AI播客，快速了解：
脑机接口技术新信息:近日，由Eduardo López-Larraz领衔的国际研究团队（来自德国图宾根大学、西班牙Bitbrain公司等机构）发表了一项脑机接口和EMG神经接口的临床研究，为脑卒中后严重上肢瘫痪患者的运动康复带来重要突破。该研究通过系统评估脑电图（EEG）与肌电图（EMG）信号，证实两者结合能显著提升对患者瘫痪上肢运动意图的检测精度，同时扩大可从中受益的患者群体，为优化神经接口康复设备设计提供了关键科学依据。
实验设计 @J NeuroEngineering Rehabil
脑卒中后上肢瘫痪是常见后遗症，而精准识别患者的运动意图是开发有效神经康复接口的核心前提——这类接口可通过脑信号或肌肉信号控制康复设备，帮助患者重塑受损运动网络。此前，领域内对脑信号（EEG）与肌肉信号（EMG）的协同作用缺乏系统验证，也不清楚不同信号组合对不同损伤程度患者的适用性，导致部分严重瘫痪患者难以从现有技术中获益。
为解决这一问题，研究团队招募了35名慢性脑卒中患者（最终有效分析34例），均存在严重上肢瘫痪（无可见手指伸展动作），其中男性22人，平均年龄53.9岁，脑卒中后平均时间达61个月（最长超19年）。实验中，患者需在视听提示引导下尝试开合瘫痪侧手部，研究人员同步记录其EEG（16个皮层位点，覆盖运动相关脑区）与EMG（双侧上肢4块关键肌肉）信号，并通过线性判别分析（LDA）模型训练分类器，区分“休息”与“运动尝试”两种状态，进而评估不同信号组合的检测效果。
三种基本方案的解码准确率：同侧EEG、受累肌肉的EMG以及同侧EEG与受累肌肉EMG的组合 @J NeuroEngineering Rehabil
研究的三大核心发现为神经康复技术发展提供了清晰方向。首先，EEG与EMG信号具有显著互补性——单独使用同侧运动皮层EEG时，运动意图解码精度有限；单独使用瘫痪侧运动相关肌肉（如尺侧伸腕肌、指伸肌）EMG时，精度同样不理想；而将两者结合后，解码精度显著提升，且与单独使用任一信号的精度均呈显著相关，但单独EEG与EMG之间无明显关联，证实两者可提供独立且互补的运动意图信息。
其次，EMG解码精度与患者损伤程度直接相关，而EEG则不具备这一特性。研究采用Fugl-Meyer综合评估（cFMA）量化患者运动功能，发现EMG信号的解码精度与cFMA评分呈显著正相关，EEG与EMG组合信号的精度也与评分相关，但单独EEG精度与损伤程度无关。这意味着EMG可作为反映患者实际运动功能的“风向标”，而EEG精度可能更多受脑损伤本身（如病灶位置）影响，为个性化康复方案设计提供了重要参考。
所有特征组合的详细解码准确率结果 @J NeuroEngineering Rehabil
最关键的是，信号组合能大幅扩大受益患者范围。单独使用同侧EEG时，仅50%患者的解码精度超过随机水平；单独使用运动相关肌肉EMG时，这一比例为53%；而两者结合后，超随机水平的患者比例飙升至79%。若进一步纳入对侧脑区EEG或双侧运动皮层EEG，或结合运动无关肌肉（如肱二头肌、肱三头肌）的EMG信号，受益患者比例可进一步提升，其中“双侧运动皮层EEG+全肌肉EMG”组合的效果最佳，85%患者可实现有效运动意图检测。值得注意的是，运动无关肌肉的EMG信号也能提供有效信息，反映出脑卒中患者尝试运动时普遍存在的代偿性肌肉激活，这一发现为纠正异常运动模式提供了新思路。
研究团队指出，该研究首次系统证实EEG与EMG的协同作用不仅能提升运动意图检测的准确性，更能让更多严重瘫痪患者获得神经接口的帮助。这为未来开发“动态自适应”神经康复设备奠定了基础——例如，对皮层下损伤患者可优先利用同侧EEG，对严重瘫痪患者初期可依赖EEG补充EMG信号不足，随着康复进展再调整信号组合。
尽管研究存在一定局限，如样本仅覆盖慢性脑卒中患者、解码精度尚未直接与长期康复效果挂钩，但团队强调，此次发现已为神经康复技术的临床转化指明关键方向。未来，结合计算康复模型、探索皮层-肌肉相干性等生物标志物，或将进一步优化神经接口的康复效果，帮助更多脑卒中患者重获上肢运动能力。
1.本文资讯内容、图片来自网络，首图和播客由AI生成，详情可参考文末链接，如有侵权请告知删除。2.本公众号分享的医疗资讯仅供参考，不应被视为医疗建议。在做出任何与健康相关的决定或治疗计划之前，务必咨询合格的医疗专业人员。本文所呈现的信息基于当前的研究和专家观点，随着新证据的出现，这些信息可能会有所变化。
