上肢精細(xì)運(yùn)動(dòng)相關(guān)的腦機(jī)接口技術(shù)研究進(jìn)展

【摘要】 近年來由離散、靈巧手部動(dòng)作與復(fù)雜、連續(xù)上肢動(dòng)作組成上肢精細(xì)運(yùn)動(dòng)相關(guān)腦機(jī)接口技術(shù)，因其可實(shí)現(xiàn)患者大腦與外圍設(shè)備之間的直接交互，被廣泛應(yīng)用于幫助運(yùn)動(dòng)功能障礙患者恢復(fù)基本的生活自理能力。本文從上肢精細(xì)運(yùn)動(dòng)相關(guān)腦機(jī)接口技術(shù)的腦電響應(yīng)、范式設(shè)計(jì)、處理方法以及典型應(yīng)用四個(gè)方面的發(fā)展進(jìn)行了深入分析，同時(shí)也探討了該項(xiàng)技術(shù)目前所面臨的機(jī)遇、挑戰(zhàn)和未來發(fā)展方向。

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

【中圖分類號(hào)】 R651" 【文獻(xiàn)標(biāo)志碼】 A" 【文章編號(hào)】 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(yù)后存在肢體運(yùn)動(dòng)功能障礙問題，這對(duì)于中國(guó)康復(fù)醫(yī)療領(lǐng)域是一項(xiàng)嚴(yán)峻的挑戰(zhàn)^［1］，因此，探索有效的康復(fù)策略、提高肢體功能障礙患者的生活自理能力變得至關(guān)重要。近年來，一種以大腦頭層電信號(hào)為控制信息源的腦機(jī)接口（brain computer interface，BCI）技術(shù)脫穎而出，實(shí)現(xiàn)了大腦與外圍設(shè)備之間的直接交互^［2］。該技術(shù)通過提取腦神經(jīng)細(xì)胞產(chǎn)生的電脈沖信號(hào)，實(shí)現(xiàn)對(duì)腦卒中患者運(yùn)動(dòng)意圖的精準(zhǔn)辨識(shí)，這一技術(shù)的發(fā)展有望改善此類患者的生活質(zhì)量，因此在康復(fù)工程領(lǐng)域受到了廣泛關(guān)注^［3］。本文將從上肢精細(xì)運(yùn)動(dòng)相關(guān)EEG的產(chǎn)生機(jī)理、腦控范式設(shè)計(jì)、EEG解碼方法及臨床應(yīng)用四個(gè)方面，對(duì)上肢精細(xì)運(yùn)動(dòng)相關(guān)BCI技術(shù)進(jìn)行梳理，并對(duì)該方法在康復(fù)領(lǐng)域面臨的挑戰(zhàn)與機(jī)遇進(jìn)行展望。

1 背 景

面向康復(fù)工程領(lǐng)域的BCI系統(tǒng)結(jié)構(gòu)（圖1）主要由腦電信號(hào)（electroencephalogram，EEG）的精密測(cè)量、特征提取、模式識(shí)別以及外圍設(shè)備控制組成^［4］。基于上肢精細(xì)運(yùn)動(dòng)相關(guān)BCI技術(shù)通過解碼受試者想象、執(zhí)行、觀察離散、靈巧手部動(dòng)作，復(fù)雜、連續(xù)上肢動(dòng)作期間腦皮層產(chǎn)生的EEG，受到了康復(fù)領(lǐng)域?qū)＜覍W(xué)者的青睞^［5］。美國(guó)卡內(nèi)基隆大學(xué)為肌萎縮側(cè)索硬化癥（amyotrophic lateral sclerosis，ALS）患者開發(fā)了一套運(yùn)動(dòng)想象BCI系統(tǒng)，該系統(tǒng)利用神經(jīng)信息反饋機(jī)制，實(shí)現(xiàn)了ALS患者在二維空間內(nèi)對(duì)假肢的連續(xù)運(yùn)動(dòng)控制^［6］。

