即线性判别分析（linear discriminant analysis, LDA）、二次判别分析（quadratic discriminant analysis, QDA）、支持向量机（support vector machine, SVM）和k近邻（k-nearest neighbor, kNN）。在20名健康参与者的留一受试者交叉验证（leave-one-subject-out, LOSO）下，SVM取得平均离线分类准确率72.50% ± 13.8%，其次为kNN（65.83% ± 13.5%）、LDA（63.75% ± 16.1%）和QDA（60.42% ± 17.7%）。Friedman检验表明分类器间总体差异显著（p = 0.0311）。模拟在线实现使用SVM与滑动窗口方法，步长为0.5、1和1.5 s，并在参与者特异留一试验交叉验证下进行。结果显示，在1.5-s步长时最高平均准确率为62.2% ± 14.1%。患者组使用SVM在留一试验交叉验证下显示较低平均准确率57.23% ± 5%。总之，这些离线与模拟在线结果确立了基于fNIRS的外骨骼踝关节控制的概念验证可行性，为未来前瞻性康复应用提供了基础。

论文主体解读

研究背景与问题：人类日常活动受事故、自然灾害、卒中或慢性疾病等因素影响。严重肌肉骨骼疾病影响全球约四分之一成人，常损害移动能力。外骨骼作为外部穿戴辅助设备，可增强运动并降低高要求任务损伤风险。踝关节在支撑、移动、前推和减震中重要，主要承担负重和促进移动。约20%澳大利亚成人有踝相关问题，美国每天约25,000人因踝问题求助。站立和行走困难是衰老、创伤、事故和损伤的主要影响；超过63%卒中幸存者有运动与认知缺陷，30%–36%不能无设备行走。失去独立性导致社会参与困难及心理健康问题；脑损伤者可有瘫痪、代偿运动和不对称步态。外骨骼可用于辅助和治疗。被动外骨骼使用机械弹簧或关节，主动外骨骼使用电机或电池。踝外骨骼发展包括踝足矫形器（ankle foot orthosis, AFO），后由肌电（electromyography, EMG）线性包络控制。与EMG和脑电（electroencephalography, EEG）并列，功能性近红外光谱（functional near-infrared spectroscopy, fNIRS）作为脑机接口（brain–computer interface, BCI）新兴模态，测量氧合血红蛋白（oxygenated hemoglobin, Hb_O）和脱氧血红蛋白（deoxygenated hemoglobin, Hb_R）变化；其优点是移动、安全、低噪声、易用，且比EEG更不易受电噪声影响。上肢运动控制研究较多，下肢较少，因下肢运动复杂。近期研究表明fNIRS可增进对下肢运动功能理解，并用于控制髋膝、分类运动任务、区分慢性踝患者与健康者等。但下肢应用尤其踝运动的有效控制方法仍不足，既往较少针对背屈和跖屈等步态相位优化控制策略，且缺少患者参与。因此，研究人员旨在用分类数据生成前瞻性外骨骼踝控制命令，并通过离线分类与模拟在线回放评估。

研究开展、结论与意义：研究人员开发并评估无创BCI框架，解码运动皮层（motor cortex, M1）fNIRS信号，生成离线与模拟在线外骨骼踝控制命令，作为未来前瞻性外骨骼踝控制的概念验证。样本包括20名健康参与者和7名踝运动损伤患者，采用休息、背屈、跖屈范式。比较六统计特征组合和四种分类器，在健康组留一受试者交叉验证（leave-one-subject-out, LOSO）下，SVM最高72.50% ± 13.8%，其次kNN65.83% ± 13.5%、LDA63.75% ± 16.1%、QDA60.42% ± 17.7%，Friedman检验显著（p=0.0311）。模拟在线使用SVM滑窗，步长0.5、1、1.5 s，在参与者特异留一试验交叉验证下，1.5 s最高62.2% ± 14.1%。患者组SVM留一试验交叉验证平均57.23% ± 5%。这些离线与模拟在线结果确立基于fNIRS外骨骼踝控制的概念验证可行性，为未来前瞻性康复应用提供基础。

主要关键技术方法：样本队列来自健康成人（n=20；10男10女；23±3岁）和临床确认踝运动损伤患者（n=7；4男3女；61±12岁；Berg平衡评分≥40；含糖尿病神经病变、左偏瘫和踝不稳定）。采用NIRSport2系统，20通道8×8光极覆盖对侧运动皮层，采样率10.1725 Hz，波长760和850 nm，源探距3 cm。以PsychoPy设计休息、背屈、跖屈范式。预处理用修正Beer–Lambert定律（modified Beer–Lambert law, MBLL）得到ΔC_HbO(t)和ΔC_HbR(t)，0.01–0.30 Hz四阶Butterworth零相位滤波，标签前移3 s，基线z-score。提取均值、方差、偏度、峰度、峰值、斜率六特征；比较LDA、QDA、SVM、kNN，采用LOSO和LOTO，并用滑动窗进行模拟在线分析。

