时间：2026-01-15 分类：应用电子
目的：观察脑机接口外骨骼(brain-computer interface exoskeleton, BCI-exoskeleton)对脑卒中患者下肢功能康复的疗效，探索该技术对大脑皮层下肢运动功能区的影响及其与临床疗效的相关性。
方法：纳入脑卒中患者42例，利用计算机生成随机数字分为脑机接口外骨骼试验组(BG，n=14)、外骨骼试验组(EG，n=14)和常规对照组(CG，n=14)。三组均给予常规治疗，试验组分别采用BCI-exoskeleton训练和下肢外骨骼训练(lower limb robotic exoskeleton training, LRET)，共训练4周。治疗前后，由设盲评估者采用Fugl-Meyer评定量表下肢部分(Fugl-Meyer assessment of lower extremities, FMA-LE)、改良Barthel指数(modified Barthel index, MBI)、Berg和Holden量表对受试者进行功能评定，神经电生理医生检测并记录脑机接口准确率(brain-computer interface accuracy, BCIA)，观察脑电图中Cz通道α和β波频段事件相关去同步化(event-related desynchronization, ERD)的变化，探究EEG数据与临床量表相关性。
结果：治疗后，三组受试者下肢功能评定指标均有改善(P<0.001);BG中受试者指标改善效果优于另外两组(FMA-LE：P<0.001;MBI、Berg、Holden：P=0.001);仅BG组受试者的BCIA显著增加(P<0.001)，Cz通道ERD幅值显著降低(P<0.001);ERDα与临床疗效相关性显著(P<0.05)，ERDβ与临床疗效相关性极为显著(P<0.01)。
结论：脑机接口外骨骼对脑卒中后下肢运动控制、站立平衡、步行和日常生活活动能力具有显著的改善效果，效果优于LRET与常规康复。疗效与运动皮层下肢功能区α和β波频段的激活有关，且相较于α波，临床疗效与β波的活动关系更为密切。
关键词：脑机接口;外骨骼;脑卒中;下肢功能;皮层激活
论文《脑机接口外骨骼对卒中患者下肢康复疗效及皮层激活探究》发表在《中国康复医学杂志》，版权归《中国康复医学杂志》所有。本文来自网络平台，仅供参考。
脑卒中具有发病率高、致残率高的特点[1]，下肢运动功能障碍是卒中后最常见的症状之一[2]，站立和步行功能受损极大地限制了患者的日常生活和社交[3]。物理因子治疗、作业治疗和限制诱导运动疗法等[4-5]常规康复训练通过反复刺激和运动可以改善肢体运动功能[6]，维持下肢功能及结构完整性，为站立和步行做准备[7]。但常规康复训练主要关注下肢运动控制，肢体运动与大脑功能重组间关联机制尚不明确[8]。随着人工智能技术的发展，脑机接口(brain-computer interface, BCI)作为一种新兴康复治疗手段将肢体运动与大脑皮层建立起直接联系，通过促通大脑皮层与肢体间运动环路改善患者卒中后运动功能。
脑机接口能够测量大脑活动信号并将其转换为计算机或外部设备的输出命令，使患者能够通过大脑活动操作外部设备且不受周围神经或肌肉控制[9]。BCI能建立脑肢间的感觉运动环路，被大量研究证实是脑卒中后运动功能恢复的有效措施[10-11]。基于脑电图(electroencephalogram, EEG)的BCI便捷、廉价并可提取信号控制外部设备，成为目前主流技术[12]。联合运动想象(motor imagery, MI)的BCI通过提高神经可塑性，能够建立其他神经通路补偿卒中后脑功能受损，促进肢体功能恢复，是BCI系统目前强大的试验范式[13-14]。BCI主要由位于感觉运动皮质(sensorimotor cortex, SMC)的感觉运动节律(sensorimotor rhythm, SMR)控制，在上肢的BCI研究中[15-16]，参与构成SMR的α和β波事件相关去同步化(event-related desynchronization, ERD)强度可用于判断大脑激活程度并预测卒中患者运动功能恢复水平。BCI可通过EEG等将活动信号输出给外部设备完成反馈过程，相当于大脑产生相关运动意图，反复模拟并强化中枢与外周神经肌肉间正常的下肢运动执行模式，高效地促进肢体功能再学习与恢复[17-18]。外部输出设备的形式多种多样，包括计算机、假体和外骨骼机器人、功能性电刺激等[19-20]。
