面向康复与机器人应用的MI与SSVEP脑机接口研究设计与报告：整合双框架、分类学与清单

《Sensors》：An Integrated Dual Framework for the Design and Reporting of MI and SSVEP Brain–Computer Interface Studies

　　

该文提出一个基于运动想象（motor imagery, MI）和稳态视觉诱发电位（steady-state visually evoked potential, SSVEP）范式的脑–计算机接口（brain–computer interfaces, BCIs）框架，重点面向康复与机器人应用。该框架的开发基于对科学文献的综述，旨在寻找康复与机器人研究项目和应用中采用的最佳实践、常见阶段与关键组成部分。该工作的主要结果是一个由20个组件构成的整合双框架，组织为两个主要部分：实验部分和BCI系统部分。实验部分形式化了对于研究有效性至关重要的非技术阶段。BCI系统部分描述了技术架构。此外，基于该框架，研究人员提出了一种用于组织语言的分类学（taxonomy），并提供了一份清单（checklist）作为实用工具，以确保所有要素均被纳入。所提出的整合双框架通过将实验设计与BCI系统的功能组件相结合，提供了一种克服以往模型局限性的结构。其主要贡献在于对研究所有阶段进行形式化，从而促进方法学一致性，并便于纳入伦理考虑和用户特征描述。该结构连同分类学和清单，为研究人员设计和报告BCI研究提供了实用指南；对三项BCI研究的文档评估（documentation assessment）证明了该框架作为实用工具的适用性和价值。这一贡献旨在促进康复与机器人领域中基于MI和SSVEP的脑–计算机接口（BCI）研究的方法学一致性和可比性。

研究背景与问题：脑–计算机接口（brain–computer interfaces, BCIs；通过脑活动实现对外部设备通信与控制的系统）可采集脑电活动并转换为反映用户意图的控制信号。非侵入式BCI多采用脑电图（electroencephalography, EEG；头皮电极记录脑电活动），具有安全、便携和成本较低等特点。运动想象（motor imagery, MI；对运动进行心理模拟）在心理模拟运动时激活感觉运动皮层，稳态视觉诱发电位（steady-state visually evoked potential, SSVEP；对特定频率重复视觉刺激的脑响应）则对重复视觉刺激产生响应。两类范式可用于运动障碍个体的康复和机器人辅助控制。然而，不同技术与方法导致BCI研究设计与文档缺乏结构化报告；既有框架多聚焦信号采集、预处理、特征提取和分类等技术或功能组件，忽视实验设计、伦理考虑和用户特征描述等非技术或非功能要素。因此，研究人员开展本研究，旨在提出涵盖实验全流程与BCI系统技术架构的框架，以促进方法学一致性、可重复性、透明性和可比性。

研究开展与结论意义：研究人员基于文献综述识别最佳实践、常见阶段和关键组件，提出一个由20个组件组成的整合双框架，分为实验部分和BCI系统部分；实验部分形式化非技术阶段，BCI系统部分描述技术架构，并据此提出分类学和清单。结论认为，该框架通过整合实验设计与BCI系统功能组件，克服以往模型局限；其主要贡献是形式化研究所有阶段，促进方法学一致性并纳入伦理与用户特征。分类学和清单为设计与报告提供实用指南，三项BCI研究的文档评估显示其适用性和价值。其意义在于为MI和SSVEP康复与机器人BCI研究提供共同参考模型，支持研究者、临床人员、工程师等协作及未来协调化。

关键技术方法（不超过250字）：本研究采用探索性文献综述，方法学参照Kitchenham指南并依PRISMA声明报告；检索SCOPUS数据库，时间范围为2000年至2026年7月，检索词涵盖“Brain-Computer Interface”“Framework”“Motor Imagery”“SSVEP”“Rehabilitation”“Robotics”等。经纳入排除标准筛选后分析62篇文献（11篇一般框架、11篇SSVEP、40篇MI），识别范式、方法、应用、实验方案、测试与伦理及技术组件等最佳实践，据此构建20组件双框架、分类学和清单；随后以三项BCI研究进行文档评估，并由两名评分者独立应用二值清单，计算观察一致率与Cohen’s Kappa。

研究结果：
3.1 脑–计算机接口整合双框架的示例研究：通过三项示例研究（两项MI、一项SSVEP）展示框架应用。研究1开发低成本MI-BCI机器人引导系统用于辅助手臂康复，说明框架可形式化BCI系统组件和实验过程并指导康复研究文档；研究2实现SSVEP-BCI控制机械臂，显示框架适用于不同BCI范式并可记录技术与实验组件信息；研究3评估BCI控制机器人系统用于手臂和前臂辅助康复的性能与用户体验，强调除技术方面外的人因和用户体验，并评估伦理考虑和实验方案等非技术方面。结论是框架可适用于不同范式并支持实验与技术文档，且强调人因。