目前用于神經(jīng)康復(fù)領(lǐng)域的運(yùn)動(dòng)相關(guān)BCI范式大致分為兩類，一類是對(duì)左手、右手、舌頭和腳四種肢體大運(yùn)動(dòng)的想象，另一類則是通過分析患者運(yùn)動(dòng)時(shí)EEG信號(hào)的振蕩節(jié)律特征，重構(gòu)其上肢運(yùn)動(dòng)軌跡^［7］。德國(guó)圖賓根大學(xué)的研究人員通過對(duì)患者運(yùn)動(dòng)神經(jīng)振蕩節(jié)律特征的檢測(cè)、分析，幫助中風(fēng)患者恢復(fù)了基本的抓握功能^［7］。Mondini等^［8］用機(jī)器學(xué)習(xí)算法對(duì)運(yùn)動(dòng)相關(guān)EEG低頻特征進(jìn)行連續(xù)解碼，實(shí)現(xiàn)了對(duì)腦卒中患者手部運(yùn)動(dòng)軌跡的連續(xù)追蹤。

2 上肢精細(xì)運(yùn)動(dòng)相關(guān)BCI方法

2.1 上肢精細(xì)運(yùn)動(dòng)相關(guān)EEG響應(yīng)特性 運(yùn)動(dòng)相關(guān)EEG信號(hào)根據(jù)受試者執(zhí)行特定心理活動(dòng)時(shí)大腦神經(jīng)調(diào)控方式的不同，分為感覺運(yùn)動(dòng)節(jié)律（sensorimotor rhythm，SMR）和運(yùn)動(dòng)相關(guān)皮層電位（movement related cortical potentials，MRCPs）兩類，其中SMR節(jié)律與EEG中的α、β頻段密切相關(guān)，MRCPs則產(chǎn)生于EEG的δ節(jié)律中。

SMR節(jié)律多存在于離散、靈巧的手部動(dòng)作過程中，在大腦軀體運(yùn)動(dòng)區(qū)表現(xiàn)最為明顯^［9］。當(dāng)受試者進(jìn)行上肢運(yùn)動(dòng)想象或運(yùn)動(dòng)執(zhí)行思維任務(wù)時(shí)，感覺運(yùn)動(dòng)皮層EEG表現(xiàn)為α、β頻段能量減少，γ頻段能量增加。這種神經(jīng)集群的同步放電或同時(shí)停止，會(huì)導(dǎo)致α、β頻段能量的突然升高或降低，這種現(xiàn)象被稱為事件相關(guān)去同步化/去同步化（event-related de/synchronization，ERD/ERS）。僅從EEG時(shí)域表征中提取特征難以辨別出不同手部動(dòng)作的類別，因此需進(jìn)一步從頻域、時(shí)頻域內(nèi)提取其豐富的神經(jīng)特征信息。荷蘭的一項(xiàng)研究通過想象手掌旋轉(zhuǎn)運(yùn)動(dòng)時(shí)產(chǎn)生的EEG發(fā)現(xiàn)，受試者在想象手掌外旋、內(nèi)旋時(shí)，內(nèi)旋想象產(chǎn)生的ERD現(xiàn)象明顯高于外旋想象任務(wù)^［10］。因此，通過分析不同手部動(dòng)作產(chǎn)生的SMR節(jié)律，可幫助醫(yī)護(hù)人員有效辨識(shí)出患者的自主運(yùn)動(dòng)意圖。