目前脑机接口机器人(brain-computer interface and robot, BCI-robot)和脑机接口功能性电刺激(brain-computer interface and functional electrical simulation, BCI-FES)能够有效促进卒中后上肢功能恢复，已被大量相关临床试验证实[21-23]。针对下肢功能康复，BCI-FES被报道可以用于足下垂患者局部肌肉弛缓性瘫痪(软瘫)症状的改善[24]，具有良好的安全性和有效性，有望辅助改善卒中患者后期步行速度[25]，但尚无支持患者体位转换和站立步行的报道。下肢机器人不仅能够根据患者的残疾程度进行强化和重复训练，而且具备减重支持系统以固定患者肢体防止跌倒[26-27]，辅助患者坐站体姿转换，促使患者更早恢复站立和独立行走能力。下肢机器人研究目前主要聚焦于被动和助动模式[28-29]，在坐站下肢练习、辅助步行，以及步态规划控制方面，又以下肢外骨骼机器人训练(lower limb robotic exoskeleton training, LRET)效果较好，研究较充分。目前将下肢机器人与运动皮层功能区相联系探讨皮层肌肉相干性的研究尚少，不过确有报道踝关节辅助机器人能够联系大脑本体感觉区，检测细微本体感觉缺陷，进而评估卒中患者体感运动功能障碍以明确相关脑区损伤[30]，初步建立了机器人系统与中枢脑区间的联系。BCI系统不仅能够促通皮层肌肉间感觉运动环路，而且可以诱导正确的肢体运动模式[31]，因此联用BCI的外骨骼机器人(brain-computer interface and exoskeleton, BCI-exoskeleton)具备进一步提高下肢康复效率的潜力。国内外尚无采用BCI-exoskeleton对于恢复早期卒中患者进行下肢功能康复的研究，因此本研究旨在观察BCI-exoskeleton对恢复早期脑卒中患者的下肢康复疗效，探索该技术对大脑皮层下肢运动功能区的影响及其与疗效的相关性。
1 资料与方法
1.1 一般资料
1.1.1 研究对象
选择2023年11月-2024年8月郑州大学第五附属医院康复医学科收治的42例脑卒中患者，符合“中国各类主要脑血管病诊断要点2019”脑卒中诊断标准[32]，并经过头颅CT或MRI确诊。
纳入标准：①首次发病，单侧偏瘫，1周-3个月;②简易精神状态检查(mini-mental state examination, MMSE)评分≥24分;③患者能完成运动想象任务，运动觉-视觉想象问卷(kinesthetic and visual imagery questionnaire, KVIQ)评分≥25分;④患者坐位平衡达二级，满足外骨骼坐位穿戴要求;⑤患者无沟通障碍;⑥受试者或监护人自愿签署知情同意书。
排除标准：①病情不稳定;②颅骨存在缺损或接受了颅骨修补术，影响脑电信号采集;③存在明显视野受损，听力受损，明显失语;④患者下肢骨折未愈合;⑤下肢周围神经病损;⑥严重心肺功能不全。
剔除标准及脱落标准：①因个人原因主动要求退出;②出现因训练导致的不良反应或不能耐受训练;③未能完成试验规定的全部流程。
三组均因中途出院或转院脱落1例，共39例患者完成研究。本研究经郑州大学第五附属医院医学研究伦理委员会批准(No.KY2023083)，试验方案在中国临床试验注册中心注册(No.ChiCTR2400084557)。
1.1.2 样本量估算
设定检验水准α=0.05，设定检验效能1-β=0.90，经查阅文献，估算效应量为0.59，水平数值为3;采用G*Power(3.1.9.2)软件进行样本量计算，最终所需样本量为42例。
1.1.3 随机化方法
