![[fNIRS] 运动意图解码新方法：脑网络拓扑变化提前2.8秒预测步行启动](http://pic.xiahunao.cn/yaotu/[fNIRS] 运动意图解码新方法：脑网络拓扑变化提前2.8秒预测步行启动)
[fNIRS] 运动意图解码新方法脑网络拓扑变化提前2.8秒预测步行启动导语对于因运动功能障碍而无法有效采集足底压力或肌电信号的患者如何在不依赖这些信号的前提下提前解码其运动意图是实现自主运动训练和人机交互的关键挑战。近日苏州大学研究团队在2025 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM)上发表了一项重要研究他们利用近红外脑功能成像fNIRS技术揭示了从静息到步行状态转换过程中脑功能网络的动态变化规律。研究发现在低频段0.021–0.052 Hz和0.0095–0.021 Hz脑网络拓扑结构在步行开始前平均2.859秒即发生显著改变这一发现为基于脑血红蛋白信号的超前运动意图识别提供了全新思路有望推动脑机接口在运动康复领域的应用。核心发现低频脑网络信号可提前2.8秒预测运动意图在神经源性活动0.021–0.052 Hz和内皮细胞代谢活动0.0095–0.021 Hz这两个低频段脑网络密度和聚类系数在步行开始前平均2.859秒即出现显著下降。这一超前时间优于传统EEG研究报道的1-2秒表明fNIRS在捕捉运动准备阶段脑活动变化方面具有独特优势。高频脑网络信号反映运动执行状态在心搏0.6–2.0 Hz、呼吸0.145–0.6 Hz和肌源性活动0.052–0.145 Hz这三个高频段脑网络参数在步行开始后平均1.698秒才出现显著下降。这些频段的变化与运动后生理指标的调整相关更适合用于分析运动执行过程。步行状态识别模型AUC达0.914研究团队基于脑区间的相关系数、网络密度和聚类系数作为特征向量采用AdaBoost分类器构建了步行状态识别模型。通过4折交叉验证模型的最优AUC值达到0.914显示出极高的分类性能。特征重要性分析表明高频段呼吸和心搏频段和前额叶皮层PFC在区分静息与步行状态中贡献最大。方法亮点自然情境下的便携式fNIRS采集本研究采用慧创医疗的便携式近红外脑功能成像仪fNIRS该设备具有便携、抗运动干扰强、适用于自然情境等优势。参与者可背负设备在安静走廊内自由行走15米实验环境贴近真实生活场景克服了fMRI和EEG在自然运动研究中的局限性。多频段脑网络拓扑分析研究创新性地将脑氧信号分解为五个生理相关的频率子带心搏、呼吸、肌源性、神经源性、内皮细胞代谢并分别计算每个频段的脑功能连接、网络密度和聚类系数。这种精细化的频段分析揭示了不同生理过程对运动意图的差异化响应模式。滑动窗口与超前检测算法通过滑动窗口方法提取脑网络参数的时序变化并设计了基于静息态参数阈值的超前检测算法。当网络参数首次超出静息态最大/最小值范围时即判定为检测到运动状态从而精确量化了脑网络变化相对于实际运动开始的时间差。主题解读本研究聚焦于运动意图的早期识别这是脑机接口BCI和运动康复领域的核心难题。fNIRS作为光学脑机接口具有非侵入性、便携、对运动伪迹不敏感等独特优势特别适合在自然运动情境下监测脑功能活动。本研究通过系统分析不同频段脑网络拓扑结构在运动准备和执行阶段的动态变化为fNIRS-BCI提供了新的解码框架。受益人群主要面向因脊髓损伤、脑卒中、帕金森病等导致运动功能障碍的患者。对于无法产生有效外周信号如肌电、足底压力的重度运动障碍患者基于fNIRS的运动意图解码提供了一种独立于外周信号的交互途径。应用场景可集成于智能康复机器人、外骨骼、功能性电刺激等设备中。通过提前2.8秒预测患者的运动意图系统可以提前调整辅助参数实现“意图-动作”的同步控制减少控制延迟提升人机交互的自然性和训练效果。可落地性分析研究采用的便携式fNIRS设备已具备商业化基础分类模型AUC达0.914显示出良好的识别性能。但当前研究对象为健康年轻人未来需在老年人和运动功能障碍患者中验证算法的泛化能力。