MRCPs作為事件相關(guān)電位的一種，常存在于復(fù)雜、連續(xù)的上肢運(yùn)動(dòng)過程中，是人體在執(zhí)行誘發(fā)運(yùn)動(dòng)或自主運(yùn)動(dòng)時(shí)，在腦皮層軀體運(yùn)動(dòng)區(qū)δ頻帶產(chǎn)生的一類負(fù)值、低頻電位，具有嚴(yán)格的鎖時(shí)、鎖相特征，被廣泛用于人體運(yùn)動(dòng)的起始時(shí)刻檢測(cè)與運(yùn)動(dòng)軌跡重構(gòu)^［11］。2020年，Kobler等^［12］發(fā)現(xiàn)δ頻帶的幅值信息包含了手臂運(yùn)動(dòng)起始時(shí)刻與運(yùn)動(dòng)方向的關(guān)鍵信息。Wang等^［13］通過采集手部經(jīng)典運(yùn)動(dòng)center-out范式下產(chǎn)生的EEG信號(hào)，成功重建了患者手部的運(yùn)動(dòng)軌跡。近年來，研究人員通過探索運(yùn)動(dòng)相關(guān)EEG信號(hào)發(fā)現(xiàn)，γ頻段在上肢精細(xì)運(yùn)動(dòng)解碼中起到的作用也不可忽視^［14］。2022年，Tatti等^［15］發(fā)現(xiàn)手部運(yùn)動(dòng)學(xué)參數(shù)的變化與γ頻段的幅值呈正相關(guān)關(guān)系。

2.2 上肢精細(xì)運(yùn)動(dòng)相關(guān)的BCI范式設(shè)計(jì) 目前上肢精細(xì)運(yùn)動(dòng)相關(guān)的BCI范式，主要包括了運(yùn)動(dòng)想象、運(yùn)動(dòng)執(zhí)行和運(yùn)動(dòng)觀察三個(gè)主流范式。

運(yùn)動(dòng)想象BCI范式是目前應(yīng)用最多、研究最久的一類范式^［16］。2020年，Wei等^［17］以實(shí)現(xiàn)患者對(duì)機(jī)械臂的精確控制為目標(biāo)，設(shè)計(jì)了一款想象四種手部動(dòng)作的運(yùn)動(dòng)想象BCI范式。由于離散、靈巧的手部動(dòng)作是一種復(fù)雜的肢體運(yùn)動(dòng)，僅通過運(yùn)動(dòng)想象EEG難以實(shí)現(xiàn)對(duì)患者腦控意圖的準(zhǔn)確辨識(shí)，因此目前對(duì)上肢精細(xì)運(yùn)動(dòng)的BCI范式設(shè)計(jì)，主要聚焦于運(yùn)動(dòng)執(zhí)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(shí)現(xiàn)了對(duì)由5類單側(cè)手部抓取動(dòng)作的準(zhǔn)確辨識(shí)。Wang等^［19］通過分析MRCPs電位與非線性動(dòng)力學(xué)參數(shù)特征，對(duì)患者主動(dòng)手的運(yùn)動(dòng)方向進(jìn)行了辨識(shí)。

在日常生活中，上肢運(yùn)動(dòng)是一個(gè)連續(xù)的過程，若能夠通過EEG解碼出上肢運(yùn)動(dòng)過程中的位置、速度等參數(shù)，繼而重構(gòu)出上肢的連續(xù)運(yùn)動(dòng)軌跡，有望實(shí)現(xiàn)患者對(duì)康復(fù)機(jī)器人的精準(zhǔn)控制。Kim等^［20］通過從受試者EEG中解析二維平面內(nèi)手臂移動(dòng)的運(yùn)動(dòng)方向、運(yùn)動(dòng)距離參數(shù)，成功重構(gòu)出了手臂的運(yùn)動(dòng)軌跡。Korik等^［21］通過解碼手臂運(yùn)動(dòng)過程中的EEG信號(hào)，在三維空間中實(shí)現(xiàn)了對(duì)虛擬手臂的在線控制。

與運(yùn)動(dòng)想象、運(yùn)動(dòng)執(zhí)行范式相類似，受試者觀察特定運(yùn)動(dòng)時(shí)，在腦皮層軀體運(yùn)動(dòng)區(qū)也會(huì)產(chǎn)生明顯的ERD/ERS現(xiàn)象，這一現(xiàn)象可以幫助腦卒中患者進(jìn)行康復(fù)訓(xùn)練^［22］。Cabrera等^［23］通過分析受試者上肢連續(xù)運(yùn)動(dòng)時(shí)的EEG，在大腦皮層視覺區(qū)和運(yùn)動(dòng)區(qū)發(fā)現(xiàn)了明顯的α頻帶活動(dòng)。Müller-Putz等^［24］通過解碼運(yùn)動(dòng)觀察范式下受試者的EEG，實(shí)現(xiàn)了對(duì)仿生假手的柔順控制。

