关于“fNIRS-EEG BCI在运动康复中的应用：综述”的学术报告
本文档是一篇发表于期刊 Bioengineering (2023年，第10卷，第1393页) 的综述文章。文章标题为“fNIRS-EEG BCIs for Motor Rehabilitation: A Review”。主要作者包括Jianan Chen, Yunjia Xia, Xinkai Zhou, Ernesto Vidal Rosas, Alexander Thomas, Rui Loureiro, Robert J. Cooper, Tom Carlson 和 Hubin Zhao。他们来自伦敦大学学院（University College London, UCL）及其下属的多个研究机构，如智能神经工程中心（HUBIN）、医学物理与生物医学工程系等。
本文旨在全面回顾和评述结合功能性近红外光谱（functional near-infrared spectroscopy, fNIRS）与脑电图（electroencephalography, EEG）的混合型脑机接口（brain-computer interface, BCI）在运动康复领域的最新进展、方法学、应用及未来挑战。文章系统性地梳理了该领域的硬件设备、信号处理技术、分类算法以及临床转化应用，并强调了这种多模态融合技术在克服单模态局限性、提升系统性能方面的巨大潜力。
文章主要观点阐述如下：
一、 运动康复需求与BCI技术的潜力 文章开篇即指出运动障碍（如中风、脊髓损伤等）对全球大量人口造成的严重影响，以及由此产生的巨大康复需求。传统的主动运动训练和物理辅助设备（如功能性电刺激、机器人外骨骼）存在局限性，尤其是对于严重运动障碍患者。脑机接口技术为运动康复提供了一条替代路径。通过解码大脑活动（特别是运动想象， motor imagery, MI），BCI能够绕过受损的神经通路，直接控制外部设备或提供实时神经反馈，从而促进大脑神经可塑性（neuroplasticity），帮助恢复运动功能。其中，基于运动想象的BCI因其无需实际肢体运动即可激活相关脑区，对于瘫痪患者尤为重要。
二、 fNIRS与EEG的互补性是多模态BCI的基石 文章的核心论点建立在fNIRS和EEG两种神经成像技术的优缺点互补之上。EEG通过头皮电极记录神经元的电活动，具有毫秒级的高时间分辨率，非常适合捕捉大脑活动的快速动态变化（如事件相关去同步化， event-related desynchronization, ERD）。然而，EEG空间分辨率较低，且对运动伪迹和电磁干扰非常敏感。fNIRS则通过测量近红外光在脑组织中的吸收变化来监测与神经活动相关的血氧动力学响应（hemodynamic response），具有较好的空间特异性，且对运动伪迹的耐受性相对较高。但其主要缺点是响应速度较慢（时间分辨率约1秒），受血流动力学延迟的限制。因此，将两者结合构建的混合fNIRS-EEG BCI，有望同时获得高时间分辨率和高空间分辨率的脑活动信息，从而提高命令分类的准确性、系统的鲁棒性，并更全面地理解神经血管耦合机制。文章强调，这种融合对于开发有效的康复BCI至关重要。
三、 混合fNIRS-EEG BCI系统的关键组成部分与技术方法 文章详细拆解了一个典型混合BCI系统的五个阶段：信号采集、预处理、特征提取、分类和应用接口。 1. 硬件设备：文章列举了当前商业化和研究用的fNIRS（如NIRScout, LUMO）、EEG以及混合设备（如NIRx的集成帽、Gowerlabs的LUMO系统、Wearable Sensing的无线DSI-EEG+ fNIRS系统）。作者指出，目前尚缺乏完全集成的、专为康复设计的fNIRS-EEG设备，但模块化、可穿戴、用户友好是未来发展方向。设备布局可分为电极与光极相邻放置或共置两种方式。 2. 信号处理与特征提取： * fNIRS预处理：需去除仪器噪声、生理噪声（如心跳、呼吸）和运动伪迹。常用方法包括带通滤波、主成分分析（principal component analysis, PCA）、独立成分分析（independent component analysis, ICA）、小波变换（wavelet transform, WT）等。例如，移动平均收敛/发散（MACD）滤波器和小波最小描述长度（MDL）算法被用于去除趋势和噪声。 * EEG预处理：主要关注与运动相关的频带（如μ波：8-13 Hz， β波：12-30 Hz），使用空间滤波（如共同空间模式， common spatial patterns, CSP）来增强信号并分离不同脑区的活动。 * 特征提取：对于fNIRS，常用特征包括氧合血红蛋白（HBO）、脱氧血红蛋白（HBR）浓度变化的均值、斜率、峰值、方差、偏度、峰度等。