上肢精細運動相關的腦機接口技術研究進展

【摘要】 近年來由離散、靈巧手部動作與復雜、連續上肢動作組成上肢精細運動相關腦機接口技術，因其可實現患者大腦與外圍設備之間的直接交互，被廣泛應用于幫助運動功能障礙患者恢復基本的生活自理能力。本文從上肢精細運動相關腦機接口技術的腦電響應、范式設計、處理方法以及典型應用四個方面的發展進行了深入分析，同時也探討了該項技術目前所面臨的機遇、挑戰和未來發展方向。

【關鍵詞】 上肢精細運動；腦電信號；腦機接口；解碼方法；運動機理

【中圖分類號】 R651" 【文獻標志碼】 A" 【文章編號】 1672-7770（2024）06-0694-05

Research progress in brain-computer interface related to upper limbs movements LI Rui， LIU Yuqi， LIU Weiping， LIU Jinli， WU Rui， ZHAO Jie， YANG Dong， DENG Ke. Xian Peoples Hospital， Xian 710000， China

Corresponding authors： LIU Weiping

Abstract： In recent years， brain computer interface technology related to upper limb movement， which comprises discrete hand movements and continuous upper limb actions， has been extensively applied to rehabilitate basic living abilities in patients with motor functional impairments. This technology enables a direct connection between the brain and peripheral devices. This paper conducts an in-depth analysis of the development of upper limb fine motor-related brain computer interface technology from four aspects： neural responses， paradigm design， processing methods and typical applications. It also explores the current opportunities， challenges and future directions of this technology.

Key words： precise upper limb movement； electroencephalogram； brain computer interface； decoding algorithm； motion mechanism

腦卒中作為一種高致殘率的腦血管疾病，其預后存在肢體運動功能障礙問題，這對于中國康復醫療領域是一項嚴峻的挑戰^［1］，因此，探索有效的康復策略、提高肢體功能障礙患者的生活自理能力變得至關重要。近年來，一種以大腦頭層電信號為控制信息源的腦機接口（brain computer interface，BCI）技術脫穎而出，實現了大腦與外圍設備之間的直接交互^［2］。該技術通過提取腦神經細胞產生的電脈沖信號，實現對腦卒中患者運動意圖的精準辨識，這一技術的發展有望改善此類患者的生活質量，因此在康復工程領域受到了廣泛關注^［3］。本文將從上肢精細運動相關EEG的產生機理、腦控范式設計、EEG解碼方法及臨床應用四個方面，對上肢精細運動相關BCI技術進行梳理，并對該方法在康復領域面臨的挑戰與機遇進行展望。

1 背 景

面向康復工程領域的BCI系統結構（圖1）主要由腦電信號（electroencephalogram，EEG）的精密測量、特征提取、模式識別以及外圍設備控制組成^［4］?；谏现氝\動相關BCI技術通過解碼受試者想象、執行、觀察離散、靈巧手部動作，復雜、連續上肢動作期間腦皮層產生的EEG，受到了康復領域專家學者的青睞^［5］。美國卡內基隆大學為肌萎縮側索硬化癥（amyotrophic lateral sclerosis，ALS）患者開發了一套運動想象BCI系統，該系統利用神經信息反饋機制，實現了ALS患者在二維空間內對假肢的連續運動控制^［6］。

目前用于神經康復領域的運動相關BCI范式大致分為兩類，一類是對左手、右手、舌頭和腳四種肢體大運動的想象，另一類則是通過分析患者運動時EEG信號的振蕩節律特征，重構其上肢運動軌跡^［7］。德國圖賓根大學的研究人員通過對患者運動神經振蕩節律特征的檢測、分析，幫助中風患者恢復了基本的抓握功能^［7］。Mondini等^［8］用機器學習算法對運動相關EEG低頻特征進行連續解碼，實現了對腦卒中患者手部運動軌跡的連續追蹤。

2 上肢精細運動相關BCI方法

2.1 上肢精細運動相關EEG響應特性 運動相關EEG信號根據受試者執行特定心理活動時大腦神經調控方式的不同，分為感覺運動節律（sensorimotor rhythm，SMR）和運動相關皮層電位（movement related cortical potentials，MRCPs）兩類，其中SMR節律與EEG中的α、β頻段密切相關，MRCPs則產生于EEG的δ節律中。

