腦電圖（EEG）在神經科學研究中扮演著重要角色，常用于分析靜息狀態下的腦信號變化。在腦機接口（BCI）技術中，EEG記錄的腦電信號可以被解碼，用于控制外部設備，尤其對于神經退行性疾病患者，如肌萎縮性側索硬化癥（ALS）患者，BCI系統能夠恢復其一定的自主權。然而，EEG信號在一天中的變化情況，尤其是與運動相關的EEG動態信號如何影響手勢解碼，仍然缺乏系統研究。因此，本研究的目的是探討一天內運動相關EEG信號的變化及其對解碼性能的影響。

本研究通過一天內的多次測量，分析EEG信號的時間動態及其在手勢解碼中的作用。22名健康個體參與實驗，他們每隔兩小時進行一次四種右手手勢的操作，EEG記錄他們的腦電活動，研究運動相關皮層電位（MRCPs）的變化及其對解碼性能的影響。結果表明，隨著時間推移，尤其是夜晚的時間段，運動電位和運動后電位的振幅有所降低，導致解碼性能下降。這為未來基于EEG的BCI系統的優化提供了重要依據，尤其是在需要全天候解碼的應用場景中。

研究方法

1.參與者與實驗設計

該研究招募了22名健康的右撇子參與者（13名女性，9名男性），年齡介于20至40歲之間，平均年齡為26.4歲。所有參與者在實驗開始前的兩周內保持正常的日常生活作息，沒有值夜班或跨時區旅行的經歷。為了排除藥物、尼古丁、咖啡因等因素的干擾，研究期間參與者禁止攝入咖啡因和相關藥物，并嚴格控制實驗前后的飲食和作息情況。

實驗設計模擬了一天的工作場景，實驗從下午2點開始，每隔2小時進行一次測量，持續到午夜12點，共進行了6個測量周期。參與者在每個測量周期中進行4種右手手勢操作，分別為拳頭、手槍、鉗子抓握和“Y”手勢。這些手勢的選擇基于美國手語，并在屏幕提示下完成。每次實驗持續約1小時，涵蓋EEG電極檢查、精神運動警覺性任務（PVT）、情緒問卷、饑餓水平量表、疲勞癥狀量表、靜息EEG記錄、眼動記錄和手勢動作記錄等多個階段。

圖1. 研究和會話程序。(a) 研究過程包含六個記錄會話，每2小時進行一次，從下午2點開始直到午夜12點。在會話之間的休息時間，參與者被指導執行特定任務，旨在模仿通常的工作日。晚上7點為參與者提供標準化晚餐。研究的總時長為13.5小時。(b) 會話程序由七個部分組成，包括初始阻抗檢查、心理運動警覺性測試（PVT）、三份問卷、2分鐘的靜息腦電圖（EEG）測量、用于后續眼動偽跡減除的6分鐘眼動運行、手勢腦電圖范式以及另外2分鐘的靜息腦電圖測量。會話大約持續1小時。

2. EEG信號的采集與預處理

EEG數據的采集使用了60個活性凝膠電極，依據國際10-10系統布置，覆蓋參與者的頭皮，包括額葉、頂葉、枕葉、顳葉和中央區域。額外的4個電極用于記錄眼電活動，以捕捉眼動偽影。參考電極放置在右耳的乳突上，接地電極位于前額。EEG信號通過BrainAmp放大器記錄，采樣率為500 Hz，并通過高分辨率攝像機記錄手勢運動。

為確保數據質量，EEG信號經過多步驟的預處理。首先，通過視覺檢查剔除噪聲污染的通道，并利用臨近電極進行加權插值修復信號。此外，采用二階巴特沃斯帶阻濾波器去除50 Hz的電源噪聲及其諧波，同時通過高通和低通濾波器去除低頻漂移和高頻噪聲。為了消除眼動偽影，研究者使用SGEYESUB算法對預先記錄的眼動數據進行偽影校正。處理后的EEG信號被分段成從運動開始前2.5秒至運動后3秒的5.5秒區段，用于進一步分析。

圖2. 參與者在手勢范式的EEG記錄期間執行的手勢。以下手勢被描繪出來：(a) 鉗形抓握，(b) 手槍手勢，(c) 拳頭，以及 (d) 美國手語中的“Y”手勢。在范式中，手勢的執行由屏幕上呈現的視覺提示指示。參與者被指導在出現空白屏幕之前保持指定的手勢3秒鐘。

3. MRCPs提取與分析

運動相關皮層電位（MRCPs）是EEG中的低頻電位波動，反映運動執行或運動意圖的腦信號。研究者對記錄的EEG信號進行低通濾波，以提取與運動相關的MRCP信號，并計算運動電位的負峰值和運動后電位的正峰值。研究中重點分析了三個與運動皮層相關的電極位置（C1、Cz和C2）的MRCP信號，分別位于中央運動皮層的對側半球、正中央和同側半球。

