脑电图（EEG）在神经科学研究中扮演着重要角色，常用于分析静息状态下的脑信号变化。在脑机接口（BCI）技术中，EEG记录的脑电信号可以被解码，用于控制外部设备，尤其对于神经退行性疾病患者，如肌萎缩性侧索硬化症（ALS）患者，BCI系统能够恢复其一定的自主权。然而，EEG信号在一天中的变化情况，尤其是与运动相关的EEG动态信号如何影响手势解码，仍然缺乏系统研究。因此，本研究的目的是探讨一天内运动相关EEG信号的变化及其对解码性能的影响。

本研究通过一天内的多次测量，分析EEG信号的时间动态及其在手势解码中的作用。22名健康个体参与实验，他们每隔两小时进行一次四种右手手势的操作，EEG记录他们的脑电活动，研究运动相关皮层电位（MRCPs）的变化及其对解码性能的影响。结果表明，随着时间推移，尤其是夜晚的时间段，运动电位和运动后电位的振幅有所降低，导致解码性能下降。这为未来基于EEG的BCI系统的优化提供了重要依据，尤其是在需要全天候解码的应用场景中。

研究方法

1. 参与者与实验设计

该研究招募了22名健康的右撇子参与者（13名女性，9名男性），年龄介于20至40岁之间，平均年龄为26.4岁。所有参与者在实验开始前的两周内保持正常的日常生活作息，没有值夜班或跨时区旅行的经历。为了排除药物、尼古丁、咖啡因等因素的干扰，研究期间参与者禁止摄入咖啡因和相关药物，并严格控制实验前后的饮食和作息情况。

实验设计模拟了一天的工作场景，实验从下午2点开始，每隔2小时进行一次测量，持续到午夜12点，共进行了6个测量周期。参与者在每个测量周期中进行4种右手手势操作，分别为拳头、手枪、钳子抓握和“Y”手势。这些手势的选择基于美国手语，并在屏幕提示下完成。每次实验持续约1小时，涵盖EEG电极检查、精神运动警觉性任务（PVT）、情绪问卷、饥饿水平量表、疲劳症状量表、静息EEG记录、眼动记录和手势动作记录等多个阶段。

2. EEG信号的采集与预处理

EEG数据的采集使用了60个活性凝胶电极，依据国际10-10系统布置，覆盖参与者的头皮，包括额叶、顶叶、枕叶、颞叶和中央区域。额外的4个电极用于记录眼电活动，以捕捉眼动伪影。参考电极放置在右耳的乳突上，接地电极位于前额。EEG信号通过BrainAmp放大器记录，采样率为500 Hz，并通过高分辨率摄像机记录手势运动。

为确保数据质量，EEG信号经过多步骤的预处理。首先，通过视觉检查剔除噪声污染的通道，并利用临近电极进行加权插值修复信号。此外，采用二阶巴特沃斯带阻滤波器去除50 Hz的电源噪声及其谐波，同时通过高通和低通滤波器去除低频漂移和高频噪声。为了消除眼动伪影，研究者使用SGEYESUB算法对预先记录的眼动数据进行伪影校正。处理后的EEG信号被分段成从运动开始前2.5秒至运动后3秒的5.5秒区段，用于进一步分析。

3. MRCPs提取与分析

运动相关皮层电位（MRCPs）是EEG中的低频电位波动，反映运动执行或运动意图的脑信号。研究者对记录的EEG信号进行低通滤波，以提取与运动相关的MRCP信号，并计算运动电位的负峰值和运动后电位的正峰值。研究中重点分析了三个与运动皮层相关的电极位置（C1、Cz和C2）的MRCP信号，分别位于中央运动皮层的对侧半球、正中央和同侧半球。

在分析MRCP动态时，研究者平均了各个参与者和不同手势的MRCP信号，并进行Kruskal-Wallis检验以评估不同时段间的差异。此外，为了解手势间的差异和时间动态的变化，研究者采用Wilcoxon符号秩检验和Benjamini-Hochberg校正方法，对不同测量时间点的MRCP振幅进行统计分析。

