一種基于手部精細(xì)運(yùn)動(dòng)分類的腦機(jī)接口方法研究

【摘要】 目的 探索一種基于6種手部精細(xì)運(yùn)動(dòng)解碼的腦機(jī)接口（BCI）技術(shù)。方法 在分析了6種手部常見(jiàn)精細(xì)運(yùn)動(dòng)腦電圖（EEG）產(chǎn)生機(jī)理與響應(yīng)特性的基礎(chǔ)上，設(shè)計(jì)了手部精細(xì)運(yùn)動(dòng)執(zhí)行BCI范式，實(shí)現(xiàn)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)相關(guān)EEG信號(hào)解碼模型，并搭建了基于手部精細(xì)運(yùn)動(dòng)的BCI系統(tǒng)，對(duì)8例健康受試者、2例因病變累及頂葉而出現(xiàn)明顯運(yùn)動(dòng)功能障礙患者的6種精細(xì)運(yùn)動(dòng)手勢(shì)EEG信號(hào)進(jìn)行了分類。結(jié)果10例受試者在基于手部精細(xì)運(yùn)動(dòng)的BCI系統(tǒng)下，EEG信號(hào)的分類準(zhǔn)確率為（79.20±6.05）%。結(jié)論 基于6種手部精細(xì)運(yùn)動(dòng)解碼的BCI方法具有一定有效性和泛化能力。

【關(guān)鍵詞】 精細(xì)運(yùn)動(dòng)；腦機(jī)接口；腦電信號(hào)；解碼方法

【中圖分類號(hào)】 R651 【文獻(xiàn)標(biāo)志碼】 A 【文章編號(hào)】 1672-7770（2024）04-0384-06

Study on a brain computer interface based on decoding of precise hand movements LI Rui， LIU Yuqi， LIU Weiping， WU Rui， BAI Duanyang， YANG Dong， ZHANG Junfeng， ZHAO Jie. Department of Brain， Xi'an People's Hospital（Fourth Hospital of Xi’an）， Xi’an 710000， China

Corresponding author： LIU Weiping

Abstract： Objective To explore a motor-related brain computer interface（BCI） technology based on the decoding of six precise hand movements. Methods Based on the analysis of the mechanisms and response characteristics of six common types of fine motor electroencephalography（EEG） in the hand， a BCI paradigm for fine motor execution was designed. A motion related EEG signal decoding model based on convolutional neural networks was implemented， and a BCI system based on fine motor was built. Six types of fine motor gesture EEG signals from eight healthy subjects and two patients with significant motor dysfunction due to lesions involving the parietal lobe were classified. Results The classification accuracy of EEG signals in 10 subjects under the BCI system based on fine hand movements was（79.20±6.05）%. Conclusions The BCI method based on decoding six types of fine hand movements has certain effectiveness and generalization ability.

Key words： precise hand movement; brain computer interface; EEG; decoding method

基金項(xiàng)目：西安市人民醫(yī)院（西安市第四醫(yī)院）科研孵化基金立項(xiàng)項(xiàng)目[2022BSH01（BH-1）]；陜西省教育廳專項(xiàng)科研計(jì)劃項(xiàng)目（22JK0471）

作者單位： 710000 西安，西安市人民醫(yī)院（西安市第四醫(yī)院）腦科病院（李睿，劉衛(wèi)平，兀瑞）；西安理工大學(xué)機(jī)械與精密儀器工程學(xué)院（李睿，白端陽(yáng)，楊東）；西安醫(yī)學(xué)院（劉宇琪，張俊峰，趙杰）