临床/应用价值为运动康复BCI提供新范式本研究证实了fNIRS作为光学脑机接口在运动意图超前识别中的可行性。相比传统依赖EEG的BCIfNIRS对运动伪迹不敏感更适合在步行、跑步等自然运动场景中应用有望开发出更鲁棒的运动康复BCI系统。优化人机交互控制策略通过提前2.8秒检测到运动意图智能康复设备如外骨骼、助行机器人可以提前调整控制参数实现“预测-辅助”而非“响应-辅助”的控制模式显著提升人机交互的流畅性和患者的主动参与感。为脑网络机制研究提供新视角研究揭示了不同频段脑网络在运动准备和执行阶段的差异化动态变化规律特别是低频段神经源性和代谢活动在运动准备中的超前响应为理解运动控制的脑网络机制提供了新的实验证据。局限性与边界样本局限性研究对象均为20岁左右的健康大学生样本量仅38人。研究结论在老年人和运动功能障碍患者中的适用性有待验证。任务单一性仅研究了从静坐到步行的单一运动转换未涉及更复杂的运动模式如转弯、上下坡、避障等实际应用场景的复杂性可能影响模型性能。实时性挑战虽然检测到超前2.8秒的脑网络变化但当前分析为离线处理。实现真正的实时运动意图解码还需解决信号处理延迟和计算效率问题。个体差异不同个体的脑网络拓扑结构和运动准备时间可能存在较大差异当前模型未充分考虑个体化校准。论文信息Wang, J., Li, C., Zhao, Y., Ma, H., Sun, L. (2025). Functional Network Characteristics and Dynamic Changes Before and After Motor Intention—A Study based on Functional Near-infrared Spectroscopy Technology.2025 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), 1-8. https://doi.org/10.1109/aim64088.2025.11175837
[fNIRS] 运动意图解码新方法：脑网络拓扑变化提前2.8秒预测步行启动
[fNIRS] 运动意图解码新方法脑网络拓扑变化提前2.8秒预测步行启动导语对于因运动功能障碍而无法有效采集足底压力或肌电信号的患者如何在不依赖这些信号的前提下提前解码其运动意图是实现自主运动训练和人机交互的关键挑战。近日苏州大学研究团队在2025 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM)上发表了一项重要研究他们利用近红外脑功能成像fNIRS技术揭示了从静息到步行状态转换过程中脑功能网络的动态变化规律。研究发现在低频段0.021–0.052 Hz和0.0095–0.021 Hz脑网络拓扑结构在步行开始前平均2.859秒即发生显著改变这一发现为基于脑血红蛋白信号的超前运动意图识别提供了全新思路有望推动脑机接口在运动康复领域的应用。核心发现低频脑网络信号可提前2.8秒预测运动意图在神经源性活动0.021–0.052 Hz和内皮细胞代谢活动0.0095–0.021 Hz这两个低频段脑网络密度和聚类系数在步行开始前平均2.859秒即出现显著下降。这一超前时间优于传统EEG研究报道的1-2秒表明fNIRS在捕捉运动准备阶段脑活动变化方面具有独特优势。高频脑网络信号反映运动执行状态在心搏0.6–2.0 Hz、呼吸0.145–0.6 Hz和肌源性活动0.052–0.145 Hz这三个高频段脑网络参数在步行开始后平均1.698秒才出现显著下降。这些频段的变化与运动后生理指标的调整相关更适合用于分析运动执行过程。步行状态识别模型AUC达0.914研究团队基于脑区间的相关系数、网络密度和聚类系数作为特征向量采用AdaBoost分类器构建了步行状态识别模型。通过4折交叉验证模型的最优AUC值达到0.914显示出极高的分类性能。特征重要性分析表明高频段呼吸和心搏频段和前额叶皮层PFC在区分静息与步行状态中贡献最大。