随机分组采用SPSS 26.0统计软件编程产生随机数字，在保证基本治疗条件相同的情况下，由未参加招募、评估、治疗的研究人员对受试者进行随机序列的分配，分为BCI-exoskeleton组(BG)、exoskeleton组(EG)、常规康复组(CG)，每组14例，形成相互对照。分配结果通过电话由项目负责人告知。盲法采用单盲(测试者和评估者盲)。
1.2 干预方法
三组均给予药物和常规康复训练。在相同干预时间内，BG组采用BCI-exoskeleton训练，EG组采用LRET训练，CG组采用常规康复训练。
1.2.1 药物治疗
患者根据病情接受相同的营养神经、改善循环等药物治疗;对基础病给予降压、降糖、调脂、改善心肺功能等治疗。
1.2.2 常规康复训练
根据患者个体情况给予运动治疗、作业治疗、中医传统治疗、物理因子治疗等，针对下肢运动功能训练包括站立、助动和主动运动训练及肌肉力量练习等，下肢运动康复训练60min/次/天，5天/周，共训练4周。
1.2.3 脑机接口联合下肢外骨骼训练
BCI-exoskeleton训练系统主要由布法罗Aider下肢步行外骨骼机器人、臻泰智能无线多通道脑电采集分析系统ZhenTec NT1(臻泰智能32导联电极帽、无线路由器、无线脑电采集信号接收器)和显示屏三部分构成。首先在治疗师引导下将患者置于安静、光线充足、没有电磁屏蔽干扰的房间中，训练前向患者充分讲解训练流程及注意事项，嘱患者训练过程中集中注意力，尽量避免眨眼、咳嗽、咀嚼及头部和躯干的运动。试验前备适量导电盐溶液浸泡零克棉其中静置10min，然后取出挤出部分水分防止电极帽渗漏和串联，装进各导联处备用;打开无线路由器，启动显示屏中的脑电记录分析和外骨骼机器人同步反馈系统并与路由器联接，预调试下肢MI任务的音视频。协助患者于坐位穿戴外骨骼并佩戴电极帽，调试脑电记录系统中各导联通道阻抗直至所有通道信号良好，启动控制面板完成由坐位至站立位并保持悬空减重状态，患者距离显示屏幕1.5m;训练开始后，患者在视听提示下进行BCI显示屏上的步行MI任务，训练视频时长为15s，每组训练40次，由外骨骼机器人同步反馈系统判定是否超过系统设定想象阈值并给予外部装置信号，外骨骼装置根据信号完成被动运动模式反馈，反馈形式与被动模式LRET相同，但仅由脑电信号诱发。训练过程中同时用秒表记录训练时间和完成MI任务组频次。训练方案为10min/组，2组/天，5天/周，共4周。
1.2.4 下肢外骨骼训练
LRET采用相同型号的布法罗Aider下肢步行外骨骼进行训练，选择被动运动模式进行训练，20min/d，5天/周，共4周。
1.3 结局指标
治疗前后由同一名培训合格的康复治疗师进行标准化量表评定，由同一名神经电生理医师采集脑电信号，评测人员对于受试患者的分组与治疗情况毫不知情。
1.3.1 Fugl-Meyer评定量表下肢部分(Fugl-Meyer assessment of lower extremities, FMA-LE)
评估患者下肢功能和运动控制能力。主要包括17项内容，共34分，患者的下肢功能情况与评分呈正相关。
1.3.2 改良Barthel指数(modified Barthel index, MBI)
评估患者的日常生活活动能力。量表包括10项内容，根据是否需要帮助及其程度分为0、5、10、15这4个等级(部分为2-3个等级)，其中0-24分日常生活活动能力极重度依赖;25-49分日常生活活动能力重度依赖;50-74分日常生活活动能力中度依赖;75-90分日常生活活动能力轻度依赖;91-99分日常生活活动能力极轻微依赖;100分日常生活活动能力完全自理，得分越高，表明患者的日常生活活动能力越高，依赖性越小。
1.3.3 Holden步行功能分级量表(Holden walking grading test, Holden)
评估患者的步行功能。该测试共分为6个等级：0级患者无行走功能;Ⅰ级患者行走需大量持续性帮助;Ⅱ级患者行走需少量持续或间断接触身体的帮助;Ⅲ级患者行走需监护或语言帮助;Ⅳ级患者能够平地独立行走;Ⅴ级患者行走完全独立。级别越高，步行能力越强。