通信作者：劉衛(wèi)平

近年來(lái)，因萎縮性脊髓側(cè)索硬化癥（amyotrophic lateral sclerosis，ALS）、腦卒中等神經(jīng)性疾病導(dǎo)致的肢體行動(dòng)能力減退或肌肉控制能力缺失的殘疾人數(shù)呈逐年上升態(tài)勢(shì)。面對(duì)這一嚴(yán)峻挑戰(zhàn)，一種不依賴于外周神經(jīng)系統(tǒng)和肌肉的腦機(jī)接口（brain computer interface，BCI）技術(shù)，通過(guò)解碼受試者腦意圖來(lái)實(shí)現(xiàn)大腦與外圍設(shè)備間的直接交流與通信，成為國(guó)內(nèi)外康復(fù)醫(yī)療領(lǐng)域關(guān)注的重點(diǎn)，并被初步用于腦卒中患者的輔助運(yùn)動(dòng)康復(fù)治療中^[1-4]。

現(xiàn)有手部精細(xì)運(yùn)動(dòng)相關(guān)BCI方法的研究，多聚焦于手部抓取動(dòng)作的研究或抓取運(yùn)動(dòng)軌跡的重構(gòu)，并沒(méi)有從日常生活出發(fā)，以生活中常用的靈巧、精細(xì)手部動(dòng)作為目標(biāo)，開(kāi)展基于手部精細(xì)運(yùn)動(dòng)BCI系統(tǒng)的研究^[5-6]。因此，本研究擬通過(guò)揭示6種不同手部精細(xì)運(yùn)動(dòng)的EEG信號(hào)響應(yīng)規(guī)律、溯源分析，進(jìn)而實(shí)現(xiàn)一種基于手部精細(xì)運(yùn)動(dòng)分類的腦機(jī)接口方法。

1 材料與方法

1.1 受試者 本研究共招募8例健康受試者（6例男性，2例女性，年齡22～33歲）和2例腦病患者。10例受試均為右利手。8例健康受試者沒(méi)有神經(jīng)系統(tǒng)疾病史。2例腦病患者均因腦皮層病變累及頂葉、出現(xiàn)明顯運(yùn)動(dòng)功能障礙而入院，入院上肢肌力查體均小于5級(jí)。在實(shí)驗(yàn)開(kāi)始前，研究人員將實(shí)驗(yàn)流程和實(shí)驗(yàn)中的注意事項(xiàng)均準(zhǔn)確告知每個(gè)受試者。本研究由西安市人民醫(yī)院（西安市第四醫(yī)院）倫理審查會(huì)審批。

1.2 實(shí)驗(yàn)采集設(shè)備 10例受試者均采用由博?？悼萍加邢薰旧a(chǎn)的NeuSen-W64無(wú)線腦電采集設(shè)備（圖1）進(jìn)行EEG采集，該設(shè)備的信號(hào)采樣頻率為1 000 Hz。本研究首先選取了全腦64通道EEG信號(hào)進(jìn)行運(yùn)動(dòng)執(zhí)行EEG的神經(jīng)信息傳導(dǎo)機(jī)理分析，并在分析結(jié)果的基礎(chǔ)上進(jìn)一步選取了來(lái)自大腦皮層的FC3、FCz、FC4、C3、Cz、C4、CP3、CP4 8個(gè)電極位置記錄EEG數(shù)據(jù)，進(jìn)行一種基于手部精細(xì)運(yùn)動(dòng)分類的腦機(jī)接口方法研究，其電極分布位置見(jiàn)圖2。

綜合考慮手部精細(xì)EEG信號(hào)的產(chǎn)生機(jī)理與日常生活中的必要性^[7]，本研究設(shè)計(jì)手部精細(xì)運(yùn)動(dòng)BCI接口，選取了6種精細(xì)運(yùn)動(dòng)手勢(shì)（圖3），分別是右手五指閉合運(yùn)動(dòng)（手勢(shì)1）、右手食指單指伸展運(yùn)動(dòng)（手勢(shì)2）、右手拇指單指伸展運(yùn)動(dòng)（手勢(shì)3）、左手五指閉合運(yùn)動(dòng)（手勢(shì)4）、左手食指單指伸展運(yùn)動(dòng)（手勢(shì)5）、左手拇指單指伸展運(yùn)動(dòng)（手勢(shì)6）。

