基于脑电神经反馈的Lokomat步行动作意象训练增强完全性脊髓损伤患者的运动节律

《IEEE Transactions on Human-Machine Systems》：EEG Neurofeedback-Based Gait Motor Imagery Training in Lokomat Enhances Motor Rhythms in Complete Spinal Cord Injury

　　本研究针对完全性脊髓损伤(SCI)患者运动功能重建难题，创新性地提出了一种结合Lokomat机器人步态训练与脑电(EEG)神经反馈(NFB)的动作意象(MI)训练系统。通过设计特异性算法消除机器人被动运动产生的默认皮层影响，研究证实真实NFB能有效促进患者μ(8-12 Hz)和β(13-30 Hz)运动节律的自主调制，且在后期训练中True NFB与Sham NFB呈现显著差异。该成果为完全性SCI患者的神经可塑性调控提供了新范式，发表于IEEE人机系统汇刊。

　　

当脊髓遭遇严重损伤，大脑与肢体间的神经通路就像被切断的电缆，导致运动功能永久性丧失。尤其对于被诊断为完全性脊髓损伤（ASIA A级）的患者，传统康复手段往往收效甚微。然而，近年来科学家发现，即使在外周运动通路中断的情况下，大脑仍保留着指挥运动的"记忆密码"——通过想象行走动作（运动意象，Motor Imagery, MI），能够激活大脑运动皮层的特定节律活动。这为瘫痪患者的康复带来了新的曙光。

但如何让患者准确掌握这种"意念行走"的技巧？单纯依靠想象犹如盲人摸象，缺乏实时反馈使得训练效果大打折扣。与此同时，机器人辅助步态训练设备Lokomat虽能提供精准的被动步行训练，但其产生的机械运动本身就会引发大脑皮层的活动，这种"噪音"反而可能干扰与运动意象相关的特异性神经信号的提取与学习。这正是当前神经康复领域面临的关键挑战。

为解决这一难题，来自巴西圣杜蒙研究所和圣灵联邦大学的研究团队在《IEEE Transactions on Human-Machine Systems》上发表了一项创新性研究。他们开发了一套基于脑电图（Electroencephalogram, EEG）的神经反馈（Neurofeedback, NFB）系统，将Lokomat机器人步态训练与运动意象相结合，旨在教会完全性脊髓损伤患者自主调控与行走相关的大脑运动节律。

研究团队的核心技术创新在于提出了一套数学公式，用于最小化Lokomat被动行走时产生的默认皮层效应。这使得系统能够更清晰地捕捉并反馈由患者主动进行运动意象时引发的神经活动变化。该系统主要依赖以下几个关键技术方法：首先，通过64导联EEG设备采集大脑电信号，重点关注位于大脑顶部中央区（Cz电极）的信号，因为该区域与下肢运动控制密切相关。其次，在线信号处理流程包括8-30 Hz的带通滤波和共同平均参考（Common Average Reference, CAR）滤波，以去除噪声。然后，利用快速傅里叶变换（Fast Fourier Transform, FFT）计算功率谱，并运用提出的公式实时计算相对于基线（仅被动行走）的μ（8-12 Hz）和β（15-20 Hz）节律的相对功率变化。最后，将此变化以视觉反馈（绿色代表调制良好，红色反之）形式呈现给患者，指导其调整运动意象策略。研究招募了两名慢性完全性SCI患者（ASIA A级），进行了为期12次、每次包含基线（被动行走）、真实NFB（True NFB）和虚假NFB（Sham NFB）阶段的干预，以评估系统效果。

功率谱调制分析

通过线性判别分析（Linear Discriminant Analysis, LDA）对μ和β节律的功率特征进行降维可视化后发现，在干预初期，基线期与True NFB期的脑电特征分布较为接近。然而，随着训练次数的增加，到了第12次干预时，两名患者的基线期与True NFB期的特征在LDA子空间中出现了明显的分离，其置信椭圆中心之间的欧几里得距离增大。相比之下，基线期与Sham NFB期（提供随机反馈）的特征距离在整个干预过程中变化不大，甚至在后期有减小趋势。这表明，接受真实NFB训练的患者，其在进行运动意象时的大脑活动模式与单纯被动行走时的模式差异越来越大，暗示他们逐渐学会了自主调控特定的运动皮层节律。

空间特征判别与概率

为了更精确地量化两种NFB条件下脑电模式与基线模式的差异，研究人员进一步采用了共同空间模式（Common Spatial Patterns, CSP）特征和一种基于k近邻（k-Nearest Neighbors, kNN）的概率分析方法。结果显示，对于个体1，在最后三次干预中（第10、11、12次），True NFB条件下脑电模式与基线模式存在差异的概率（Probability）显著高于Sham NFB条件，同时分类准确率（Accuracy）和科恩卡帕值（Cohen's kappa）也显示出显著差异。个体2则在最后两次干预中（第11、12次）表现出类似的显著差异。尽管个体间存在差异（个体1的结果变异性更大），但总体趋势表明，True NFB在干预后期能更有效地诱导出与运动意象相关的、区别于被动行走的独特大脑活动模式。

统计显著性分析

配对t检验的统计结果（p值）证实了上述观察。对于两名参与者，在多个后期干预阶段，区分True NFB与基线的各项性能指标（准确率、科恩卡帕值、概率）均显著优于区分Sham NFB与基线的指标（p < 0.05）。这强有力地支持了研究假设：真实的、基于脑电节律调制的视觉反馈，而非随机的虚假反馈，是促使患者学会调控自身运动节律的关键因素。

该研究的结论明确指出，所提出的基于运动意象的神经反馈系统能够有效地帮助完全性脊髓损伤患者在学习阶段自主调制其大脑运动皮层的μ和β节律。这种调制能力在训练后期通过True NFB与Sham NFB的显著差异得以体现。研究的意义在于，它成功地将机器人辅助训练、运动意象认知策略和精准的神经反馈技术融为一体，为严重运动功能障碍患者的神经可塑性（Neuroplasticity）调控和运动功能重建提供了一种极具潜力的新方法。它不仅证实了即使在完全性脊髓损伤后，大脑仍具备通过特定训练学习调控运动节律的能力，更重要的是，通过消除机器人辅助产生的干扰，提升了神经反馈训练的特异性和有效性，为开发更高效的个性化神经康复方案奠定了坚实基础。当然，研究也存在一些局限性，如样本量较小、缺乏健康对照组、单通道反馈可能不足以完全捕捉复杂运动意象的脑活动等，这些都为未来的研究指明了方向。