SMR節律多存在于離散、靈巧的手部動作過程中，在大腦軀體運動區表現最為明顯^［9］。當受試者進行上肢運動想象或運動執行思維任務時，感覺運動皮層EEG表現為α、β頻段能量減少，γ頻段能量增加。這種神經集群的同步放電或同時停止，會導致α、β頻段能量的突然升高或降低，這種現象被稱為事件相關去同步化/去同步化（event-related de/synchronization，ERD/ERS）。僅從EEG時域表征中提取特征難以辨別出不同手部動作的類別，因此需進一步從頻域、時頻域內提取其豐富的神經特征信息。荷蘭的一項研究通過想象手掌旋轉運動時產生的EEG發現，受試者在想象手掌外旋、內旋時，內旋想象產生的ERD現象明顯高于外旋想象任務^［10］。因此，通過分析不同手部動作產生的SMR節律，可幫助醫護人員有效辨識出患者的自主運動意圖。

MRCPs作為事件相關電位的一種，常存在于復雜、連續的上肢運動過程中，是人體在執行誘發運動或自主運動時，在腦皮層軀體運動區δ頻帶產生的一類負值、低頻電位，具有嚴格的鎖時、鎖相特征，被廣泛用于人體運動的起始時刻檢測與運動軌跡重構^［11］。2020年，Kobler等^［12］發現δ頻帶的幅值信息包含了手臂運動起始時刻與運動方向的關鍵信息。Wang等^［13］通過采集手部經典運動center-out范式下產生的EEG信號，成功重建了患者手部的運動軌跡。近年來，研究人員通過探索運動相關EEG信號發現，γ頻段在上肢精細運動解碼中起到的作用也不可忽視^［14］。2022年，Tatti等^［15］發現手部運動學參數的變化與γ頻段的幅值呈正相關關系。

2.2 上肢精細運動相關的BCI范式設計 目前上肢精細運動相關的BCI范式，主要包括了運動想象、運動執行和運動觀察三個主流范式。

運動想象BCI范式是目前應用最多、研究最久的一類范式^［16］。2020年，Wei等^［17］以實現患者對機械臂的精確控制為目標，設計了一款想象四種手部動作的運動想象BCI范式。由于離散、靈巧的手部動作是一種復雜的肢體運動，僅通過運動想象EEG難以實現對患者腦控意圖的準確辨識，因此目前對上肢精細運動的BCI范式設計，主要聚焦于運動執行范式。Xu等^［18］以日常生活的重要性為考量，通過提取低頻MRCPs的幅值特征，實現了對由5類單側手部抓取動作的準確辨識。Wang等^［19］通過分析MRCPs電位與非線性動力學參數特征，對患者主動手的運動方向進行了辨識。

在日常生活中，上肢運動是一個連續的過程，若能夠通過EEG解碼出上肢運動過程中的位置、速度等參數，繼而重構出上肢的連續運動軌跡，有望實現患者對康復機器人的精準控制。Kim等^［20］通過從受試者EEG中解析二維平面內手臂移動的運動方向、運動距離參數，成功重構出了手臂的運動軌跡。Korik等^［21］通過解碼手臂運動過程中的EEG信號，在三維空間中實現了對虛擬手臂的在線控制。

與運動想象、運動執行范式相類似，受試者觀察特定運動時，在腦皮層軀體運動區也會產生明顯的ERD/ERS現象，這一現象可以幫助腦卒中患者進行康復訓練^［22］。Cabrera等^［23］通過分析受試者上肢連續運動時的EEG，在大腦皮層視覺區和運動區發現了明顯的α頻帶活動。Müller-Putz等^［24］通過解碼運動觀察范式下受試者的EEG，實現了對仿生假手的柔順控制。

2.3 上肢精細運動相關的EEG解碼 由于上肢精細運動相關的EEG屬于一種復雜的、內源性自發腦電信號，因此借助機器學習算法是解碼上肢精細運動意圖的關鍵所在^［25］。上肢精細運動相關EEG的解碼包括EEG的預處理、特征提取與模式辨識三方面。