2.3 上肢精細(xì)運(yùn)動(dòng)相關(guān)的EEG解碼 由于上肢精細(xì)運(yùn)動(dòng)相關(guān)的EEG屬于一種復(fù)雜的、內(nèi)源性自發(fā)腦電信號(hào)，因此借助機(jī)器學(xué)習(xí)算法是解碼上肢精細(xì)運(yùn)動(dòng)意圖的關(guān)鍵所在^［25］。上肢精細(xì)運(yùn)動(dòng)相關(guān)EEG的解碼包括EEG的預(yù)處理、特征提取與模式辨識(shí)三方面。

2.3.1 預(yù)處理方法 研究人員在分析上肢精細(xì)運(yùn)動(dòng)相關(guān)EEG時(shí)發(fā)現(xiàn)，目前混雜于運(yùn)動(dòng)相關(guān)EEG中的噪聲主要分為兩類，第一類噪聲來源于EEG采集設(shè)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(xì)運(yùn)動(dòng)相關(guān)EEG中混雜的第二類噪聲信號(hào)，主要來自EEG采集過程中產(chǎn)生的眼電、肌電信號(hào)，由于第二類噪聲信號(hào)來自人體不同部位且相互獨(dú)立，因此該類信號(hào)的消除一般多采用獨(dú)立主成分分析、多通道經(jīng)驗(yàn)?zāi)Ｊ椒纸獾确椒ㄈコ?sup>［^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(duì)EEG解碼的影響。

2.3.2 特征提取方法 根據(jù)信號(hào)表征方式的不同，上肢精細(xì)運(yùn)動(dòng)相關(guān)EEG的有效特征可在時(shí)域、頻域、時(shí)頻域、空域和不同通道EEG信號(hào)間的功能連接關(guān)系計(jì)算中獲得。MRCPs電位特征主要表現(xiàn)在時(shí)域信號(hào)的幅值變化上。Wang等^［27］通過提取MRCPs電位的幅值特征，實(shí)現(xiàn)了單手、雙手運(yùn)動(dòng)方向的辨識(shí)。頻域特征的提取多是基于SMR節(jié)律分析的，經(jīng)典的頻域特征提取方法包括快速傅立葉變換（fast fourier transform，F(xiàn)FT）和功率譜密度分析（power spectral density，PSD）^［28］。以實(shí)現(xiàn)手部動(dòng)作分類為目標(biāo)，張大林等^［29］發(fā)現(xiàn)，將EEG信號(hào)的時(shí)域特征與PSD算法計(jì)算得到的頻域特征相結(jié)合，有效改善了3種自然抓握動(dòng)作的分辨精度。除單一時(shí)頻域特征外，上肢精細(xì)運(yùn)動(dòng)相關(guān)EEG還采用短時(shí)傅里葉變換、連續(xù)小波變換等時(shí)頻域聯(lián)合分析方法進(jìn)行EEG特征的提取。黃孝妍等^［30］將EEG信號(hào)時(shí)頻域信息相結(jié)合，通過兩種信息的互補(bǔ)解析出了上肢連續(xù)運(yùn)動(dòng)過程中的位置和速度參數(shù)?？沼蛱卣魇欠治鯡EG在不同腦區(qū)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(duì)不同速度上肢運(yùn)動(dòng)的EEG分類問題，提出了一種改進(jìn)的CSP算法進(jìn)行運(yùn)動(dòng)速度特征的挖掘。由于大腦皮層是由數(shù)以萬計(jì)的神經(jīng)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(xì)運(yùn)動(dòng)的腦認(rèn)知過程、不同腦功能區(qū)間的信息流動(dòng)性與功能連接關(guān)系^［32］。EEG的功能連接特征主要是通過計(jì)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(píng)價(jià)指標(biāo)來衡量的。Xu等^［33］通過計(jì)算不同通道間的PLV值，解決了單側(cè)上肢運(yùn)動(dòng)想象EEG信號(hào)的分類問題。Hosseini等^［34］通過計(jì)算不同通道EEG的PLV、MSC指標(biāo)，解碼出了手部連續(xù)運(yùn)動(dòng)的位置和速度參數(shù)。

