利用同步 LFP 与 EEG 特征设计用于神经康复的新型 BCI：一项病例研究
基于摘要分析。本研究面向神经康复中的运动意图解码，探索同步颅内局部场电位（LFP）与头皮 EEG 能否形成互补的 BCI 输入。作者在一名接受基于 spike 信号的闭环神经康复训练的截瘫患者中，构建 LFP-EEG-BCI，并评估四分类上肢运动意图解码及迁移学习（TL）减少训练试次需求的可行性。 方法上，LFP 记录来自 hand-knob 区域，并与头皮 EEG 同步采集；解码流程包括多模态空间与频谱特征提取、Naïve Bayes 分类和决策融合。摘要指出，最佳表现使用 regularized common spatial pattern 特征获得，但未提供特征计算细节、融合规则、TL 的源域与目标域或训练方式，相关实现尚未验证。 作者报告，在该单病例的四分类上肢运动意图解码评估中，决策融合的 LFP-EEG-BCI 在 Accuracy 上显著优于单模态 LFP-BCI 和 EEG-BCI（p < 0.05）。摘要没有提供具体 Accuracy、效应量或数据划分，因此不能判断优势幅度，也不能确定其属于 Within-subject、Cross-session 或其他评估协议。作者还报告，借助 TL，较少训练试次可获得相近分类表现，但试次数量、参照条件及“相近”的统计依据尚未验证。 作者对特征的分析显示了具有判别性的空间与频谱模式，并认为这可能有助于理解不同运动想象任务下的脑动态。该结果主要支持多模态解码的初步可行性，不等同于已证明神经康复疗效、在线闭环控制优势或跨患者泛化。复现与证据核对需进一步确认同步采集条件、任务类别、预处理、训练与测试划分、TL 设置、统计检验及消融结果；实验协议、消融及统计信息尚未验证。
阅读价值：该单病例研究提供了同步 LFP 与 EEG 经决策融合改善运动意图解码的初步证据，值得核对多模态互补性及少样本迁移学习的评估协议，但尚不能据此确认临床康复获益或跨患者泛化。