4. 源定位分析

为了进一步理解MRCP信号在大脑中的空间分布，研究者使用标准化低分辨率脑电磁断层扫描（sLORETA）对脑源进行定位。源定位分析的时间窗口选取为运动开始前2.5秒至运动后3秒，研究者将不同频段（如δ波、θ波、α波、β波和γ波）进行滤波处理，分析各个频段内大脑活动的变化。分析结果提供了脑源在运动电位时间点的空间分布，尤其是在运动皮层（M1）和辅助运动区（SMA）的激活模式。

5. 手势解码与分类策略

研究者设计了五种手势解码策略，使用多类收缩线性判别分析（sLDA）进行分类。分类模型通过五折交叉验证、留一法等方式进行训练和测试，评估不同时间段内手势解码的准确率。此外，研究还探讨了基于增量训练的数据流入场景，通过不断更新训练数据来评估解码器在不同时间点的性能表现。

研究结果分析

1. MRCP振幅随时间的变化

MRCP分析显示，运动电位和运动后电位的振幅在一天中呈现出显著的时间动态变化。研究结果表明，下午2点到4点的早期测量中，运动电位的振幅相对较高，尤其是在对侧运动皮层的电极C1和Cz上，表现出较为显著的负峰值。而在下午6点至午夜的后期测量中，运动电位和运动后电位的振幅逐渐下降，表明大脑皮层的活动强度随着时间的推移而减弱。

特别是在Cz电极上，下午6点到午夜12点的振幅下降最为显著，这一趋势通过Wilcoxon符号秩检验得到了统计验证。C1和C2电极在运动电位上的振幅变化相对较小，但同样表现出振幅逐渐下降的趋势。这些结果表明，MRCP的变化不仅与运动任务有关，还受到时间和疲劳的影响。

图4. 参与者疲劳症状的TSS平均值评估。以蜘蛛网图的形式展示了每次测量会话中每种疲劳症状的总体平均评分。为了可视化目的，评估量表的最大评分被简化为8分，而不是14分。从下午2点的第1次会话到午夜12点的第6次会话，观察到每种症状的评分都有所增加。

图5. 运动电位和运动后电位振幅的时间变化。(a) 在运动皮层上方的C1、Cz和C2电极位置被可视化展示。箱形图表示参与者之间的分布，包括在Cz电极上下午6点和午夜12点记录之间的统计显著性水平（*p<0.05），通过Wilcoxon符号秩检验确定。中位数以黑色虚线表示。在运动电位中，从下午2点到4点振幅增加，随后逐渐减少直到午夜。运动后电位的演变因电极而异，但从下午2点到午夜振幅的减少是明显的。(b) 图形解释了从每个参与者和会话的MRCP波形中提取的运动和运动后电位振幅。

2. 疲劳与MRCP振幅的关系

为了探讨疲劳对EEG信号的影响，研究者进一步分析了主观疲劳评分与MRCP振幅的相关性。通过线性混合效应模型（LME），研究者发现，随着参与者主观疲劳评分的增加，运动电位的负峰值和运动后电位的正峰值显著下降。尤其是在晚间时段，疲劳的累积效应更为明显，EEG信号的振幅明显减弱。

此外，参与者在实验过程中填写的疲劳症状量表（TSS）和视觉模拟量表（VAS）进一步证实了疲劳与MRCP振幅之间的关系。TSS评分的增加与MRCP振幅的减小呈显著相关，尤其是在对侧运动皮层的电极C1和Cz上，表现出较为明显的负相关关系。这表明疲劳不仅影响了参与者的主观感受，也对大脑的运动相关电位产生了直接影响。

图6. (a) VAS评分与运动电位振幅之间（p<0.0498）、(b) TSS评分与运动电位振幅之间（p<0.0496）、以及 (c) TSS评分与运动后电位振幅之间（p<0.0488）的统计显著关联的拓扑可视化。正相关用红色调表示，而负相关用蓝色调表示。