2.3.1 預處理方法 研究人員在分析上肢精細運動相關EEG時發現，目前混雜于運動相關EEG中的噪聲主要分為兩類，第一類噪聲來源于EEG采集設備、電極位置漂移等造成的工頻干擾和基線漂移，因此需采用工頻陷波濾波和基線校正處理。除此之外，共平均參考、帶通濾波等算法也常被用于第一類噪聲的去除。上肢精細運動相關EEG中混雜的第二類噪聲信號，主要來自EEG采集過程中產生的眼電、肌電信號，由于第二類噪聲信號來自人體不同部位且相互獨立，因此該類信號的消除一般多采用獨立主成分分析、多通道經驗模式分解等方法去除^［26］。但是，上述方法均難以將偽跡噪聲徹底從原始EEG中去除，僅能最大限度地減少偽跡噪聲對EEG解碼的影響。

2.3.2 特征提取方法 根據信號表征方式的不同，上肢精細運動相關EEG的有效特征可在時域、頻域、時頻域、空域和不同通道EEG信號間的功能連接關系計算中獲得。MRCPs電位特征主要表現在時域信號的幅值變化上。Wang等^［27］通過提取MRCPs電位的幅值特征，實現了單手、雙手運動方向的辨識。頻域特征的提取多是基于SMR節律分析的，經典的頻域特征提取方法包括快速傅立葉變換（fast fourier transform，FFT）和功率譜密度分析（power spectral density，PSD）^［28］。以實現手部動作分類為目標，張大林等^［29］發現，將EEG信號的時域特征與PSD算法計算得到的頻域特征相結合，有效改善了3種自然抓握動作的分辨精度。除單一時頻域特征外，上肢精細運動相關EEG還采用短時傅里葉變換、連續小波變換等時頻域聯合分析方法進行EEG特征的提取。黃孝妍等^［30］將EEG信號時頻域信息相結合，通過兩種信息的互補解析出了上肢連續運動過程中的位置和速度參數。空域特征是分析EEG在不同腦區域的分布特性，最常見的空域特征提取方法是共空間模式（common spatial pattern，CSP）及其衍生算法。Zolfaghari等^［31］針對不同速度上肢運動的EEG分類問題，提出了一種改進的CSP算法進行運動速度特征的挖掘。由于大腦皮層是由數以萬計的神經元相互連接而成的，因此分析EEG的功能連接特性，有助于揭示上肢精細運動的腦認知過程、不同腦功能區間的信息流動性與功能連接關系^［32］。EEG的功能連接特征主要是通過計算不同通道EEG間的相位鎖相值（phase-locking value，PLV）和幅值相干性（magnitude-squared coherence，MSC）等功能評價指標來衡量的。Xu等^［33］通過計算不同通道間的PLV值，解決了單側上肢運動想象EEG信號的分類問題。Hosseini等^［34］通過計算不同通道EEG的PLV、MSC指標，解碼出了手部連續運動的位置和速度參數。

2.3.3 EEG解碼算法 上肢精細運動相關EEG的解碼問題，分為對離散、靈巧手部動作的分類與解碼連續上肢運動的位置、速度等參數，對運動軌跡進行重構兩個方面。前者屬于復雜的多分類問題，傳統機器學習算法中的線性判別分析（linear discriminant analysis，LDA）、支持向量機（support vector machine，SVM）等經典算法被廣泛應用于解決該類問題^［35］。Alazrai等^［36］通過構建SVM組合分類算法，實現了12種不同手指運動的離散判斷。Rithwik等^［37］利用LDA對提取到的手部運動方向特征進行分類。上肢精細運動相關EEG解碼的另一個方向，是解碼出上肢連續運動過程中的運動學參數并對其軌跡進行重構，一般多采用基于多元變量線性回歸模型（multi-variable linear regression，MLR）進行軌跡的重構計算^［38］。Jain等^［39］利用MLR模型對三維空間內上肢抓取過程的運動軌跡進行了重構。除了上述傳統算法外，近年來興起的深度學習算法也被廣泛應用于上肢精細運動相關的EEG解碼中^［40］。常用于上肢精細運動相關EEG解碼的深度學習模型包括卷積神經網絡（convolutional neural networks，CNN）、循環神經網絡（recurrent neural network，RNN）和長短時記憶神經網絡（Long short-term memory network，LSTM） 等。Chen等^［41］將EEGNet和LSTM模型進行結合，通過所構建的多任務深度學習模型解碼出了雙手運動過程中的位置、速度參數。