8例健康受試者的EEG采集實(shí)驗(yàn)，在安靜的辦公室進(jìn)行，受試者坐在舒適的椅子上，距離電腦屏幕60 cm左右。實(shí)驗(yàn)要求每例受試者需要完成6種手勢(shì)的實(shí)驗(yàn)，做手勢(shì)之前手處于自然放松狀態(tài)，每個(gè)手勢(shì)需要重復(fù)10個(gè)Session，每個(gè)Session包括6個(gè)Trial，單組Session的實(shí)驗(yàn)時(shí)序安排見(jiàn)圖4A，實(shí)驗(yàn)場(chǎng)景見(jiàn)圖4B。實(shí)驗(yàn)開(kāi)始時(shí)，受試者有3 s的準(zhǔn)備時(shí)間，受試者根據(jù)系統(tǒng)提示做出相應(yīng)手勢(shì)動(dòng)作并持續(xù)4 s，接著有3 s休息時(shí)間，隨后開(kāi)始下一輪實(shí)驗(yàn)。實(shí)驗(yàn)期間要求受試者集中注意力，并盡量避免其他肢體的運(yùn)動(dòng)。

2例患者在獨(dú)立的病房?jī)?nèi)進(jìn)行6種手部精細(xì)運(yùn)動(dòng)EEG信號(hào)的采集，采集環(huán)境與實(shí)驗(yàn)安排均與健康受試者一致。

1.3 手部精細(xì)運(yùn)動(dòng)EEG信號(hào)處理方法 EEG信號(hào)來(lái)源于頭皮的腦神經(jīng)放電活動(dòng)，其幅值在10～50 μV范圍內(nèi)，在采集過(guò)程中易混雜大量噪聲并且容易產(chǎn)生基線漂移。因此，首先采用頻段濾波范圍為0.5～45 Hz的四階巴特沃斯濾波器，進(jìn)行EEG信號(hào)中工頻噪聲的去除。

手部精細(xì)運(yùn)動(dòng)是一種自發(fā)型內(nèi)源EEG，具有隨機(jī)性強(qiáng)、個(gè)體差異大的特點(diǎn)，因此傳統(tǒng)的機(jī)器學(xué)習(xí)方法，難以實(shí)現(xiàn)對(duì)6種手部精細(xì)動(dòng)作EEG進(jìn)行有效分類。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）作為近年來(lái)興起的一項(xiàng)新興技術(shù)，可以從EEG中深入挖掘隱藏其中的高維隱形特征^[8]。因此本研究采用CNN數(shù)學(xué)模型來(lái)實(shí)現(xiàn)六種手部精細(xì)運(yùn)動(dòng)EEG信號(hào)的分類問(wèn)題。

由于本研究選取了手部精細(xì)動(dòng)作執(zhí)行4 s時(shí)間長(zhǎng)度內(nèi)，大腦皮層軀體運(yùn)動(dòng)區(qū)8個(gè)通道的EEG作為目標(biāo)信號(hào)，而所建立CNN模型需要對(duì)6類運(yùn)動(dòng)手勢(shì)的EEG進(jìn)行分類。因此提出了輸入層為8×4 000數(shù)據(jù)點(diǎn)、輸出層為6個(gè)神經(jīng)元、全連接層數(shù)為3的CNN網(wǎng)絡(luò)模型，進(jìn)行6種手部精細(xì)運(yùn)動(dòng)EEG的解碼。CNN網(wǎng)絡(luò)模型的其余超參數(shù)設(shè)置為批處理32，學(xué)習(xí)率0.001，迭代次數(shù)100，損失函數(shù)為交叉熵?fù)p失函數(shù)。本研究所提出的CNN模型架構(gòu)見(jiàn)圖5。

為了進(jìn)一步驗(yàn)證所選取方法的有效，將小波變 換與反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)相結(jié)合的傳統(tǒng)算法作為對(duì)比算法，驗(yàn)證基于CNN解碼算法的手部精細(xì)運(yùn)動(dòng)BCI方法的有效性。其中，BP神經(jīng)網(wǎng)絡(luò)的主要參數(shù)設(shè)置如下，輸入層為16個(gè)節(jié)點(diǎn)，輸出層節(jié)點(diǎn)為6個(gè)，隱藏層節(jié)點(diǎn)為20個(gè)，其余超參數(shù)的設(shè)定與CNN網(wǎng)絡(luò)模型一致。

