《Journal of Neuroscience Methods》:A scalable EEG-based spatial neglect detection system in augmented reality for stroke patients
编辑推荐:
为解决脑卒中后空间忽视(Spatial Neglect)传统纸笔测试主观性强、难以捕捉动态神经状态等问题,研究者开发AREEN系统,结合增强现实(AR)与脑电图(EEG),通过机器学习模型实现跨个体泛化检测,准确率达76%,为临床康复提供客观神经指标。
研究背景:当大脑“遗忘”了一半世界
脑卒中(Stroke)作为全球致残的主要原因之一,常引发空间忽视(Spatial Neglect)——一种患者对病灶对侧空间视而不见或无法转移注意力的神经功能障碍。这种“半侧世界的沉默”不仅延长住院时间、增加跌倒风险,更阻碍运动功能恢复。传统诊断依赖行为注意力测验(Behavioral Inattention Test, BIT-C)等纸笔测试,但其评分主观、易受肢体运动障碍干扰,且难以区分“行为代偿”与真正的神经功能恢复。
近年来,虚拟现实(VR)与增强现实(AR)技术虽为评估带来新思路,却仍局限于行为终点,无法揭示背后的神经机制。而脑电图(EEG)作为一种非侵入、便携且时间分辨率高的神经成像工具,能捕捉传统方法遗漏的神经可塑性变化。为此,匹兹堡大学团队开发了AREEN(Augmented Reality EEG-based Neglect detection system):一套融合AR头显与16通道EEG的检测系统,旨在将“静态行为观察”升级为“动态神经解码”。
关键技术方法概览
研究纳入21例脑卒中患者(11例伴忽视SN,10例无忽视WSN),基于BIT-C与临床评估分组。通过AR头显呈现“星夜任务”(Starry Night Task),采集EEG信号(电极覆盖额-顶叶关键区),经带通滤波(2–62 Hz)、伪迹剔除(ICLabel成分分析)预处理后,提取δ(1–3.9 Hz)、θ(4–6.9 Hz)、α(7–13.9 Hz)、β(14–29.9 Hz)、γ(30–40 Hz)频段功率,计算病灶侧vs非病灶侧的归一化功率比。采用Wilcoxon检验筛选显著电极-频段特征,对比逻辑回归、线性判别分析(LDA)、随机森林与提升树(Boosted Tree)四种模型,通过留一被试交叉验证评估泛化能力。
研究结果:神经特征与模型的碰撞
3.1 忽视患者对侧目标反应呈现单侧化激活
EEG地形图显示,忽视组(SN)在对侧目标刺激下,低频段(δ、θ)左额顶区(如FC4)功率轻度升高,高频段(α–γ)左顶叶(CP3、P1)与Fz功率显著上升;而非忽视组(WSN)则表现为双侧中央-枕区激活。这表明忽视组的神经反应被“锁”在未受损半球,印证了半球间抑制失衡假说——未受损半球的过度活跃抑制了对侧区域功能,导致对侧空间信息处理失效。
3.2 提升树模型实现最优分类性能
从80个电极-频段组合中筛选出61个显著特征输入模型。提升树模型(196层,学习率0.099)表现最佳:忽视组平均准确率76.0%(组内90.9%患者分类正确),非忽视组68.2%(组内80.0%正确)。统计检验显示其准确率显著高于其他模型(p<0.05),且超越随机水平(50%)。个别低分案例(如SN115因触碰电极引入噪声)提示实操中需优化设备耐受性。
3.3 患者认可系统可用性
通过后研究系统可用性问卷(PSSUQ)评估用户体验,各项平均分1.54(1为强烈满意,7为强烈不满),其中“高效完成任务”获最高满意度(1.22分)。这为AREEN未来作为长期康复工具的落地打下基础。
结论与展望:从诊断到实时神经调控
本研究证明,AREEN系统借助AR-EEG范式与机器学习,能有效区分脑卒中后空间忽视患者,且具备良好的跨个体泛化能力。其核心突破在于将“行为依赖”的诊断转化为“神经驱动”的客观检测,解决了传统方法的主观性与动态性缺失问题。
然而,样本量较小(右半球损伤为主)、电极数有限(16通道)等局限仍需后续拓展——未来需纳入更多左半球病例,结合眼动追踪等多模态数据提升鲁棒性,并将任务延伸至三维空间及听觉、触觉等忽视亚型检测。更长远的目标是将AREEN发展为闭环神经反馈系统:实时解码EEG信号,在患者漏掉对侧目标时通过AR提示触发“注意再平衡”,真正实现从“检测工具”到“康复伙伴”的跨越。
(论文发表于《Journal of Neuroscience Methods》,作者:Jennifer Mak等,单位:美国匹兹堡大学生物工程系)