2.3.4 典型應用 現階段上肢精細運動相關BCI技術在臨床方面的應用主要包括了可穿戴上肢康復機器人和腦控機械臂兩大方向。腦卒中等肢體功能障礙患者通過對康復機器人、機械臂的控制，可以改善其生活自理能力。Zhang等^［42］利用對肌電、眼電和腦電的融合，通過氣動手指輔助被試完成了多種手部靈巧運動，這一研究為腦卒中患者手部運動機能的恢復帶來了希望。Liao等^［43］通過多維度分析多名缺血性腦卒中患者術后采用上肢精細運動相關BCI技術的康復治療效果，證明了與傳統方法相比較，該技術可有效改善此類患者的運動功能。

3 結論與展望

由離散、靈巧手部動作與連續、復雜上肢動作組成的上肢精細運動相關BCI技術，在康復醫療領域具有重要的科學研究意義與臨床應用參考價值。但是現階段，該項技術仍具有一定的局限性亟待解決。首先，由于上肢精細運動對應著大腦中復雜的神經認知活動，因此進一步揭示運動的神經傳導機理、EEG的產生機制以及運動相關腦網絡的結構特性，對發展上肢精細運動相關BCI技術的研究具有重要意義。這一舉措不僅有助于臨床醫生對患者大腦意圖的準確解讀，還可以有效改善基于上肢精確運動EEG信號的BCI系統性能。其次，提高EEG信號解碼精度是改善上肢精細運動相關BCI技術的關鍵所在。由于運動相關EEG是一種自發型腦電信號，因此如何通過解碼算法消除受試者之間的個體差異性，是優化EEG解碼算法性能的關鍵因素之一。最后，現階段運動相關BCI技術的研究大多處于實驗室階段，具有成本高、抗干擾能力弱的弊端。因此，開發出經濟型、可產業化的康復BCI系統，應是未來腦機接口領域研究的重點方向。同時，進一步完善BCI的臨床評估指標，也是推動基于上肢精細運動相關BCI技術向臨床發展的重要舉措之一。

綜上所述，基于上肢精細運動相關的BCI技術在神經康復領域展現出了巨大的臨床應用潛力，是未來康復工程發展的必然趨勢。

利益沖突：所有作者均聲明不存在利益沖突。

作者貢獻聲明：李睿負責參與實驗方法設計、實際調查研究、實驗數據分析、實驗結果可視化與論文初稿撰寫;劉宇琪負責數據整理與管理、實際調查研究;劉衛平負責參與研究概念生成、研究資源采集、實驗設計驗證與核實、研究課題監管與指導、參與論文審閱與修訂;劉錦莉負責實驗設計驗證與核實;兀瑞負責研究課題監管與指導;趙杰負責論文審閱與修訂;楊東負責實驗結果可視化；鄧柯負責實驗數據分析。

［參" 考"" 文"" 獻］

［1］ 世界衛生組織.殘疾［EB/OL］ ［Z］. ［20230224］

World Health Organization.Disability［EB/OL］ ［Z］. ［20230224］

［2］ Mridha MF，Das SC，Kabir MM，et al.Brain-computer interface：advancement and challenges［J］.Sensors（Basel），2021，21（17）：5746.

［3］ 吳弦光，陳迪，荀芳，等.發展康復事業促進實現 “健康中國2030” 目標［J］.中國康復理論與實踐，2022，28（1）：614.

Wu XG，Chen D，Xun F，et al.Development of rehabilitation undertakings to achieve the＼ “Healthy China 2030＼” goals［J］.Chin J Rehabil Theory Pract，2022，28（1）：614.

［4］ 謝士遙，湯佳貝，蔡雨，等.腦電BCI系統的軟硬件開發平臺發展現狀［J］.電子測量與儀器學報，2022，36（6）：112.

Xie SY，Tang JB，Cai Y，et al.Review on software and hardware platforms for EEG-based BCI system［J］.J Electron Meas Instrum，2022，36（6）：112.

［5］ Gruenwald J，Znobishchev A，Kapeller C，et al.Time-variant linear discriminant analysis improves hand gesture and finger movement decoding for invasive brain-computer interfaces［J］.Front Neurosci，2019，13：901.