1.3.4 Berg平衡量表(Berg balance test, BBT)
评估患者的平衡和站立功能。Berg平衡量表总分为56分，共分为14个项目，每项根据患者是否需要帮助以及完成程度分为0-4分，患者的平衡能力与评分呈正相关。当评分<40分时，患者有跌倒风险;<20分无法行走需要乘坐轮椅;评分为20-40分患者需要在辅助器材等帮助下行走;评分>40分患者可以独立行走。
1.3.5 脑电图参数分析
脑电图检测于安静密闭无电磁干扰的环境中进行，测试前由评估者协助患者佩戴导电性良好的电极帽(臻泰智能32导联电极帽，电极位置图见图1)，嘱患者检测中尽量少做眨眼、吞咽等动作，保持平静放松。检测过程中患者完成与干预相同的MI任务(EG和CG组仅完成检测时的MI任务以作对照)，在此期间于脑电记录系统中记录患者EEG数据，共记录10min左右，试验前和试验后各进行一次脑电图检测。累计测试中患者通过MI诱发exoskeleton完成反馈的次数，即BCI准确率(brain-computer interface accuracy, BCIA)，BCIA每两周评测记录1次。
使用MATLAB(R2022b)的EEGLAB工具箱后处理，主要提取Cz通道α和β波的ERD进行相关分析，具体步骤包括：①导入数据，电极定位;②滤波，滤波器去除外界干扰噪声;③删除无用电极;④进行独立成分分析(independent component analysis, ICA)，根据脑地形图去伪迹，并进行插值坏导;⑤进行EEG事件相关分段，并基线校准;⑥计算Cz通道α和β波在MI任务期间ERD平均强度。ERD可从时频分析的事件相关频谱扰动(event-related spectral perturbation, ERSP)中提取，ERSP可根据EEGLAB中Pop_newtimef()函数经由小波变换(wavelet transform, WT)估计，单位是功率比值分贝(dB)。ERSP计算公式为：
[EPSP(f, t)=frac{P_{(f, t)}-P_{res }}{P_{res }}=frac{1}{N} sum_{K=1}^{N}left|F_{k}(f, t) ight|^{2}]
其中，(P_{(f, t)})为脑电信号各限定频率某时刻的功率，(P_{res})为休息基线平均功率，(F_{k}(f, t))为N个事件中第k次事件发生时频率估计。
1.4 统计学分析
采用SPSS 26.0进行统计分析，计量资料以均数±标准差表示，计数资料以比值或百分率表示。采用Shapiro-Wilk对数据进行正态性检验。对于基线数据，计量资料采用单因素方差分析，二分类变量采用(chi^{2})检验，有序资料采用Kruskal-Wallis秩和检验。对于总体数据，符合正态分布的数据，组间比较采用单因素方差分析，组内试验前后比较采用配对t检验，组间多重比较采用LSD事后检验;非正态分布的数据组间采用Kruskal-Wallis秩和检验，组间两两比较采用Mann-Whitney U检验，组内比较采用Wilcoxon秩和检验，脑电不同频段试验后比较采用独立样本t检验。脑电参数与临床量表(仅计量资料)相关性采用Pearson相关性分析。显著性水平α=0.05，均采用单侧检验，P<0.05为具有显著性差异。
2 结果
2.1 基线资料比较
三组间基线资料比较结果显示，试验前各组患者年龄、性别、卒中时长、卒中类型、偏瘫肢体、MMSE、KVIQ、FMA-LE、MBI、BBT、Holden、BCIA(%)以及Cz通道的ERD值均无显著差异(P>0.05)，见表1。
表1 三组基线资料比较(x±s)
|类别|组别|BG(n=13)|EG(n=13)|CG(n=13)|F值/χ²值/H(K)值|P值|
|年龄(岁)| |44.85±14.25|44.31±11.05|44.54±12.65|0.006|0.994|
|性别(例)(男/女)| |9/4|8/5|8/5|0.223|0.895|
|卒中时长(月)| |2.46±0.66|2.42±0.76|2.39±0.77|0.029|0.986|