在分析MRCP動態時，研究者平均了各個參與者和不同手勢的MRCP信號，并進行Kruskal-Wallis檢驗以評估不同時段間的差異。此外，為了解手勢間的差異和時間動態的變化，研究者采用Wilcoxon符號秩檢驗和Benjamini-Hochberg校正方法，對不同測量時間點的MRCP振幅進行統計分析。

圖3. 手勢EEG范式的單次試驗的持續時間和時機。試驗開始時，要執行的手勢由一張圖片指示。1秒后，“手勢提示”消失，取而代之的是填充的綠色圓圈、白色的內圓圈和代表“準備提示”的注視十字。在隨機的時間間隔0.5至1秒內，背景中的填充綠色圓圈以隨機速度縮小，持續2至3秒。在“開始提示”時，填充的綠色圓圈觸及內白圓圈，表示開始執行動作。保持手勢位置3秒后，出現空白屏幕，標志著一次試驗的結束。一次試驗的持續時間在8至9.5秒之間隨機變化。

4.源定位分析

為了進一步理解MRCP信號在大腦中的空間分布，研究者使用標準化低分辨率腦電磁斷層掃描（sLORETA）對腦源進行定位。源定位分析的時間窗口選取為運動開始前2.5秒至運動后3秒，研究者將不同頻段（如δ波、θ波、α波、β波和γ波）進行濾波處理，分析各個頻段內大腦活動的變化。分析結果提供了腦源在運動電位時間點的空間分布，尤其是在運動皮層（M1）和輔助運動區（SMA）的激活模式。

5.手勢解碼與分類策略

研究者設計了五種手勢解碼策略，使用多類收縮線性判別分析（sLDA）進行分類。分類模型通過五折交叉驗證、留一法等方式進行訓練和測試，評估不同時間段內手勢解碼的準確率。此外，研究還探討了基于增量訓練的數據流入場景，通過不斷更新訓練數據來評估解碼器在不同時間點的性能表現。

研究結果分析

1. MRCP振幅隨時間的變化

MRCP分析顯示，運動電位和運動后電位的振幅在一天中呈現出顯著的時間動態變化。研究結果表明，下午2點到4點的早期測量中，運動電位的振幅相對較高，尤其是在對側運動皮層的電極C1和Cz上，表現出較為顯著的負峰值。而在下午6點至午夜的后期測量中，運動電位和運動后電位的振幅逐漸下降，表明大腦皮層的活動強度隨著時間的推移而減弱。

特別是在Cz電極上，下午6點到午夜12點的振幅下降最為顯著，這一趨勢通過Wilcoxon符號秩檢驗得到了統計驗證。C1和C2電極在運動電位上的振幅變化相對較小，但同樣表現出振幅逐漸下降的趨勢。這些結果表明，MRCP的變化不僅與運動任務有關，還受到時間和疲勞的影響。

圖4. 參與者疲勞癥狀的TSS平均值評估。以蜘蛛網圖的形式展示了每次測量會話中每種疲勞癥狀的總體平均評分。為了可視化目的，評估量表的最大評分被簡化為8分，而不是14分。從下午2點的第1次會話到午夜12點的第6次會話，觀察到每種癥狀的評分都有所增加。

圖5. 運動電位和運動后電位振幅的時間變化。(a) 在運動皮層上方的C1、Cz和C2電極位置被可視化展示。箱形圖表示參與者之間的分布，包括在Cz電極上下午6點和午夜12點記錄之間的統計顯著性水平（*p<0.05），通過Wilcoxon符號秩檢驗確定。中位數以黑色虛線表示。在運動電位中，從下午2點到4點振幅增加，隨后逐漸減少直到午夜。運動后電位的演變因電極而異，但從下午2點到午夜振幅的減少是明顯的。(b) 圖形解釋了從每個參與者和會話的MRCP波形中提取的運動和運動后電位振幅。

2.疲勞與MRCP振幅的關系

為了探討疲勞對EEG信號的影響，研究者進一步分析了主觀疲勞評分與MRCP振幅的相關性。通過線性混合效應模型（LME），研究者發現，隨著參與者主觀疲勞評分的增加，運動電位的負峰值和運動后電位的正峰值顯著下降。尤其是在晚間時段，疲勞的累積效應更為明顯，EEG信號的振幅明顯減弱。

此外，參與者在實驗過程中填寫的疲勞癥狀量表（TSS）和視覺模擬量表（VAS）進一步證實了疲勞與MRCP振幅之間的關系。TSS評分的增加與MRCP振幅的減小呈顯著相關，尤其是在對側運動皮層的電極C1和Cz上，表現出較為明顯的負相關關系。這表明疲勞不僅影響了參與者的主觀感受，也對大腦的運動相關電位產生了直接影響。