2.3.3 EEG解碼算法 上肢精細(xì)運(yùn)動(dòng)相關(guān)EEG的解碼問題，分為對(duì)離散、靈巧手部動(dòng)作的分類與解碼連續(xù)上肢運(yùn)動(dòng)的位置、速度等參數(shù)，對(duì)運(yùn)動(dòng)軌跡進(jìn)行重構(gòu)兩個(gè)方面。前者屬于復(fù)雜的多分類問題，傳統(tǒng)機(jī)器學(xué)習(xí)算法中的線性判別分析（linear discriminant analysis，LDA）、支持向量機(jī)（support vector machine，SVM）等經(jīng)典算法被廣泛應(yīng)用于解決該類問題^［35］。Alazrai等^［36］通過構(gòu)建SVM組合分類算法，實(shí)現(xiàn)了12種不同手指運(yùn)動(dòng)的離散判斷。Rithwik等^［37］利用LDA對(duì)提取到的手部運(yùn)動(dòng)方向特征進(jìn)行分類。上肢精細(xì)運(yùn)動(dòng)相關(guān)EEG解碼的另一個(gè)方向，是解碼出上肢連續(xù)運(yùn)動(dòng)過程中的運(yùn)動(dòng)學(xué)參數(shù)并對(duì)其軌跡進(jìn)行重構(gòu)，一般多采用基于多元變量線性回歸模型（multi-variable linear regression，MLR）進(jìn)行軌跡的重構(gòu)計(jì)算^［38］。Jain等^［39］利用MLR模型對(duì)三維空間內(nèi)上肢抓取過程的運(yùn)動(dòng)軌跡進(jìn)行了重構(gòu)。除了上述傳統(tǒng)算法外，近年來興起的深度學(xué)習(xí)算法也被廣泛應(yīng)用于上肢精細(xì)運(yùn)動(dòng)相關(guān)的EEG解碼中^［40］。常用于上肢精細(xì)運(yùn)動(dòng)相關(guān)EEG解碼的深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long short-term memory network，LSTM） 等。Chen等^［41］將EEGNet和LSTM模型進(jìn)行結(jié)合，通過所構(gòu)建的多任務(wù)深度學(xué)習(xí)模型解碼出了雙手運(yùn)動(dòng)過程中的位置、速度參數(shù)。

2.3.4 典型應(yīng)用 現(xiàn)階段上肢精細(xì)運(yùn)動(dòng)相關(guān)BCI技術(shù)在臨床方面的應(yīng)用主要包括了可穿戴上肢康復(fù)機(jī)器人和腦控機(jī)械臂兩大方向。腦卒中等肢體功能障礙患者通過對(duì)康復(fù)機(jī)器人、機(jī)械臂的控制，可以改善其生活自理能力。Zhang等^［42］利用對(duì)肌電、眼電和腦電的融合，通過氣動(dòng)手指輔助被試完成了多種手部靈巧運(yùn)動(dòng)，這一研究為腦卒中患者手部運(yùn)動(dòng)機(jī)能的恢復(fù)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(shù)后采用上肢精細(xì)運(yùn)動(dòng)相關(guān)BCI技術(shù)的康復(fù)治療效果，證明了與傳統(tǒng)方法相比較，該技術(shù)可有效改善此類患者的運(yùn)動(dòng)功能。