［6］ Edelman BJ，Meng J，Suma D，et al.Noninvasive neuroimaging enhances continuous neural tracking for robotic device control［J］.Sci Robot，2019，4（31）：eaaw6844.

［7］ Nann M，Cordella F，Trigili E，et al.Restoring activities of daily living using an EEG/EOG-controlled semiautonomous and mobile whole-arm exoskeleton in chronic stroke［J］.IEEE Syst J，2021，15（2）：23142321.

［8］ Mondini V，Kobler RJ，Sburlea AI，et al.Continuous low-frequency EEG decoding of arm movement for closed-loop，natural control of a robotic arm［J］.J Neural Eng，2020，17（4）：046031.

［9］ Kodama M，Iwama S，Morishige M，et al.Thirty-minute motor imagery exercise aided by EEG sensorimotor rhythm neurofeedback enhances morphing of sensorimotor cortices：a double-blind sham-controlled study［J］.Cereb Cortex，2023，33（11）：65736584.

［10］ter Horst AC，van Lier R，Steenbergen B.Mental rotation strategies reflected in event-related（de） synchronization of α and μ power［J］.Psychophysiology，2013，50（9）：858863.

［11］Yadav S，Saha SK，Kar R.An application of the Kalman filter for EEG/ERP signal enhancement with the autoregressive realisation［J］.Biomed Signal Process Contr，2023，86：105213.

［12］Kobler RJ，Kolesnichenko E，Sburlea AI，et al.Distinct cortical networks for hand movement initiation and directional processing：an EEG study［J］.Neuroimage，2020，220：117076.

［13］Wang JR，Bi LZ，Fei WJ，et al.EEG-based continuous hand movement decoding using improved center-out paradigm［J］.IEEE Trans Neural Syst Rehabil Eng，2022，30：28452855.

［14］Korik A，Sosnik R，Siddique N，et al.Decoding imagined 3D hand movement trajectories from EEG：evidence to support the use of mu，beta，and low gamma oscillations［J］.Front Neurosci，2018，12：130.

［15］Tatti E，Ferraioli F，Cacciola A，et al.Modulation of gamma spectral amplitude and connectivity during reaching predicts peak velocity and movement duration［J］.Front Neurosci，2022，16：836703.

［16］Fujiwara Y，Ushiba J.Deep residual convolutional neural networks for brain-computer interface to visualize neural processing of hand movements in the human brain［J］.Front Comput Neurosci，2022，16：882290.

［17］Wei YX，Wang X，Luo RJ，et al.Decoding movement frequencies and limbs based on steady-state movement-related rhythms from noninvasive EEG［J］.J Neural Eng，2023，20（6）：066019.

［18］Xu BG，Zhang DL，Wang Y，et al.Decoding different reach-and-grasp movements using noninvasive electroencephalogram［J］.Front Neurosci，2021，15：684547.

［19］Wang JR，Bi LZ，Fei WJ.Using non-linear dynamics of EEG signals to classify primary hand movement intent under opposite hand movement［J］.Front Neurorobot，2022，16：845127.

［20］Kim H，Yoshimura N，Koike Y.Characteristics of kinematic parameters in decoding intended reaching movements using electroencephalography（EEG）［J］.Front Neurosci，2019，13：1148.

［21］Korik A，Sosnik R，Siddique N，et al.Decoding imagined 3D arm movement trajectories from EEG to control two virtual arms-a pilot study［J］.Front Neurorobot，2019，13：94.

［22］Zapaa D，Francuz P，Zapaa E，et al.The impact of different visual feedbacks in user training on motor imagery control in BCI［J］.Appl Psychophysiol Biofeedback，2018，43（1）：2335.

［23］Cabrera ME，Novak K，Dan FT，et al.Electrophysiological indicators of gesture perception［J］.Exp Brain Res，2020，238（3）：537550.

［24］Müller-Putz GR，Kobler RJ，Pereira J，et al.Feel your reach：an EEG-based framework to continuously detect goal-directed movements and error processing to gate kinesthetic feedback informed artificial arm control［J］.Front Hum Neurosci，2022，16：841312.

［25］Zhang Z，Yu XY，Rong XW，et al.A novel multimodule neural network for EEG denoising［J］.IEEE Access，2022，10：4952849541.

