近日，首都医科大学团队成功收集了50名急性脑卒中患者的脑电数据，建立了针对急性卒中患者左右手运动意象的公开数据集。该脑电图数据集可应用于卒中康复领域研究。该数据集的发布为深入研究急性卒中患者大脑激活模式及开发专门适用于卒中患者的解码算法做出贡献，对未来卒中康复治疗具有重要意义。相关研究成果已发表于《Scientific Data》。

尽管脑卒中的预防和治疗有所进展，但仍然具有高发病率、高致残率和高死亡率的特点。上肢功能障碍成了卒中患者的重要治疗目标。近年来，基于脑机接口（BCI）运动想象（MI）的作为新兴的治疗方法被用于中风患者上肢康复。BCI-MI的算法通常需要在从各种受试者获得的大量数据集上学习和验证模型的鲁棒性。然而，现有的MI数据集主要来自健康人，限制了其在临床中的应用。该研究收集了50名急性中风患者的EEG信号构建MI数据集，以改进中风患者上肢功能恢复的BCI研究。

基于功能化导电聚合物的设计，研究团队设计了功能化聚苯胺基时序黏附水凝胶贴片。它可以实现心脏的同步机械生理监测和电耦合治疗，并牢固附着在心脏表面监测心脏的机械运动和电活动。

本研究招募了50名急性脑卒中患者（发病1至30天内），其中包括39名男性和11名女性，平均年龄为56.7岁。患者临床表现为右侧偏瘫（46%）或左侧偏瘫（54%）。脑电数据的记录使用了32通道脑电放大器（30个脑电通道和2个眼电通道）。实验流程如图1所示。患者在1分钟的睁眼与闭眼基线数据采集后，开始40次MI任务。每次MI任务包含三个阶段：指导、想象和休息。在想象阶段，患者根据视频提示进行为期4秒的左右手抓握想象任务。所有数据通过无线脑电系统采集，并在后续使用MATLAB软件进行预处理。实验结束后，患者完成了三个量表的填写：NIHSS量表用于评估卒中严重程度，MBI量表评估日常生活能力，mRS量表则评估患者的整体功能独立性。

该MI数据集可以通过Figshare访问，数据按EEG-BIDS标准组织，包括实验相关信息文件，详细结构如图2所示。存储库包含四类数据：（1）实验刺激材料；（2）源数据，即每名受试者的原始EEG数据，保存为“.mat”文件；（3）处理后的数据，保存为“.edf”文件；（4）其他信息，如电极位置和实验标志。源数据文件按“sub-xx_task-motor-imagery_eeg.mat”命名存储。全部数据包括40次试验、33个通道和4000个时间样本。数据标签区分左右手 MI 任务，预处理使用了MATLAB和EEGLAB工具箱。

技术验证分为两方面：定性分析和定量分析。 

（1）定性分析：对所有受试者的脑电图数据（8-30 Hz频带）进行带通滤波，重点分析事件相关去同步化/同步化（ERD/ERS），特别是MI任务期间alpha和beta波段的功率变化。分析结构如图3所示。通过分析C3和C4通道，绘制了手部MI相关的ERD/ERS曲线，展示了3名患者在对侧通道功率下降或同侧通道功率增加的现象。使用Morlet小波基函数对中心区域alpha和beta波段的功率变化进行了时频分析，结果显示这些频段在MI任务期间呈现功率下降。进一步对alpha和beta波段的平均功率绘制地形图，发现多数患者的对侧运动区域在MI任务期间表现出更明显的激活，尤其是偏瘫较轻的患者。此结果与ERD/ERS功率变化趋势一致，虽然可能受到电极排列误差的影响。

（2）定量分析：研究验证了基于左手和右手MI任务的EEG数据分类准确性。数据经过高通滤波后，提取8-30 Hz频谱和0-4秒时间段进行分类测试。所使用的分类算法包括传统的CSP + LDA、FBCSP + SVM，以及基于黎曼几何的分类方法，包括MDRM、TSLDA、DGFMDRM和TWFB + DGFMDRM算法。通过10倍交叉验证，将每个受试者的数据分为训练集（60%）和测试集（40%）。四种分类方法的平均准确率分别为：CSP + LDA：55.57%、FBCSP + SVM：57.57%、TSLDA + DGFMDRM：61.20% 和 TWFB + DGFMDM：72.21%。混淆矩阵显示了各方法下的分类准确率，表明该数据集在分类任务中表现出较高的可靠性和稳健性。

图4：四种分类算法下50名患者的分类准确率（图片来自原文）

本研究公开提供了急性卒中患者左右手运动想象的脑电图数据集，增加了健康人群数据在临床的应用。通过对50名急性卒中患者的数据采集和深入分析，该数据集不仅帮助更好地理解急性卒中患者的脑部活动，还为卒中患者优化基于运动想象的脑机接口（BCI）解码算法提供了基础，进而加速了卒中康复领域的研究与应用。这些研究成果将为未来制定中风患者的临床康复计划提供宝贵参考，同时推动脑机接口技术在临床中的实际应用。

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