脑机接口（BCI）是一项能将大脑活动信号转换为外部设备控制信号的技术，在运动康复这一领域中，尤其适用于中风后运动想象训练。传统的脑电图（EEG）BCI由于对运动伪影敏感、需要导电凝胶等原因，限制了其在实际康复训练中的应用。相比之下，近红外光谱（NIRS）技术以其较低的伪影干扰优势，更适合临床康复应用。
运动想象是中风康复的一种方法，通过反馈训练可以激活患者的运动系统。然而，现有的NIRS数据多来自健康人群，缺乏标记的中风患者NIRS数据集。本研究弥补了这一空白，构建并公开了首个针对中风患者的多次训练NIRS数据集，包含15名患者的237次会话、超过50小时的脑机接口（BCI）运动想象任务数据。该数据集包括左手、右手运动想象和放松任务的血流动力学响应，旨在支持NIRS-BCI系统在中风康复中的应用。数据集为验证跨会话和跨患者的分类算法提供了基础，在康复领域的个性化BCI开发中具有重要价值
研究方法
1. 参与者招募和筛选
研究共招募了15名中风患者，患者中包含9名男性和6名女性。所有患者在发病后被送至康复科接受康复治疗，研究开始时他们的发病时间均在2至10个月之间。招募时，研究团队根据患者的病史、临床症状以及单侧皮质病变的情况进行筛选。所有患者均为右利手，在研究启动前确保他们具备能够配合运动想象训练的认知能力。患者基线评分包括Fugl-Meyer上肢评分（UE-FMA）和动作研究手臂测试（ARAT）评分，用于衡量其上肢功能的恢复情况。
2. 实验任务和设置
为了使每位患者的运动想象体验更具个性化，物理治疗师在实验开始前为每位患者设计了最适合的运动任务。这些任务通常选自ARAT评分中最具挑战性的动作。实验前的准备阶段，治疗师要求患者数次完成目标动作，直到患者确认可以在脑海中重现这一动作。实验任务设计包括三个部分：左手运动想象、右手运动想象和放松。屏幕显示不同颜色的箭头，以指导患者进行准备或执行任务。对于需要具体道具辅助的任务（如球、木块、管子），在训练时将这些道具放置在患者身边，以便在“启动步骤”中帮助患者激活运动记忆。
图1. 典型的会话流程。
3. 数据采集设备和信号处理
实验中，研究人员使用NIRScout 16×8设备来记录NIRS信号，设备以连续波模式操作，波长分别为760 nm和850 nm。头皮上共放置14个光源和8个探测器，布局在主要的运动区域上方。光源和探测器之间的距离保持约3厘米，以确保能够记录到清晰的血流动力学信号。通过比尔-朗伯定律修正，原始的光强度信号转换为氧合血红蛋白（HbO）和脱氧血红蛋白（HbR）的相对浓度。每个通道的采样率设为15.625 Hz，确保较高的时间分辨率。
4. 数据处理与分类流程
在数据处理阶段，研究团队首先对采集到的原始NIRS数据进行预处理，包括带通滤波和高通滤波，以减少缓慢的信号漂移和其他高频伪影的影响。过滤后的HbO和HbR浓度被选作特征输入至分类模型。分类过程分为两个步骤：第一步是判定每个数据片段是放松状态还是运动想象状态；第二步在识别运动想象后进一步区分是左手还是右手的运动想象。分类算法选用线性判别分析（LDA），并通过收缩正则化来减少多重共线性对模型的不良影响。训练样本包含当前会话和过去所有会话的数据块，这种数据积累的方式便于模型优化和增强对患者特征的学习。
5. 数据存储与可用性
收集的数据集被存储在NeuroImaging Tools & Resources Collaboratory（NITRC）开放资源库中，以便于后续研究和验证。数据包括原始NIRS信号、HbO和HbR的相对浓度、任务标签、时间向量、采样率以及混淆矩阵结果。所有数据文件均以MATLAB格式和snirf格式呈现，每个文件通过患者ID、天数、会话号和数据类型进行标识。
表2. 存储在.mat数据文件中的变量列表。
研究结果分析
1. 分类性能评价