|卒中类型(例)(出血/梗死)| |6/7|8/5|8/5|0.834|0.659|
|偏瘫肢体(例)(左/右)| |8/5|7/6|7/6|0.209|0.901|
|MMSE(分)| |26.00±1.92|25.92±1.66|26.15±1.73|0.133|0.936|
|KVIQ(分)| |44.15±2.44|44.08±3.33|44.46±2.99|0.062|0.940|
|FMA-LE(分)| |15.23±2.65|14.77±2.86|14.92±3.50|0.078|0.925|
|MBI(分)| |44.15±8.44|43.69±8.21|43.31±7.02|0.037|0.963|
|BBT(分)| |18.23±8.69|17.69±8.85|16.92±7.92|0.078|0.925|
|Holden(n，%)|0级|4(30.8%)|7(53.8%)|5(38.5%)|0.685|0.710|
| |Ⅰ级|6(46.2%)|3(23.1%)|5(38.5%)| | |
| |Ⅱ级|2(15.4%)|2(15.4%)|3(23.1%)| | |
| |Ⅲ级|1(7.7%)|1(7.7%)|0| | |
|BCIA(%)| |38.46±11.02|39.62±9.18|39.04±8.81|0.046|0.955|
|ERDα(dB)| |-1.44±0.87|-1.34±1.02|-1.39±0.76|0.046|0.955|
|ERDβ(dB)| |-0.79±0.96|-0.29±1.91|-0.50±0.78|0.701|0.704|
|ERD总(dB)| |-0.76±0.64|-0.82±1.10|-0.82±0.68|0.232|0.890|
注：BG：BCI-exoskeleton组;EG：exoskeleton组;CG：常规康复组。
2.2 量表评定及脑机接口准确率分析结果
组内试验前后比较结果显示，三组患者各项量表评分试验后均有明显改善(P<0.05)，BG各项指标评分改善优于EG和CG(P<0.05);仅BG中患者BCIA试验后有显著改善(P<0.05)，EG和CG患者BCIA试验前后无明显差异。见表2，图2。
2.3 脑电图时频分析结果
时频分析结果显示，3组中仅BG中Cz通道α和β频段的ERD幅值出现显著下降(P<0.05)，见表2。ERSP图显示，治疗后仅BG中ERSP图出现明显连续的ERD现象，其余两组试验前后区别不显著且不规律，见图3;经观察BG中所有患者ERSP图与ERD幅值变化，77%患者α频段ERD效应强于β频段，但总体幅值无明显差异(t=-0.850，P>0.05)。
表2 三组治疗前后及组间ERD及BCIA比较(x±s)
|类别|组别|BG(n=13)|EG(n=13)|CG(n=13)|组间试验后比较F值/H(K)值|P值|
|ERD总(dB)|试验后|﹣3.55±1.25|﹣1.44±0.96|﹣1.44±0.82|18.669|<0.001|
| |试验前|﹣1.44±0.87|﹣1.34±1.02|﹣1.39±0.76| | |
| |T/W值|9.422|﹣0.874|1.142| | |
| |P值|<0.001|0.382|0.276| | |
|ERDα(dB)|试验后|﹣3.09±1.28|﹣0.81±1.04|﹣0.59±0.97|20.403|<0.001|
| |试验前|﹣0.79±0.96|﹣0.29±1.91|﹣0.50±0.78| | |
| |T/W值|10.179|﹣1.153|0.688| | |
| |P值|<0.001|0.249|0.504| | |
|ERDβ(dB)|试验后|﹣2.68±1.16|﹣0.98±0.87|﹣0.94±0.78|14.039|<0.001|
| |试验前|﹣0.76±0.64|﹣0.82±1.10|﹣0.82±0.68| | |
| |T/W值|﹣3.180|﹣0.943|0.898| | |
| |P值|0.001|0.345|0.387| | |