3. 源定位分析结果

源定位分析揭示了运动任务期间，主要激活的脑源区域集中在对侧半球的初级运动皮层（M1）和双侧的辅助运动区（SMA）。在一天的不同时段，这些区域的激活模式表现出显著差异。特别是在下午2点到晚上8点，M1和SMA区域的活动逐渐增强，而到了晚上10点和午夜12点，激活强度显著下降。

源定位分析还显示，随着时间的推移，δ波（0.5-3.5 Hz）的活动在一天中表现出较为明显的变化。δ波在下午2点至晚上8点期间的活动逐渐增加，但在午夜时显著下降，这与MRCP振幅的时间动态变化一致。此外，α波和β波的活动在晚间也呈现出显著的下降趋势，表明大脑在疲劳状态下的神经活动水平显著减弱。

图7. 在运动电位的时间点上，估计的大脑源在0.3至70赫兹频率范围内的时间演变。这些大脑源对应于所有参与者的总体平均值，并且只展示了与基线相比有显著差异的体素（参数t检验，p<0.05）。灰色区域表示没有或没有显著的活动。所展示的值是无单位的（a. u.）。大脑图像是使用Brainstorm工具箱作为MATLAB扩展创建的

图8. 在运动电位的时间点上，对不同频率带和拓扑视图中大脑活动随时间变化的源空间分析。展示的是所有参与者的总体平均源。可视化的大脑区域是那些与基线相比有显著差异的体素（参数t检验，p<0.05）。灰色区域表示没有或没有显著的活动。所展示的值是无单位的（a. u.）。对于theta、alpha和beta波段，选择了另一个幅度范围来可视化活动区域。大脑图像是使用Brainstorm工具箱作为MATLAB扩展创建的（版本：3.231218，）。

4. 分类解码性能的时间变化

研究的五种手势解码策略显示，分类准确率随时间推移呈现出明显波动。在下午2点到4点的早期测量中，分类器的解码准确率较高，表明此时的EEG信号较为稳定，解码性能良好。然而，随着时间推移，尤其是在下午6点之后，分类准确率逐渐下降。这一变化与MRCP振幅的下降相吻合，表明EEG信号的稳定性受到疲劳和时间动态的影响。

研究还发现，使用增量训练的解码器性能表现较为稳定，而那些未及时更新训练数据的解码器则表现出显著的性能下降。特别是在策略5中，解码器的分类准确率在午夜12点时下降最为明显，表明在持续使用场景下，解码器需要定期更新训练数据，以应对EEG信号的动态变化。

结论展望

本研究首次揭示了运动任务期间，EEG信号的时间动态变化及其对手势解码性能的影响。研究结果表明，随着时间推移，特别是在夜晚的时间段，EEG信号的振幅逐渐减弱，解码性能下降。这一现象与疲劳的增加密切相关，说明自适应解码器在BCI系统中的重要性，尤其是应用于需要全天候解码的场景中。

未来的研究可以进一步探讨EEG信号在早晨时段的变化，结合昼夜节律的影响，深入理解EEG的时间演化特征。此外，研究还可以考虑引入闭环BCI系统，验证这些发现的实际应用效果，特别是在神经退行性疾病患者的手势解码应用中。

总的来说，该研究通过对EEG信号的深入分析，揭示了MRCP信号的时间动态变化及其对手势解码性能的影响。研究结果强调了自适应解码器在实际应用中的重要性，尤其是在应对疲劳和昼夜变化时，保持解码器性能的稳定性和鲁棒性。研究为未来BCI系统的设计和优化提供了重要的参考，推动了BCI技术在神经康复和运动障碍患者中的应用发展。

本文来自新知号自媒体，不代表商业新知观点和立场。
若有侵权嫌疑，请联系商业新知平台管理员。
联系方式：system@shangyexinzhi.com