1.4 系統(tǒng)的性能評(píng)價(jià)指標(biāo) Kappa值是評(píng)價(jià)BCI系統(tǒng)性能的有效指標(biāo)，它表達(dá)了分類準(zhǔn)確率P₀與預(yù)期一致率P_e之間的一致性，其計(jì)算方式為k=P₀-P_e/1-P_e。其中，P₀為6類精細(xì)運(yùn)動(dòng)手勢(shì)EEG分類準(zhǔn)確率，P_e為期望一致性率。

2 實(shí)驗(yàn)結(jié)果分析

借助MATLAB中的brainstorm工具箱，對(duì)8例健康受試者、2例腦病患者執(zhí)行6種精細(xì)運(yùn)動(dòng)手勢(shì)時(shí)的全腦響應(yīng)特性進(jìn)行了溯源分析。10例受試者均表現(xiàn)出相似的腦響應(yīng)激活規(guī)律，圖6以最具有代表性的受試者S3在執(zhí)行左、右手拇指單指伸展運(yùn)動(dòng)時(shí)，0.133 3 s的時(shí)間間隔下，4 s運(yùn)動(dòng)過(guò)程中的全腦激活狀態(tài)。圖7為相同分析條件下，具有代表性腦病患者S9的全腦激活規(guī)律。分析結(jié)果可以看出，健康被試者與腦病患者執(zhí)行所選取的精細(xì)手勢(shì)時(shí)，大腦皮層軀體運(yùn)動(dòng)區(qū)發(fā)生了明顯的激活現(xiàn)象。

為了進(jìn)一步分析手部精細(xì)運(yùn)動(dòng)EEG的響應(yīng)特性，以健康被試者S3在軀體運(yùn)動(dòng)區(qū)最具代表性的C3、C4 EEG采集通道為例，本研究計(jì)算了執(zhí)行左手3種動(dòng)作、右手3種動(dòng)作EEG時(shí)頻、響應(yīng)特性（圖8）。分析結(jié)果顯示，在執(zhí)行左、右手精細(xì)運(yùn)動(dòng)時(shí)，在軀體運(yùn)動(dòng)區(qū)產(chǎn)生了明顯的ERD/ERS現(xiàn)象^[9]。

以分析6種手部精細(xì)運(yùn)動(dòng)EEG是否具有差異性為目標(biāo)，采用BrainMesh_ICBM152大腦模型模板，對(duì)6種手部精細(xì)動(dòng)作時(shí)的腦網(wǎng)絡(luò)進(jìn)行了構(gòu)建（圖9）。其中，腦網(wǎng)絡(luò)的節(jié)點(diǎn)代表每個(gè)電極通道，節(jié)點(diǎn)間的連線代表了神經(jīng)信息的信息流動(dòng)性。6種手勢(shì)執(zhí)行過(guò)程中大腦的連接結(jié)構(gòu)類似，具有EEG響應(yīng)機(jī)理上的穩(wěn)定性，但仔細(xì)觀察6種手勢(shì)執(zhí)行過(guò)程腦網(wǎng)絡(luò)的狀態(tài)和連接強(qiáng)度科研發(fā)現(xiàn)，6種手部精細(xì)運(yùn)動(dòng)的腦網(wǎng)絡(luò)具有的差異性，因此其EEG信號(hào)具有一定的可分性。

最后，為了驗(yàn)證手部精細(xì)運(yùn)動(dòng)BCI系統(tǒng)的有效性，分別采用CNN解碼算法與傳統(tǒng)WT-BPNN解碼方法對(duì)10例受試者6種手部精細(xì)運(yùn)動(dòng)EEG的分類準(zhǔn)確率及Kappa系數(shù)進(jìn)行計(jì)算（表1）。8例健康受試者在本研究所設(shè)計(jì)算法下的平均識(shí)別正確率為（80.67±3.76）%，平均Kappa系數(shù)為0.77，比WT-BP算法提高了3.77%，具有更高的準(zhǔn)確率以及更好的一致性。2例患者基于CNN解碼算法的平均正確率分別為（73.33±13.43）%，平均Kappa系數(shù)為0.68。