方法亮点自然情境下的便携式fNIRS采集本研究采用慧创医疗的便携式近红外脑功能成像仪fNIRS该设备具有便携、抗运动干扰强、适用于自然情境等优势。参与者可背负设备在安静走廊内自由行走15米实验环境贴近真实生活场景克服了fMRI和EEG在自然运动研究中的局限性。多频段脑网络拓扑分析研究创新性地将脑氧信号分解为五个生理相关的频率子带心搏、呼吸、肌源性、神经源性、内皮细胞代谢并分别计算每个频段的脑功能连接、网络密度和聚类系数。这种精细化的频段分析揭示了不同生理过程对运动意图的差异化响应模式。滑动窗口与超前检测算法通过滑动窗口方法提取脑网络参数的时序变化并设计了基于静息态参数阈值的超前检测算法。当网络参数首次超出静息态最大/最小值范围时即判定为检测到运动状态从而精确量化了脑网络变化相对于实际运动开始的时间差。主题解读本研究聚焦于运动意图的早期识别这是脑机接口BCI和运动康复领域的核心难题。fNIRS作为光学脑机接口具有非侵入性、便携、对运动伪迹不敏感等独特优势特别适合在自然运动情境下监测脑功能活动。本研究通过系统分析不同频段脑网络拓扑结构在运动准备和执行阶段的动态变化为fNIRS-BCI提供了新的解码框架。受益人群主要面向因脊髓损伤、脑卒中、帕金森病等导致运动功能障碍的患者。对于无法产生有效外周信号如肌电、足底压力的重度运动障碍患者基于fNIRS的运动意图解码提供了一种独立于外周信号的交互途径。应用场景可集成于智能康复机器人、外骨骼、功能性电刺激等设备中。通过提前2.8秒预测患者的运动意图系统可以提前调整辅助参数实现“意图-动作”的同步控制减少控制延迟提升人机交互的自然性和训练效果。可落地性分析研究采用的便携式fNIRS设备已具备商业化基础分类模型AUC达0.914显示出良好的识别性能。但当前研究对象为健康年轻人未来需在老年人和运动功能障碍患者中验证算法的泛化能力。临床/应用价值为运动康复BCI提供新范式本研究证实了fNIRS作为光学脑机接口在运动意图超前识别中的可行性。相比传统依赖EEG的BCIfNIRS对运动伪迹不敏感更适合在步行、跑步等自然运动场景中应用有望开发出更鲁棒的运动康复BCI系统。优化人机交互控制策略通过提前2.8秒检测到运动意图智能康复设备如外骨骼、助行机器人可以提前调整控制参数实现“预测-辅助”而非“响应-辅助”的控制模式显著提升人机交互的流畅性和患者的主动参与感。为脑网络机制研究提供新视角研究揭示了不同频段脑网络在运动准备和执行阶段的差异化动态变化规律特别是低频段神经源性和代谢活动在运动准备中的超前响应为理解运动控制的脑网络机制提供了新的实验证据。局限性与边界样本局限性研究对象均为20岁左右的健康大学生样本量仅38人。研究结论在老年人和运动功能障碍患者中的适用性有待验证。任务单一性仅研究了从静坐到步行的单一运动转换未涉及更复杂的运动模式如转弯、上下坡、避障等实际应用场景的复杂性可能影响模型性能。实时性挑战虽然检测到超前2.8秒的脑网络变化但当前分析为离线处理。实现真正的实时运动意图解码还需解决信号处理延迟和计算效率问题。个体差异不同个体的脑网络拓扑结构和运动准备时间可能存在较大差异当前模型未充分考虑个体化校准。论文信息Wang, J., Li, C., Zhao, Y., Ma, H., Sun, L. (2025). Functional Network Characteristics and Dynamic Changes Before and After Motor Intention—A Study based on Functional Near-infrared Spectroscopy Technology.2025 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), 1-8. https://doi.org/10.1109/aim64088.2025.11175837
的3种计算方式与对比)
双梁正问题 【 torch 实战】（Python代码实现）)