|BCIA(%)|试验后|66.54±14.31|41.15±13.13|41.92±11.42|16.018|<0.001|
| |试验前|38.46±11.02|39.62±9.18|39.04±8.81| | |
| |P值|<0.001|0.426|0.068| | |
注：BG：BCI-exoskeleton组;EG：exoskeleton组;CG：常规康复组。
图2 三组间量表指标比较多因子分组柱状图
注：①P<0.05，②P<0.01，③P≤0.001;BG：BCI-exoskeleton组;EG：exoskeleton组;CG：常规康复组。
图3 三组治疗前后事件相关频谱扰动(ERSP)图比较
注：图中A和C代表BG试验前，B和D代表试验后，1、2、3相应图片分别代表BG、EG和CG，每组图例2人。
2.4 脑电图参数与临床疗效相关性分析
脑电参数与量表指标相关性分析显示，临床量表分值变化与BCIA变化呈极显著正相关(P<0.01)，与α波ERD变化呈显著负相关(P<0.05)，与β波ERD变化呈极显著负相关(P<0.01);BCIA变化与α和β波ERD变化均呈极显著负相关(P<0.01)，见图4。
图4 三组各项指标差值相关性分析热图
注：*P≤0.05，**P≤0.01
3 讨论
脑卒中后大多数患者下肢平衡协调障碍以及站立行走困难等问题亟待高效的康复治疗技术改善[33-35]。本试验探究了脑机接口外骨骼技术应用于恢复早期脑卒中患者下肢功能康复的疗效以及皮层激活作用，以期为该技术作为新兴康复策略的有效性提供依据。
本试验量表结果提示，BCI-exoskeleton、LRET和常规康复训练对脑卒中后患者下肢运动控制、站立平衡、行走，以及日常生活活动能力均具有明显的改善作用。相较于LRET和常规康复训练，BCI-exoskeleton对于患者下肢功能疗效更佳，而LRET的疗效优于常规康复。以往研究指出，针对脑卒中恢复期患者，早期进行常规康复以及LRET干预，可以明显改善下肢运动控制能力，恢复平衡和站立步行能力，提高日常生活活动能力，并且LRET改善效果比常规康复训练更好[36-38]。这与本实验相一致，并且本实验验证了BCI-exoskeleton具有更优的康复疗效。目前尚无随机对照试验报道BCI-exoskeleton在下肢功能康复中的应用，相对于LRET和常规康复更加显著的疗效可类比其他下肢BCI-robot试验解释。Zhao等[39]纳入28例患者探究BCI-robot训练对于恢复期卒中患者下肢功能的影响，研究发现BCI-robot组和机器人组的下肢功能均有改善，这与本文的研究结果一致，但该研究显示两组间无显著性差异，其在局限性中阐述了原因，这可能与样本量以及干预疗程等方面有关。通过主动被动模式刺激相结合的方法，BCI-robot可重建闭环感觉运动通路，视听刺激能够激活镜像神经元传导主动刺激，而与BCI联接的机器人设备则为闭环通路提供被动刺激，进而强化大脑皮层与下肢运动控制间的运动反馈过程，基于视听刺激的MI任务与运动训练双任务形式的结合，可以促进大脑感觉运动皮层可塑性[44]。
事件相关频谱扰动是EEG信号经时频分析提取的特定频段的脑震荡性活动，描述了试验中事件相关的EEG振幅谱相对变化，在MI相关研究中广泛应用[41,43]。在运动计划和执行过程中，与α和β波频段震荡有关的感觉运动节律振幅明显降低的现象，在ERSP中被称为ERD[16,45]。本试验时频分析结果显示，BCI-exoskeleton训练干预后Cz通道出现显著的ERD现象，α和β频段ERD幅值出现显著下降。除此之外，我们发现大部分患者α频段ERD幅值低于β频段，但总体无明显差异，考虑可能是因为α频段更多参与组成MI任务引起的感觉运动节律，而β频段中起主要作用的可能是较低频波段[46]。唐智川等[47]和Cardoso等[46]分别采用基于深度卷积神经网络的MI-BCI-exoskeleton和基于自行车骑行的MI-BCI训练进行下肢功能康复，研究均揭示了在下肢及足部的MI-BCI训练中，EEG中Cz通道会出现显著的ERD模式。Storzer等[48]发现基于MI任务的步行任务时，初级运动皮层Cz通道α波功率下降幅度最大，这与本试验结果相符;而Pichiorri等[49]研究结果则显示BCI干预后只有低频段β波功率明显降低。因此需要更多关于BCI-exoskeleton的研究验证相关结论。