3.2 脑–计算机接口整合双框架的分类学与清单：通过从框架提炼分类学和清单，形成统一工具，包含20个组件的标准术语和实用核查步骤。分类学将框架元素按功能类别分组为宏观阶段，组件界定所处理元素，分类学参数提供结构化词汇和需设定与报告的变量，清单将这些参数转化为指导文档过程的实践问题。三项研究中的文档化显示，该分类学和清单是设计和报告BCI研究的有效工具；框架不是简单组件清单，而是可识别研究报告中纳入或遗漏关键元素的结构化指南。

讨论与结论：讨论部分指出，既有BCI框架常侧重技术方面，忽视实验设计和以用户为中心的要素；所提整合双框架在“实验”部分弥补这些空白，包含招募、测试和知情同意等对实验设计与应用关键的元素。该框架为双重且整合的，因为将实验生命周期管理与MI和SSVEP范式的BCI系统技术设计整合，并在每个组件内提供分类学和清单；框架具有灵活性，可纳入新元素、方法或技术。对康复和机器人应用，实验部分组件可评估用户变异性和疲劳、注意力等认知状态以改进训练。为减少循环偏倚并评估客观性，研究人员对三项外部MI和SSVEP机器人/康复研究进行独立评估，这些研究为2024、2025、2026年该领域引用最多文章：Article 1 “Transfer learning for subject-independent motor imagery EEG classification using convolutional relational networks”、Article 2 “A hybrid BCI combining SSVEP and EOG and its application for continuous wheelchair control”、Article 3 “Discriminative Adversarial Network Based on Spatial-Temporal-Graph Fusion for Motor Imagery Recognition”。清单采用是/否二值评分，仅当研究提供足以独立复现该组件的细节时评“是”；“否”不表示方法学缺陷或科学质量低。两名评分者共60个观察，评分者1为39“是”/21“否”，评分者2为30“是”/30“否”；一致观察51/60，观察一致率P_o=0.85；期望一致率P_e=0.5；Cohen’s Kappa K=0.7，表明评分者间一致性。该评估确认清单的分类学和标准可由不同经验水平研究者可靠应用。与IEEE P2731和IEEE P2794等标准相比，既有标准为总体指南，规定应报告什么信息，所提框架为操作工具，指导如何系统设计和报告信息；框架在IEEE P2731功能模型基础上整合人类、认知和实验管理因素，并提供清单、视觉沟通策略和分类学等实用管理工具，以支持与IEEE P2794透明度与可重复性原则一致。与Mason & Birch、TOBI、BNCI Horizon 2020、Graz-BCI等相比，框架增加分步报告清单和20组件全生命周期管理。

研究结论（翻译）：所提出的BCI框架提供了一种结构化、双重且整合的方法，涵盖实验设计以及机器人与康复应用中采用MI和SSVEP范式的BCI应用的功能与非功能组件。通过提供结构化词汇和评估标准，该框架假设了一条通向更可重复应用的路径，为未来BCI研究质量评估奠定基础。以往模型仅涉及功能组件，本文纳入招募、用户特征描述、研究规划、用户体验要素和伦理等非功能组件。该提案的贡献包括实验与BCI系统的整合、实验设置的详细指南、其在康复和机器人中MI和SSVEP范式的具体应用及其对新技术的适应性。框架框图表示工作流程、分类学表结构、组件和设计选择，清单有助于识别BCI应用中关键元素的纳入。分类学为所有基于MI和SSVEP的BCI项目建立一致术语，清单可促进研究间可重复性和可比性。三项BCI研究的文档评估及与其他研究的比较表明，与一般框架及使用MI范式和SSVEP的文章相比，该框架作为实用工具的适用性和价值。需要注意的是，尽管所提出的框架、分类学和清单基于既定临床和工程原则，但其对BCI社区的实际影响仍属假设。当前示例应用证明了可行性，但未提供研究质量改善的经验证据。未来工作应包括定量评估使用该框架记录的研究是否较传统报告方法在可重复性和可比性方面显示统计学显著改善。该文主要贡献是包含功能与非功能组件的整合双框架、面向康复和机器人中基于MI和SSVEP的BCI研究设计与报告的分类学和清单结构、这些特定范式最佳实践的适配以及框架的实践文档评估。