3 討 論

根據(jù)EEG產(chǎn)生機(jī)理的不同，目前主流BCI系統(tǒng)中所采用的范式包括慢皮層電位范式、運(yùn)動(dòng)想象范式、P300范式和穩(wěn)態(tài)視覺(jué)誘發(fā)范式^[10]。除此之外，近年來(lái)基于情緒的BCI范式也掀起了腦機(jī)接口領(lǐng)域的研究熱潮^[11]。上述范式中，運(yùn)動(dòng)想象作為一種自發(fā)型的BCI技術(shù)，通過(guò)采集受試者想象肢體運(yùn)動(dòng)時(shí)腦皮層產(chǎn)生的神經(jīng)電信號(hào)，受到了康復(fù)領(lǐng)域?qū)＜覍W(xué)者的青睞^[12]。華南理工大學(xué)采用改進(jìn)的CNN方法，成功對(duì)左手、右手、雙腳和舌頭四類運(yùn)動(dòng)想象的EEG進(jìn)行了有效分類^[13]。西華大學(xué)通過(guò)將注意力機(jī)制引入運(yùn)動(dòng)想象EEG中，也成功實(shí)現(xiàn)了對(duì)四類運(yùn)動(dòng)想象EEG的分類^[14]。雖然運(yùn)動(dòng)想象BCI技術(shù)的研究取得了飛速進(jìn)展，但是此類方法仍存在訓(xùn)練時(shí)間長(zhǎng)、個(gè)體差異性大、EEG隨機(jī)性強(qiáng)的缺點(diǎn)。對(duì)于運(yùn)動(dòng)功能區(qū)域受損的患者來(lái)說(shuō)，僅通過(guò)運(yùn)動(dòng)想象EEG難以實(shí)現(xiàn)對(duì)其腦控意圖的準(zhǔn)確辨識(shí)^[15]。

研究人員發(fā)現(xiàn)運(yùn)動(dòng)執(zhí)行EEG與運(yùn)動(dòng)想象EEG具有相似的運(yùn)動(dòng)機(jī)制，且運(yùn)動(dòng)執(zhí)行EEG的響應(yīng)更為明顯，因此研究人員陸續(xù)開(kāi)展了基于運(yùn)動(dòng)執(zhí)行BCI方法的研究。通過(guò)采集受試者執(zhí)行肢體運(yùn)動(dòng)時(shí)的EEG，來(lái)實(shí)現(xiàn)與外圍環(huán)境的交互或運(yùn)動(dòng)功能障礙患者愈后的康復(fù)訓(xùn)練^[16-17]。Wei等^[18]通過(guò)研究穩(wěn)態(tài)運(yùn)動(dòng)相關(guān)節(jié)律在運(yùn)動(dòng)解碼中的應(yīng)用，設(shè)計(jì)了一種基于四種手指運(yùn)動(dòng)的BCI方法。東南大學(xué)發(fā)現(xiàn)通過(guò)同時(shí)提取手部精細(xì)運(yùn)動(dòng)EEG的時(shí)域、頻域特征，改善了3種自然抓握動(dòng)作的EEG分辨精度^[19]。Wang等^[20]在深入分析EEG頻帶中包含的手部關(guān)鍵運(yùn)動(dòng)信息后，成功重建了患者手部的運(yùn)動(dòng)軌跡。