圖6. (a) VAS評分與運動電位振幅之間（p<0.0498）、(b) TSS評分與運動電位振幅之間（p<0.0496）、以及 (c) TSS評分與運動后電位振幅之間（p<0.0488）的統計顯著關聯的拓撲可視化。正相關用紅色調表示，而負相關用藍色調表示。

3.源定位分析結果

源定位分析揭示了運動任務期間，主要激活的腦源區域集中在對側半球的初級運動皮層（M1）和雙側的輔助運動區（SMA）。在一天的不同時段，這些區域的激活模式表現出顯著差異。特別是在下午2點到晚上8點，M1和SMA區域的活動逐漸增強，而到了晚上10點和午夜12點，激活強度顯著下降。

源定位分析還顯示，隨著時間的推移，δ波（0.5-3.5 Hz）的活動在一天中表現出較為明顯的變化。δ波在下午2點至晚上8點期間的活動逐漸增加，但在午夜時顯著下降，這與MRCP振幅的時間動態變化一致。此外，α波和β波的活動在晚間也呈現出顯著的下降趨勢，表明大腦在疲勞狀態下的神經活動水平顯著減弱。

圖7. 在運動電位的時間點上，估計的大腦源在0.3至70赫茲頻率范圍內的時間演變。這些大腦源對應于所有參與者的總體平均值，并且只展示了與基線相比有顯著差異的體素（參數t檢驗，p<0.05）。灰色區域表示沒有或沒有顯著的活動。所展示的值是無單位的（a. u.）。大腦圖像是使用Brainstorm工具箱作為MATLAB擴展創建的

圖8. 在運動電位的時間點上，對不同頻率帶和拓撲視圖中大腦活動隨時間變化的源空間分析。展示的是所有參與者的總體平均源。可視化的大腦區域是那些與基線相比有顯著差異的體素（參數t檢驗，p<0.05）。灰色區域表示沒有或沒有顯著的活動。所展示的值是無單位的（a. u.）。對于theta、alpha和beta波段，選擇了另一個幅度范圍來可視化活動區域。大腦圖像是使用Brainstorm工具箱作為MATLAB擴展創建的（版本：3.231218，）。

4.分類解碼性能的時間變化

研究的五種手勢解碼策略顯示，分類準確率隨時間推移呈現出明顯波動。在下午2點到4點的早期測量中，分類器的解碼準確率較高，表明此時的EEG信號較為穩定，解碼性能良好。然而，隨著時間推移，尤其是在下午6點之后，分類準確率逐漸下降。這一變化與MRCP振幅的下降相吻合，表明EEG信號的穩定性受到疲勞和時間動態的影響。

研究還發現，使用增量訓練的解碼器性能表現較為穩定，而那些未及時更新訓練數據的解碼器則表現出顯著的性能下降。特別是在策略5中，解碼器的分類準確率在午夜12點時下降最為明顯，表明在持續使用場景下，解碼器需要定期更新訓練數據，以應對EEG信號的動態變化。

結論展望

本研究首次揭示了運動任務期間，EEG信號的時間動態變化及其對手勢解碼性能的影響。研究結果表明，隨著時間推移，特別是在夜晚的時間段，EEG信號的振幅逐漸減弱，解碼性能下降。這一現象與疲勞的增加密切相關，說明自適應解碼器在BCI系統中的重要性，尤其是應用于需要全天候解碼的場景中。

未來的研究可以進一步探討EEG信號在早晨時段的變化，結合晝夜節律的影響，深入理解EEG的時間演化特征。此外，研究還可以考慮引入閉環BCI系統，驗證這些發現的實際應用效果，特別是在神經退行性疾病患者的手勢解碼應用中。

總的來說，該研究通過對EEG信號的深入分析，揭示了MRCP信號的時間動態變化及其對手勢解碼性能的影響。研究結果強調了自適應解碼器在實際應用中的重要性，尤其是在應對疲勞和晝夜變化時，保持解碼器性能的穩定性和魯棒性。研究為未來BCI系統的設計和優化提供了重要的參考，推動了BCI技術在神經康復和運動障礙患者中的應用發展。

僅用于學術分享，若侵權請留言，即時刪侵！

歡迎加入腦機接口社區交流群，

探討腦機接口領域話題，實時跟蹤腦機接口前沿。

加微信群：

添加微信:RoseBCI【備注：姓名+行業/專業】。

歡迎來稿

1.歡迎來稿。投稿咨詢，請聯系微信：RoseBCI

點擊投稿：

2.加入社區成為兼職創作者，請聯系微信：RoseBCI

一鍵三連「分享」、「點贊」和「在看」

不錯過每一條腦機前沿進展