脑机接口准确率(brain-computer interface accuracy, BCIA)是一项用于衡量患者参与度、脑区功能改善以及BCI系统性能的重要参数[40]。较高的BCIA在健康人受试者中提示大脑具有良好的兴奋性和应激能力，而在卒中偏瘫患者中提示运动功能恢复更佳[42]。本研究结果提示，BCI-exoskeleton训练能够显著提高卒中患者的BCIA，而LRET和常规康复训练则无明显效果。目前关于BCIA分析的研究主要集中在卒中后上肢康复领域，Guo等[22]应用基于稳态视觉诱发电位的BCI机器手套对患者手功能进行康复，发现干预后试验组平均BCIA可以达到60%以上，这与本研究结果一致;Chen等[41]通过比较上肢偏瘫患者运动想象和运动执行中BCIA和ERD差异，发现经过BCI的MI任务干预后，患者BCIA有显著提升，并且与干预后ERD幅值呈显著负相关，ERD反映了皮层激活状态，ERD降低代表更强的脑功能和神经可塑性，该研究结果提示BCIA改变与运动皮层激活和神经可塑性提升有关，上述结果与本文相关性分析结果相符。从整个BCI反馈系统来看，BCIA是患者在BCI训练过程中机器人成功完成反馈程度的体现，BCIA增加证明了患者训练中正确反馈数量的提升，正确的反馈有益于提高大脑可塑性，进而预示患者肢体功能的恢复[41]。
本研究相关性分析结果显示，下肢功能区α和β频段ERD现象均与临床疗效显著相关，并且与α频段相比，β频段活动与临床疗效间具有更强的关联。目前关于运动皮层激活与康复疗效相关性的下肢BCI研究尚无报道，而在上肢康复研究中，Carino等[15]进一步比较了运动皮层ERD现象与临床疗效的相关性，与α波相比，β波活动在试验后的激活程度与临床疗效相关性更强。上述结果与本试验相一致。β震荡在初级运动皮层和外周肌肉之间神经网络中具有重要作用[50]，并且可以反映皮质脊髓束内运动皮层信息加工的变化，与神经可塑性机制相关[51]，而α震荡仅参与在MI任务的学习和信息处理中，因此可以解释相较于α波，β波与卒中后运动功能恢复关系更为密切。以上结论仍需更多皮层相关研究佐证。下肢运动功能区α、β波段激活与临床疗效的显著相关，将中枢与外周紧密结合，印证了BCI诱导的“中枢-外周-中枢”闭环通路运动模式[52]，该模式不仅适用于脑卒中后上肢康复，同样对下肢康复亦有积极影响。
本研究仍存在一定的局限性。首先，样本量较小，干预时长较短并且为单中心研究。其次，本研究对于下肢肌肉状态的客观检测尚不充分，表面肌电可以反映任务态下肌肉的募集情况，但下肢任务随机性强，检测信号不稳定;本研究初始采用下肢运动诱发电位评估神经肌肉功能和连通性，但运动皮层下肢功能区刺激部位较深，个体化差异较大，部分患者无法诱发，剔除该项指标评估。未来关于BCI-Exoskeleton改善脑卒中患者下肢功能的中枢机制仍可剖析，因此需要具有更大样本量、不同干预时长、稳定有效的下肢肌肉客观评估，深入探寻脑网络机制的随机对照研究，并结合其他影像诊断方法加以佐证。
4 结论
本研究结果显示，BCI-exoskeleton对于脑卒中患者的下肢运动控制、站立平衡、行走和日常生活活动能力具有显著的改善效果，效果优于LRET与常规康复。疗效与运动皮层下肢功能区α和β波频段的激活有关，并且相较于α波，临床疗效与β波活动关系更为密切，该结论仍需更多高质量研究验证。
参考文献
[1] Cao L, Wu H, Chen S, et al. A novel deep learning method based on an overlapping time window strategy for brain-computer interface-based stroke rehabilitation[J]. Brain Sci, 2022, 12(11): 1502.