研究结果：
5.1 特征组合比较：以SVM为主分类器，在健康参与者中比较两至六特征组合。六特征组合（峰值、均值、方差、偏度、峰度、斜率）准确率最高72.5%；五特征71.6%，四特征70.1%。含偏度组合准确率较低，含斜率组合较高。
5.2 分类器比较：
5.2.1 准确率：在20名健康参与者LOSO下，SVM最高72.50%，kNN65.83%，LDA63.75%，QDA60.42%；均超多数类基线50.0%，平衡准确55.00%–68.06%，三分类机会33.3%。随机10折曾达93.13%，与LOSO相差20.6百分点。Friedman检验显著（p=0.0311，Kendall's W=0.143）；Bonferroni校正后无配对显著，SVM vs LDA为p=0.0087，略高于0.0083。置换检验机会准确率LDA34.9%、SVM37.0%、kNN45.5%、QDA34.1%，四者均超各自机会分布（p<0.002）。
5.2.2 混淆矩阵：所有分类器休息与运动区分比两个运动方向之间更可靠。
5.2.3 精确率：加权精确率SVM0.72、LDA0.65、QDA0.64、kNN0.62。
5.2.4 召回率：加权召回率SVM0.73、kNN0.65、LDA0.63、QDA0.60。
5.2.5 F1分数：加权F1 SVM0.72、LDA0.64、kNN0.62、QDA0.62；宏F1 SVM0.68、LDA0.59、kNN0.54、QDA0.55。
5.3 模拟在线：预制外骨骼踝含步进电机0.8°/步、重0.5 kg、齿轮、伺服电机和力敏电阻（force sensing resistor, FSR），可作动力辅助踝机器人（power-assisted ankle robot, PAAR）或摆动控制踝机器人（swing-controlled ankle robot, SCAR）。滑窗25点约2.5 s，步长0.5、1、1.5 s，重叠80%、60%、40%，采用参与者特异留一试验交叉验证。准确率分别为60.8%±12.1、61.6%±12.5、62.2%±14.1，1.5 s最高；参与者13在全部步长低于三分类机会23%–27%。
5.4 患者组结果：使用SVM和六特征，在留一试验交叉验证下平均57.23%±5。原文指出健康与患者队列在年龄、运动块时长、诊断和既往设备暴露方面系统不同，患者由外骨骼辅助而健康者无辅助，因此准确率差距不能归因单一原因。

讨论部分总结：研究呈现面向未来外骨骼踝控制的离线与模拟在线fNIRS解码，识别最佳特征组合和机器学习算法，并测试模拟在线窗步长，遵循BCI数据采集、预处理、特征提取、分类和应用步骤，针对休息、背屈和跖屈三状态。与既往研究相比，一些fNIRS研究报告更高准确率，但多采用观测级k折划分；本研究在LOSO下最高72.50%，应视为更严格验证下的保守估计而非较差解码。研究用网格搜索和LOSO减少过拟合与数据泄漏，并综合准确率、F1、召回率和精确率评价。患者组准确率受外骨骼辅助、年龄较大、较长运动块、无设备暴露、小样本和诊断异质性等多因素影响；左偏瘫患者个体准确率倾向较高。窗口方面，既往建议2–7 s和10–15 s窗口，本研究考察滑动窗重叠，准确率跨步长稳定，随重叠减少略升，1.5 s最佳。个别参与者低准确可能反映光极-头皮耦合、任务中运动或血流动力学反应低，而非处理错误。局限包括设备仅离线记录不能实时实现、仅实验室模拟在线、仅用机器学习、三分类未覆盖完整步态周期；未来可发展实时硬件在环、深度学习、EEG/EMG混合BCI和更多踝状态。关键局限是8×8光极未覆盖Cz和FCz，不能确认分类信号特异来自下肢M1，可能反映邻近皮层、系统生理或运动相关来源；因此研究将结果表述为概念验证可行性，而非确认下肢运动皮层解码或临床验证，并建议未来覆盖Cz/FCz、采用更大样本和多中心比较。

研究结论翻译：本研究提出一种离线与模拟在线fNIRS解码方法，用于前瞻性外骨骼踝控制，作为未来康复应用的可行性步骤。研究人员获取三种踝状态脑信号：背屈、跖屈和休息。分析均值、峰值、方差、偏度、峰度和斜率六种统计量作为特征，并在LOSO交叉验证下比较四种分类器（LDA、QDA、SVM和kNN）。SVM达到最高准确率72.50%，相比之下kNN为65.83%，LDA为63.75%，QDA为60.42%，多数类基线为50.0%。Friedman检验表明分类器间总体差异显著（p=0.0311）。患者组在留一试验交叉验证（leave-one-trial-out, LOTO）下使用SVM单独评估，平均分类准确率为57.23%±5.0%。模拟在线实现采用滑动窗口方法，在参与者特异留一试验验证下使用SVM，步长介于0.5和1.5 s之间。准确率随步长增加而增加，在1.5-s步长时最高为62.2。这些发现证明在参与者独立验证下基于fNIRS的踝运动解码可行性，并为未来闭环外骨骼踝控制工作提供保守基线。