基于高密度脑电与多肌群肌电同步记录的人类抓握运动神经肌肉协同数据集

《Scientific Data》:High-Density EEG and Multi-Muscle EMG Dataset during Object Prehension with a sensorized Grasping Box in Humans

【字体: 大 中 小 】 时间:2026年04月19日 来源:Scientific Data 6.9

编辑推荐:

  本研究针对抓握运动神经控制机制解析缺乏高精度同步数据的问题,利用高密度 EEG(64 导)与 13 个上肢肌肉 EMG 同步记录,结合传感器化抓握盒(Grasping Box)构建了包含三种抓握模式(PG/WH/UG)的数据集。该资源为研究皮层-肌肉耦合、运动控制及脑机接口(BCI)提供了关键数据支撑。

  

当大脑“指挥”手指:解码抓握背后的神经密码

想象一下,你伸手去拿桌上的水杯。这个看似简单的动作,背后却是大脑皮层与手部肌肉之间一场精密的交响乐:视觉信号传入、运动指令发出、手指精准定位、肌肉协同收缩……然而,科学家们至今仍不完全清楚,大脑究竟是如何在毫秒级的时间内,协调这么多块肌肉完成“抓握”这一复杂任务的。其中一个核心瓶颈在于,传统的实验数据往往“各自为政”——要么只记录大脑活动(如脑电),要么只记录肌肉信号(如肌电),缺乏高精度时间同步的神经-肌肉协同数据。
这正是发表于《Scientific Data》的研究《High-Density EEG and Multi-Muscle EMG Dataset during Object Prehension with a sensorized Grasping Box in Humans》旨在解决的问题。该研究发布了一个全新的开源数据集,首次将高密度脑电(64通道 EEG)与13个上肢肌肉的肌电(EMG)在严格的时间同步下进行记录,并利用特制的传感器化抓握盒(Grasping Box),为研究抓握运动的神经控制机制提供了一把关键的“尺子”。

关键技术方法

研究团队招募了14名健康受试者,使用定制化的传感器化抓握盒(Grasping Box)来精确控制实验流程。该装置能自动记录“开始信号”、“物体接触”和“抬起完成”等关键动作事件的时间点(Timestamp),确保了EEG和EMG数据在毫秒级上的精准对齐。实验设计了三种抓握任务:精细捏握(Precision Grip, PG)、全手抓握(Whole-Hand Grasp, WH)和非常规抓握(Unconventional Grip, UG)。每个试次被划分为动态期(伸手、抓握、抬起)和静态维持期(持握),以分别研究瞬态和持续的神经肌肉活动。数据采集使用了64导高密度EEG和覆盖肩、肘、腕、手部的13通道EMG,后续可通过肌肉协同分析(Muscle Synergy)与EEG特征提取,深入挖掘皮层-肌肉耦合(Corticomuscular Coherence)机制。

主要研究结果

1. 多模态同步数据集的构建与验证

研究成功采集了14名受试者在三种抓握任务下的高质量同步数据。传感器化抓握盒的应用,使得“物体接触”等关键事件的时间标记误差显著降低,解决了以往研究中因手动标记或视觉判断带来的时序模糊问题。数据质量检查表明,所有通道的EEG和EMG信号信噪比均满足后续分析要求,为研究抓握运动不同阶段(如预接触、接触后、持握)的神经肌肉动力学提供了可靠基础。

2. 不同抓握模式的神经肌肉特征差异

初步分析显示,三种抓握类型(PG、WH、UG)诱发的EEG事件相关电位(ERP)在顶叶和运动皮层区域存在显著差异。例如,精细捏握(PG)在抓握初期(约-100 ms至0 ms)引发了更强烈的运动准备电位(Readiness Potential),而全手抓握(WH)则伴随着更广泛的手部肌肉协同激活。非常规抓握(UG)由于需要更高的认知控制,在额叶区域观察到了独特的慢波活动。这些结果为解码不同抓握意图的神经表征提供了依据。

3. 动态期与静态期的协同模式转换

通过将 trials 划分为动态期(Dynamic Phase)和静态期(Isometric Phase),研究发现神经肌肉控制策略存在明显的阶段特异性。在动态期(伸手+抓握),EMG信号表现出高变异性,肌肉协同模式以快速调整为主,EEG的β频段(Beta Band)去同步化现象显著;而在静态持握期,肌肉活动趋于稳定,EEG的β频段同步化(Beta Rebound)开始出现,反映了从运动执行到状态维持的皮层控制转换。

4. 肌肉协同与皮层振荡的关联

利用非负矩阵分解(NMF)等方法提取的肌肉协同(Muscle Synergies)表明,抓握运动由少数几个基本协同模式组合而成。这些协同模式的时间激活曲线与EEG特定频段(如μ节律、β节律)的功率变化存在显著相关性,提示皮层振荡可能通过特定的下行通路调节脊髓运动神经元的兴奋性,从而实现高效的肌肉协同控制。

结论与展望

这项研究通过发布首个结合高密度EEG、多肌肉EMG及精确事件标记的抓握运动数据集,填补了感觉运动研究领域的关键空白。该数据集不仅为理解健康人的抓握神经控制提供了详实的证据,更重要的是,它为后续研究脑机接口(BCI)、神经康复(如中风后手功能重建)以及假肢控制提供了宝贵的基准数据。通过分析该数据集中的肌肉协同与EEG特征,未来研究可以更精确地解码运动意图,开发出自适应性强、符合生理机制的康复训练策略。该资源公开后,将极大推动神经科学、生物医学工程及康复医学领域的交叉合作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号