《Scientific Data》：A multi-paradigm and longitudinal EEG dataset including the “sixth-finger” and “affected-hand” motor imagery of stroke patients
编辑推荐：
基于运动想象的脑机接口(MI-BCI)在脑卒中康复中的应用旨在将大脑活动与实时反馈相匹配，从而建立闭环神经通路并为评估患者的神经可塑性变化提供基础。因此，构建MI范式下的脑电图(EEG)数据集对于优化MI-BCI系统和理解神经康复过程至关重要。然而，目前单一M
基于运动想象的脑机接口(MI-BCI)在脑卒中康复中的应用旨在将大脑活动与实时反馈相匹配，从而建立闭环神经通路并为评估患者的神经可塑性变化提供基础。因此，构建MI范式下的脑电图(EEG)数据集对于优化MI-BCI系统和理解神经康复过程至关重要。然而，目前单一MI范式的局限性以及相关EEG数据集的缺乏，可能限制其在脑卒中康复中的准确解读和有效应用。本研究收集了24名脑卒中患者在MI任务期间的EEG数据，包括一种新颖的“第六指”MI和患手MI范式。该数据集全面覆盖了脑卒中康复的完整纵向阶段：训练前、训练后和随访期。数据资料包括：(1)原始EEG数据，(2)预处理数据，和(3)患者临床信息。使用经典机器学习算法(CSP + SVM和CSP + LDA)进行的初步分析表明，两种MI范式之间的平均分类准确率维持在约85%~86%。研究人员预期该数据集将促进关于脑卒中MI-BCI范式和神经可塑性的研究，并有助于在脑卒中康复领域开发高效MI-BCI系统。
脑卒中是由于大脑血液供应严重中断引起的，这会损害运动和感觉神经通路。脑卒中患者运动康复的基础是神经可塑性，即未受损的神经元和皮质区域可以补偿或重组先前由受损脑区管理的功能。基于运动想象的脑机接口(MI-BCI)技术为建立闭环和增强运动重学习过程打开了大门。在脑卒中康复中应用MI的一个关键因素是MI具有“运动属性”，它可以近似看作是实际运动执行的心理排练，但没有实际运动输出，在神经激活模式上与运动执行(ME)高度相似，常被用于评估患者神经功能康复的有效性。尽管以往的研究探讨了应用MI-BCI系统进行脑卒中康复的理论可行性，但仍需对MI范式进行进一步研究以提高康复效果，特别是为脑卒中患者建立专门的MI数据库。然而，目前针对脑卒中患者的上肢运动想象数据库研究仍然相对有限，且患者试图移动患侧上肢时在运动皮层表现出较弱且异常的事件相关去同步(ERD)现象。这表明传统MI范式引发的ERD现象受损可能会限制康复疗效。因此，开发创新的MI范式以增强神经调节模式对于实现更有效的脑卒中康复至关重要。
附加机器人肢体(SRL)作为一种新兴的可穿戴机器人设备，以独立于人体原生肢体的新型形态存在，通过创新人体原生形态配置展现出促进神经功能重塑的潜力。既往fMRI研究表明多指受试者的第六指在初级感觉运动皮层具有独立的功能映射区，且经过BCI-SRL训练后，感觉运动区域和前额叶皮层的功能连接性显著增加。研究团队此前已提出基于“第六指”的新颖MI范式，并在健康受试者中得到了更广、更强的大脑区域激活的验证。因此，创新MI范式并为脑卒中患者建立多范式和纵向训练EEG数据集，是弥合这一空白并促进开发高效MI-BCI系统的关键步骤。
这项研究收集了24名来自天津市环湖医院的脑卒中患者的神经康复数据（包含18名男性和6名女性，年龄在34至77岁之间，其中15名为右侧偏瘫，9名为左侧偏瘫；14名接受脑机接口训练，10名接受常规物理康复治疗），包括三个评估时间点（训练前、训练后和随访期）、两种运动想象范式（六指运动想象(SF-MI)和患手运动想象(AH-MI)）以及静息态下的EEG记录。总共获取了5,360次MI试验和5,360次静息态试验。该公开数据集包含原始EEG数据、预处理数据和患者信息三个部分，采用脑成像数据结构(BIDS)格式在Figshare存储库中 organized。
研究人员主要采用了以下关键技术方法：使用64通道NeuSen W系统采集EEG信号，采样率为250 Hz；通过EEGLAB工具箱进行数据预处理，包括5~35 Hz带通滤波、共同平均参考(CAR)重参考、独立成分分析(ICA)去除眼动伪迹及剔除易受运动伪迹干扰的外周通道（保留40个分析通道）；采用事件相关谱扰动(ERSP)量化反映时频域事件相关功率变化的ERD现象，并进行基线校正；使用共空间模式(CSP)提取特征后通过支持向量机(SVM)和线性判别分析(LDA)进行分类，执行10折交叉验证以评估两种MI范式间的内在可分类性。
ERD/ERS分析
通过对脑卒中患者执行任务时的平均ERD拓扑图及C3电极处的时频图和波形图分析表明，双侧感觉运动皮层在执行MI任务时均诱发了ERD激活；且在mu节律中，SF-MI范式诱发的ERD激活明显强于传统的AH-MI范式，而在静息态任务后未观察到显著的ERD现象。此外，经过BCI康复训练后，BCI组患者的ERD激活模式逐渐减弱，且激活主要集中于感觉运动皮层附近，反映了神经效率的增强；而传统物理治疗组患者的ERD激活则逐渐从感觉运动皮层向枕叶转移。
分类准确率
研究提取MI任务开始后1 s~5 s的4 s数据段作为独立样本，运用CSP+SVM和CSP+LDA算法对SF-MI和AH-MI进行二分类。结果显示，BCI组患者在三个阶段的准确率分别为85.09%、85.59%、85.78%（CSP+LDA）和85.63%、85.57%、86.42%（CSP+SVM）；传统组分别为86.02%、85.95%、83.60%（CSP+LDA）和85.26%、85.59%、83.42%（CSP+SVM）。该结果不仅表现优于通常在60%~70%之间波动的其他单侧肢体多范式分类结果，还表明所有参与者在各阶段均保持了相对稳定的分类性能。
总结讨论与结论
综上所述，本研究公开了一个包含新颖SF-MI和传统AH-MI的多范式纵向脑卒中EEG数据集。数据记录包含了去标识化处理后的原始数据、预处理数据及相应的代码，部分受试者因个人原因缺失随访期数据。现有数据证实了该数据集的可靠性。研究表明，与传统的AH-MI范式相比，新颖的SF-MI范式能够诱发更强烈的ERD激活，且BCI训练使得大脑激活模式向高效化方向发展。该数据集填补了结合多范式纵向训练的脑卒中MI数据集的空白，为理解脑卒中MI-BCI干预的神经可塑性机制提供了有力的数据支持，将促进脑卒中康复领域高效MI-BCI系统的开发与研究。