一个重要的快速特征是“初始下降”（initial dip），即神经活动后HBR的早期快速增加，可用于加速BCI响应。对于EEG，常用特征包括特定频带的功率谱密度、对数带功率、小波近似系数等。在混合系统中，需要将来自两种模态的特征融合到一个联合特征空间中，或采用序列处理策略（如先用fNIRS检测运动意图的发生，再用EEG区分运动类型）。 3. 分类算法： * 传统机器学习（Machine Learning, ML）：线性判别分析（linear discriminant analysis, LDA）和支持向量机（support vector machine, SVM）是最常用的分类器，因其计算效率高，适合在线BCI系统。文章通过引用多项研究（如表1和表2所示）表明，这些方法在fNIRS和混合BCI中均取得了良好效果。 * 深度学习（Deep Learning, DL）：近年来，深度学习方法（如卷积神经网络CNN、长短期记忆网络LSTM、双向LSTM）显示出巨大潜力。它们能够自动从原始或简单处理的数据中学习特征并分类，避免了繁琐的手工特征工程，并在多项研究中取得了比传统ML更高的分类准确率（例如，一项研究报道CNN在fNIRS信号分类中达到92.68%的准确率，优于SVM和ANN）。文章特别提到了多通道融合混合网络（MCFHNet）等新颖架构在解码混合信号方面的优异表现。然而，DL方法通常需要更大的数据集和更长的训练时间，其在实时康复BCI中的应用仍需进一步探索。
四、 混合fNIRS-EEG BCI在运动康复中的转化应用 文章将应用领域分为上肢康复和下肢/步态康复两大类，并概述了其与各种辅助技术结合的模式。 1. 上肢康复应用：大部分研究集中于手部和手臂运动。BCI系统常与功能性电刺激（functional electrical stimulation, FES）、机器人辅助或虚拟现实（virtual reality, VR）结合。例如，研究已证明，基于MI的BCI触发FES（MI-BCI-FES范式）能比单纯的MI或FES引发更强的皮层激活（通过fNIRS和EEG测量）。VR环境能从第一人称视角提供沉浸式反馈，增强运动想象的真实感，从而更有效地激活感觉运动网络。文章还引用了一项临床试点研究，该研究探讨了BCI训练频率对皮层激活和康复效果的影响，强调了制定标准化临床方案的重要性。 2. 下肢/步态康复应用：fNIRS因其对头动伪迹相对不敏感，在此领域更具优势。研究涉及步态意图识别、机器人辅助步态训练（robot-assisted gait training, RAGT）中皮层努力程度的监测等。例如，有研究利用fNIRS信号（特别是总血红蛋白HBT在运动前区皮层和后顶叶皮层的变化）来分类髋部运动准备状态，并控制假肢或外骨骼的启停。另一项研究利用fNIRS监测佩戴外骨骼行走时不同辅助水平下的大脑皮层激活，发现无辅助行走时皮层激活更广泛，表明其与付出的努力相关。
五、 当前挑战与未来展望 文章在讨论部分客观指出了混合fNIRS-EEG BCI在运动康复中面临的挑战与未来的机遇。 * 挑战： * 硬件集成：需要开发真正集成、可穿戴、舒适、能长期稳定工作的设备。 * 信号处理：fNIRS固有的血流动力学延迟是实时反馈的主要障碍。EEG和fNIRS信号在生理上并非总是严格耦合，理解其关联性并开发有效的融合算法是一大挑战。 * 系统同步与校准：不同模态的时间同步和信号对齐需要精细处理。 * 标准化缺失：实验协议、数据处理流程缺乏统一标准，导致不同研究结果难以直接比较。 * 临床转化：如何将复杂的实验室协议转化为用户友好、成本效益高、适合家庭环境使用的集成系统是最终目标。 * 未来方向： * 算法优化：开发能更快检测血流动力学变化（如利用“初始下降”）的新特征和分类算法。 * 多技术融合（BCI + ‘X’）：与FES、VR/AR、经颅电刺激（transcranial electrical stimulation, TES）等技术的深度结合，形成闭环康复系统。 * 人工智能赋能：利用先进的深度学习模型提升解码性能和系统的自适应能力。 * 个性化医疗：推动面向家庭、个性化的康复解决方案。
六、 文章的价值与意义 本文的价值在于，它首次系统性地聚焦于混合fNIRS-EEG BCI在运动康复这一特定而重要的领域进行综述，而非泛泛讨论多模态BCI。文章不仅总结了技术方法论（从硬件到算法），还紧密结合了临床转化应用（上肢/下肢康复），并指出了明确的未来研究方向。它为研究人员和临床工作者提供了一个清晰的“技术路线图”，展示了如何利用fNIRS和EEG的互补优势来构建更强大、更可靠的康复BCI系统。文章强调，随着可穿戴技术、人工智能处理和产品设计的进步，下一代由AI驱动的多模态BCI有望在几年内变得实用，从而极大地推动家庭康复和个性化医疗的发展。因此，这篇综述对于推动脑机接口在神经康复领域的深入研究和实际应用具有重要的指导意义和参考价值。