［26］Teng CL，Zhang YY，Wang W，et al.A novel method based on combination of independent component analysis and ensemble empirical mode decomposition for removing electrooculogram artifacts from multichannel electroencephalogram signals［J］.Front Neurosci，2021，15：729403.

［27］Wang JR，Bi LZ，Fei WJ，et al.Decoding single-hand and both-hand movement directions from noninvasive neural signals［J］.IEEE Trans Biomed Eng，2021，68（6）：19321940.

［28］Altameem A，Singh Sachdev J，Singh V，et al.Performance analysis of machine learning algorithms for classifying hand motion-based EEG brain signals［J］.Comput Syst Sci Eng，2022，42（3）：10951107.

［29］張大林，徐寶國，宋愛國.基于頻域和時域腦電特征解碼自然抓握動作［J］.傳感器與微系統，2023，42（1）：6770，74.

Zhang DL，Xu BG，Song AG.Decoding natural reach-and-grasp actions by using frequency and time-domain EEG features［J］.Transducer Microsyst Technol，2023，42（1）：6770，74.

［30］黃孝妍，曾洪，宋愛國.復數循環神經網絡解碼運動參數的研究［J］.傳感器與微系統，2023，42（3）：4952.

Huang XY，Zeng H，Song AG.Study on decoding motion parameters based on CRNN［J］.Transducer Microsyst Technol，2023，42（3）：4952.

［31］Zolfaghari S，Rezaii TY，Meshgini S，et al.Speed classification of upper limb movements through EEG signal for BCI application［J］.IEEE Access，2021，9：114564114573.

［32］蔣勤，張毅，劉鵬飛.基于相位同步的運動想象分類［J］.華中科技大學學報（自然科學版），2020，48（1）：4854.

Jiang Q，Zhang Y，Liu PF.Motion imaging classification based on phase synchronization［J］.J Huazhong Univ Sci Technol Nat Sci Ed，2020，48（1）：4854.

［33］Xu BG，Wei ZW，Song AG，et al.Phase synchronization information for classifying motor imagery EEG from the same limb［J］.IEEE Access，2019，7：153842153852.

［34］Hosseini SM，Shalchyan V.Continuous decoding of hand movement from EEG signals using phase-based connectivity features［J］.Front Hum Neurosci，2022，16：901285.

［35］Hosseini SM，Aminitabar AH，Shalchyan V.Investigating the application of graph theory features in hand movement directions decoding using EEG signals［J］.Neurosci Res，2023，194：2435.

［36］Alazrai R，Alwanni H，Daoud MI.EEG-based BCI system for decoding finger movements within the same hand［J］.Neurosci Lett，2019，698：113120.

［37］Rithwik P，Benzy VK，Vinod AP.High accuracy decoding of motor imagery directions from EEG-based brain computer interface using filter bank spatially regularised common spatial pattern method［J］.Biomed Signal Process Contr，2022，72：103241.

［38］Sosnik R，Ben Zur O.Reconstruction of hand，elbow and shoulder actual and imagined trajectories in 3D space using EEG slow cortical potentials［J］.J Neural Eng，2020，17（1）：016065.

［39］Jain A，Kumar L.Subject-independent trajectory prediction using pre-movement EEG during grasp and lift task［J］.Biomed Signal Process Contr，2023，86：105160.

［40］Lashgari E，Ott J，Connelly A，et al.An end-to-end CNN with attentional mechanism applied to raw EEG in a BCI classification task［J］.J Neural Eng，2021，18（4）：0460e3.

［41］Chen YF，Fu RQ，Wu JD，et al.Continuous bimanual trajectory decoding of coordinated movement from EEG signals［J］.IEEE J Biomed Health Inform，2022，26（12）：60126023.

［42］Zhang JH，Wang BZ，Zhang C，et al.An EEG/EMG/EOG-based multimodal human-machine interface to real-time control of a soft robot hand［J］.Front Neurorobot，2019，13：7.

［43］Liao WZ，Li JH，Zhang XS，et al.Motor imagery brain-computer interface rehabilitation system enhances upper limb performance and improves brain activity in stroke patients：a clinical study［J］.Front Hum Neurosci，2023，17：1117670.

基金項目：國家自然科學基金資助項目（52305035）；陜西省教育廳專項科研計劃項目（22JK0471）

通信作者：劉衛平