3 結(jié)論與展望

由離散、靈巧手部動(dòng)作與連續(xù)、復(fù)雜上肢動(dòng)作組成的上肢精細(xì)運(yùn)動(dòng)相關(guān)BCI技術(shù)，在康復(fù)醫(yī)療領(lǐng)域具有重要的科學(xué)研究意義與臨床應(yīng)用參考價(jià)值。但是現(xiàn)階段，該項(xiàng)技術(shù)仍具有一定的局限性亟待解決。首先，由于上肢精細(xì)運(yùn)動(dòng)對(duì)應(yīng)著大腦中復(fù)雜的神經(jīng)認(rèn)知活動(dòng)，因此進(jìn)一步揭示運(yùn)動(dòng)的神經(jīng)傳導(dǎo)機(jī)理、EEG的產(chǎn)生機(jī)制以及運(yùn)動(dòng)相關(guān)腦網(wǎng)絡(luò)的結(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。這一舉措不僅有助于臨床醫(yī)生對(duì)患者大腦意圖的準(zhǔn)確解讀，還可以有效改善基于上肢精確運(yùn)動(dòng)EEG信號(hào)的BCI系統(tǒng)性能。其次，提高EEG信號(hào)解碼精度是改善上肢精細(xì)運(yùn)動(dòng)相關(guān)BCI技術(shù)的關(guān)鍵所在。由于運(yùn)動(dòng)相關(guān)EEG是一種自發(fā)型腦電信號(hào)，因此如何通過解碼算法消除受試者之間的個(gè)體差異性，是優(yōu)化EEG解碼算法性能的關(guān)鍵因素之一。最后，現(xiàn)階段運(yùn)動(dòng)相關(guān)BCI技術(shù)的研究大多處于實(shí)驗(yàn)室階段，具有成本高、抗干擾能力弱的弊端。因此，開發(fā)出經(jīng)濟(jì)型、可產(chǎn)業(yè)化的康復(fù)BCI系統(tǒng)，應(yīng)是未來腦機(jī)接口領(lǐng)域研究的重點(diǎn)方向。同時(shí)，進(jìn)一步完善BCI的臨床評(píng)估指標(biāo)，也是推動(dòng)基于上肢精細(xì)運(yùn)動(dòng)相關(guān)BCI技術(shù)向臨床發(fā)展的重要舉措之一。

綜上所述，基于上肢精細(xì)運(yùn)動(dòng)相關(guān)的BCI技術(shù)在神經(jīng)康復(fù)領(lǐng)域展現(xiàn)出了巨大的臨床應(yīng)用潛力，是未來康復(fù)工程發(fā)展的必然趨勢(shì)。

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;劉錦莉負(fù)責(zé)實(shí)驗(yàn)設(shè)計(jì)驗(yàn)證與核實(shí);兀瑞負(fù)責(zé)研究課題監(jiān)管與指導(dǎo);趙杰負(fù)責(zé)論文審閱與修訂;楊東負(fù)責(zé)實(shí)驗(yàn)結(jié)果可視化；鄧柯負(fù)責(zé)實(shí)驗(yàn)數(shù)據(jù)分析。

［參" 考"" 文"" 獻(xiàn)］

［1］ 世界衛(wèi)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(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）：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(tǒng)的軟硬件開發(fā)平臺(tái)發(fā)展現(xiàn)狀［J］.電子測(cè)量與儀器學(xué)報(bào)，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，F(xiàn)ei WJ，et al.EEG-based continuous hand movement decoding using improved center-out paradigm［J］.IEEE Trans Neural Syst Rehabil Eng，2022，30：28452855.

［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，F(xiàn)erraioli 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，F(xiàn)ei 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，F(xiàn)rancuz 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，F(xiàn)ei 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(guó)，宋愛國(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）：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(guó).復(fù)數(shù)循環(huán)神經(jīng)網(wǎng)絡(luò)解碼運(yùn)動(dòng)參數(shù)的研究［J］.傳感器與微系統(tǒng)，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(yùn)動(dòng)想象分類［J］.華中科技大學(xué)學(xué)報(bào)（自然科學(xué)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，F(xiàn)u 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(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（52305035）；陜西省教育廳專項(xiàng)科研計(jì)劃項(xiàng)目（22JK0471）

通信作者：劉衛(wèi)平