分类性能是本研究的核心评估指标。实验结果显示，总体上各患者的分类召回率中位数为46.0%，这一召回率远高于随机分类水平（随机情况下召回率应接近33.3%），表明在运动想象任务中NIRS信号的分类具有较高的可信度。然而，在不同受试者和不同会话之间，分类性能的表现差异显著。以召回率为例，患者内部不同会话之间的中位召回率范围为29.5%，显示了分类性能的波动性。
2. 不同患者的血流动力学反应差异
在进一步分析中，研究团队对不同患者在左手和右手运动想象期间的血流动力学反应进行了详细比较。具体来说，左侧和右侧中风患者在实验过程中展示出相似的血流动力学变化，但在健侧半球和受损半球之间的反应存在明显的不对称性。在左半球或右半球中风患者中，健侧半球对运动想象任务的响应比受损半球更强，这种不对称的血流动力学反应可能与跨半球的抑制性驱动有关。根据文献，健侧半球的抑制可能会影响受损半球的反应，从而导致对患侧手运动想象的响应更显著。
图5. 左侧和右侧中风患者在左侧半球的第6和第7通道，以及右侧半球的对称第20和第22通道，在休息和成像状态下的血流动力学响应。蓝色和红色线条分别表示左手和右手成像。半透明区域显示标准误差，蓝色垂直线表示运动成像开始。
3. 多次会话训练对分类性能的影响
通过对多次会话的分类性能进行纵向分析，研究发现患者在不同训练会话中逐渐表现出更高的分类稳定性，这可能表明患者的运动想象能力在康复过程中逐步增强，且模型在经过多次训练后对患者的运动模式学习得更好。特定患者的会话召回率在前几次训练中波动较大，但在后续训练中趋于稳定，这显示了跨会话的学习潜力。
4. 数据在算法开发中的应用潜力
本研究提供的数据集具有重要的应用前景。首先，跨患者的血流动力学反应差异为后续算法开发提供了参考。在设计NIRS-BCI系统时，不同患者的血流动力学反应模式可用于优化个性化的分类算法。此外，训练模型在识别不同患者的运动想象时可以通过转移学习等方法进行增强，从而提高跨受试者的分类准确性。未来，跨会话和跨患者数据的积累能够推动在实际应用中表现更稳定、适应性更强的BCI系统。
5. 技术验证与数据均衡性的挑战
尽管本数据集设计上存在一定的不均衡性（如每次会话包含不同数量的模块、患者参与的训练次数不一），但这一现象也反映了真实康复过程中患者状态的波动性。研究人员建议在需要均衡数据的情况下，可以选择舍弃额外模块和会话。技术验证显示，患者在在线分类中的总体召回率达到了理想的范围，但不同患者间的召回率差异仍然较大，进一步研究可基于此数据集探索患者间生理差异对NIRS-BCI系统的影响。
结论展望
本文提供的中风患者NIRS数据集是首个公开的、标记详细的运动想象数据集。该数据集不仅能支持NIRS-BCI的开发，还为探索中风患者运动康复机制提供了重要数据资源。未来，各研究团队可进一步优化分类算法，提升其对不同患者的适应性，特别是在跨会话和跨受试者场景中。通过对患者个体差异和血流动力学反应的深入研究，可以更好地理解中风后运动功能的恢复过程。
此外，这一数据集为基于深度学习和机器学习的算法验证提供了现实基础。由于数据标记准确、试验多样性高，研究者可利用本数据集测试不同算法在NIRS数据分类中的表现，包括卷积神经网络、支持向量机等复杂模型，以探索最适合NIRS-BCI的分类方式。本研究有望为康复医学领域带来技术创新，并推动NIRS-BCI在实际康复训练中的广泛应用。
仅用于学术分享，若侵权请留言，即时删侵！
欢迎加入脑机接口AI星球
获取更多脑机接口+AI等领域的知识和资源。
加群交流、商业合作请添加微信:RoseBCI【备注：姓名+行业/专业】。
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
点击投稿：脑机接口社区学术新闻投稿指南
2.加入社区成为兼职创作者，请联系微信：RoseBCI
一键三连「分享」、「点赞」和「在看」
不错过每一条脑机前沿进展
