从 EEG 解码下肢踏步运动的可变速度

基于摘要分析。该研究面向神经康复外骨骼 BCI，考察能否从健康参与者地面踏步时的 EEG 解码下肢三个腓骨解剖标记点的三维速度，并比较线性回归（LR）与结合 CNN 和 LSTM 的深度学习框架。其主要贡献是对实际踏步场景中的连续运动学解码进行评估，并分析不同运动提示条件下的脑区贡献与功能连接（FC）。 研究纳入 9 名健康参与者：G1 为 5 人，执行提示驱动的向前踏步和自定步速的向后踏步；G2 为 4 人，向前、向后踏步均由提示驱动。CNN-LSTM 将卷积网络与时序建模结合，但摘要未提供具体输入表示、网络结构、损失函数或训练细节。 作者报告，深度学习模型的解码表现显著优于 LR，最高表现出现在腓骨头标记点的前后方向速度解码，相关系数 R = 0.63 ± 0.06（均值±标准差）。该数值是相关指标，不应理解为分类 Accuracy；其对应的被试内或跨被试协议、训练测试划分及统计汇总单位尚未验证。 作者报告，拓扑分析显示 8–40 Hz 频段内感觉运动皮层贡献占主导，G2 还涉及额叶区域。FC 分析中，仅 G2 出现统计显著的连接（p < 0.05），涉及 delta（0–4 Hz）、theta（4–8 Hz）、alpha/mu（8–12 Hz）及 low-beta（12–18 Hz）频段，连接上下肢运动相关区域与其他皮层区域。作者将这一现象解释为双向提示条件下更高的认知与感觉运动需求，但摘要不足以确认该解释的因果性。 复现时需核对 EEG 采集与预处理、运动学同步、运动和肌电伪迹控制、时序窗口及数据划分，以及 LR 对照设置、消融和多重比较处理；这些实验协议与统计信息尚未验证。现有结果来自健康参与者的离线解码，不能直接外推至患者、在线自适应控制或康复获益。