靈巧、精細(xì)的手部動(dòng)作對(duì)應(yīng)著大腦中復(fù)雜的神經(jīng)認(rèn)知活動(dòng)，因此揭示手部運(yùn)動(dòng)的神經(jīng)傳導(dǎo)機(jī)理、神經(jīng)信息產(chǎn)生機(jī)制以及運(yùn)動(dòng)相關(guān)EEG的腦網(wǎng)絡(luò)結(jié)構(gòu)特性，對(duì)發(fā)展上肢精細(xì)運(yùn)動(dòng)相關(guān)BCI技術(shù)的研究具有重要意義。由于EEG信號(hào)是一種微弱的神經(jīng)信號(hào)而手部精細(xì)運(yùn)動(dòng)相關(guān)EEG又是一種個(gè)體差異性較大的內(nèi)源性神經(jīng)信息，因此探討不同運(yùn)動(dòng)手勢(shì)的產(chǎn)生機(jī)理，特別是信息流動(dòng)性，不僅有助于大腦意圖的解讀，還可以有效改善上肢精確運(yùn)動(dòng)的BCI系統(tǒng)性能。

從對(duì)健康受試者、腦病患者的EEG進(jìn)行多維度分析可以看出，雖然腦病患者出現(xiàn)了明顯的運(yùn)動(dòng)功能障礙，但通過(guò)溯源分析顯示，患者在執(zhí)行手部精細(xì)運(yùn)動(dòng)時(shí)，軀體運(yùn)動(dòng)區(qū)仍出現(xiàn)了明顯的激活現(xiàn)象，且不同的手部精細(xì)運(yùn)動(dòng)間存在一定的差異性。這一現(xiàn)象進(jìn)一步證明了，將BCI技術(shù)引入運(yùn)動(dòng)功能障礙患者的愈后康復(fù)、運(yùn)動(dòng)功能重建具有巨大的臨床應(yīng)用潛力。 此外，通過(guò)解碼6種EEG信號(hào)中包含的腦控意圖可以看出，將先進(jìn)的人工智能算法引入BCI系統(tǒng)中，是提升此類系統(tǒng)性能、精確解讀患者意圖的有效途徑之一。

綜上所述，本研究通過(guò)分析靈巧、精細(xì)手部動(dòng)作的腦電響應(yīng)特性，設(shè)計(jì)并實(shí)現(xiàn)了一種基于手部精細(xì)運(yùn)動(dòng)分類的BCI技術(shù)，為運(yùn)動(dòng)功能障礙患者生活自理能力的恢復(fù)，開(kāi)辟了新的途徑。本研究采用的研究方法、分析技術(shù)及研究結(jié)果都有很好的參考價(jià)值，有助于推動(dòng)相關(guān)研究的進(jìn)一步開(kāi)展。但是，必須說(shuō)明的是現(xiàn)有的BCI技術(shù)仍處于實(shí)驗(yàn)室階段，仍然需要更多的實(shí)際患者進(jìn)行實(shí)驗(yàn)驗(yàn)證與優(yōu)化，這對(duì)未來(lái)康復(fù)腦機(jī)接口領(lǐng)域研究具有很好的價(jià)值，同時(shí)，開(kāi)發(fā)出經(jīng)濟(jì)實(shí)用的腦控上肢康復(fù)機(jī)器人，應(yīng)是未來(lái)康復(fù)腦機(jī)接口領(lǐng)域研究的重點(diǎn)方向。

利益沖突：所有作者均聲明不存在利益沖突。

作者貢獻(xiàn)聲明：李睿負(fù)責(zé)參與實(shí)驗(yàn)方法設(shè)計(jì)、實(shí)際調(diào)查研究、實(shí)驗(yàn)數(shù)據(jù)分析、實(shí)驗(yàn)結(jié)果可視化與論文初稿撰寫；劉宇琪負(fù)責(zé)數(shù)據(jù)整理與管理、實(shí)際調(diào)查研究；劉衛(wèi)平負(fù)責(zé)參與研究概念生成、研究資源采集、實(shí)驗(yàn)設(shè)計(jì)驗(yàn)證與核實(shí)、研究課題監(jiān)管與指導(dǎo)、參與論文審閱與修訂；兀瑞負(fù)責(zé)研究課題監(jiān)管與指導(dǎo)；白端陽(yáng)負(fù)責(zé)實(shí)驗(yàn)設(shè)計(jì)驗(yàn)證與核實(shí)；楊東負(fù)責(zé)論文審閱與修訂；張俊峰負(fù)責(zé)實(shí)驗(yàn)結(jié)果可視化；趙杰負(fù)責(zé)實(shí)驗(yàn)數(shù)據(jù)分析。

[參 考 文 獻(xiàn)]

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

[2]潘林聰，王坤，許敏鵬，等.面向運(yùn)動(dòng)意圖解碼的共空間模式及其擴(kuò)展算法研究綜述[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2022，41（5）：577-588.

Pan LC，Wang K，Xu MP，et al.Review of researches on common spatial pattern and its extended algorithms for movement intention decoding[J].Chin J Biomed Eng，2022，41（5）：577-588.

[3]Mridha MF，Das SC，Kabir MM，et al.Brain-Computer Interface： Advancement and Challenges.Sensors（Basel）[J]. 2021，21（17）：5746.

[4]吳弦光，陳迪，荀芳，等.發(fā)展康復(fù)事業(yè)促進(jìn)實(shí)現(xiàn)“健康中國(guó)2030”目標(biāo)[J].中國(guó)康復(fù)理論與實(shí)踐，2022，28（1）：6-14.

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）：6-14.

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

[6]Wang PP，Gong PL，Zhou YY，et al.Decoding the continuous motion imagery trajectories of upper limb skeleton points for EEG-based brain-computer interface[J].IEEE Trans Instrum Meas，2022，72：2503212.

[7]Bodda S，Diwakar S.Exploring EEG spectral and temporal dynamics underlying a hand grasp movement[J].PLoS One，2022，17（6）：e0270366.

[8]Gao YY，Gao B，Chen Q，et al.Deep convolutional neural network-based epileptic electroencephalogram（EEG） signal classification[J].Front Neurol，2020，11：375.

[9]Yuan H，He B.Brain-computer interfaces using sensorimotor rhythms：current state and future perspectives[J].IEEE Trans Biomed Eng，2014，61（5）：1425-1435.

[10]Wang Y，Nakanishi M，Zhang D.EEG-Based Brain-Computer Interfaces[J].Adv Exp Med Biol. 2019，1101：41-65.

[11]Li R，Liu D，Li ZJ，et al.A novel EEG decoding method for a facial-expression-based BCI system using the combined convolutional neural network and genetic algorithm[J].Front Neurosci，2022，16：988535.

[12]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.

[13]Yang L，Song YH，Jia XY，et al.Two-branch 3D convolutional neural network for motor imagery EEG decoding[J].J Neural Eng，2021，18（4）：ac17d6.

[14]Jia H，Yu SQ，Yin SJ，et al.A model combining multi branch spectral-temporal CNN，efficient channel attention，and LightGBM for MI-BCI classification[J].IEEE Trans Neural Syst Rehabil Eng，2023，10（2）：1311-1320.

[15]杜義浩，常超群，杜正，等.基于改進(jìn)遷移學(xué)習(xí)的運(yùn)動(dòng)想象分類識(shí)別算法[J].計(jì)量學(xué)報(bào)，2023，44（11）：1740-1748.

Du YH，Chang CQ，Du Z，et al.Classification and recognition algorithm of motion imagination based on improved transfer learning[J].Acta Metrol Sin，2023，44（11）：1740-1748.

[16]Munzert J，Lorey B，Zentgraf K.Cognitive motor processes：the role of motor imagery in the study of motor representations[J].Brain Res Rev，2009，60（2）：306-326.

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

[18]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）：ad01de.

[19]張大林，徐寶國(guó)，宋愛(ài)國(guó).基于頻域和時(shí)域腦電特征解碼自然抓握動(dòng)作[J].傳感器與微系統(tǒng)，2023，42（1）：67-70，74.

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）：67-70，74.

[20]Wang JR，Bi LZ，F(xiàn)ei WJ，et al.EEG-based continuous hand movement decoding using improved center-out paradigm[J].IEEE Trans Neural Syst Rehabil Eng，2022，30：2845-2855.

（收稿2024-03-14 修回2024-05-09）