[2] Sebastián-Romagosa M, Cho W, Ortner R, et al. Brain-computer interface treatment for gait rehabilitation in stroke patients[J]. Front Neurosci, 2023, 17: 1256077.
[3] Mehrholz J, Thomas S, Werner C, et al. Electromechanical-assisted training for walking after stroke[J]. Cochrane Database Syst Rev, 2017, 5(5): Cd006185.
[4] Malik A, Masood T. Task-oriented training and exergaming for improving mobility after stroke: A randomized trial[J]. The Journal of the Pakistan Medical Association, 2021, 71: 186-190.
[5] da Rosa Pinheiro D, Cabeleira M, da Campo L, et al. Effects of aerobic cycling training on mobility and functionality of acute stroke subjects: A randomized clinical trial[J]. NeuroRehabilitation, 2021, 48(1): 39-47.
[6] Abdullahi A, Candan SA, Soysal Tomruk M, et al. Constraint-induced movement therapy protocols using the number of repetitions of task practice: a systematic review of feasibility and effects[J]. Neurol Sci, 2021, 42(7): 2695-2703.
[7] Zhao C, Ju F, Sun W, et al. Effects of training with a brain-computer interface-controlled robot on rehabilitation outcome in patients with subacute stroke: A randomized controlled trial[J]. Neurology and Therapy, 2022, 11(2): 679-695.
[8] Kang CJ, Chun MH, Lee J, et al. Effects of robot (SUBAR)-assisted gait training in patients with chronic stroke: Randomized controlled trial[J]. Medicine (Baltimore), 2021, 100(48): e27974.
[9] Peksa J, Mamchur D. State-of-the-Art on Brain-Computer Interface Technology[J]. Sensors (Basel, Switzerland), 2023, 23(13): 6001.
[10] 万春利, 邱怀德, 王雪, 等. 脑机接口对脑卒中患者功能恢复影响的meta分析[J]. 中国康复医学杂志, 2022, 37(11): 1535-1540+1550.
[11] 薛夏利, 邓钟义, 李宁. 脑机接口辅助训练对脑卒中患者上肢功能恢复效果的meta分析[J]. 中国老年学杂志, 2023, 43(01): 8-14.
[12] Wolpaw J, Birbaumer N, McFarland D, et al. Brain-computer interfaces for communication and control[J]. Clinical Neurophysiology, 2002, 113(6): 767-791.
[13] Ushiba J, Soekadar S. Brain-machine interfaces for rehabilitation of poststroke hemiplegia[J]. Progress in brain research, 2016, 228: 163-183.
[14] 刘明月, 李哲, 曹永生, 等. 基于运动表象的脑机接口训练对亚急性期脑卒中患者手功能康复的效果[J]. 中国康复理论与实践, 2023, 29(1): 71-76.
[15] Carino-Escobar RI, Carrillo-Mora P, Valdés-Cristerna R, et al. Longitudinal analysis of stroke patients' brain rhythms during an intervention with a brain-computer interface[J]. Neural Plast, 2019, 2019: 7084618.
[16] de Seta V, Colamarino E, Pichiorri F, et al. Brain and muscle derived features to discriminate simple hand motor tasks for a rehabilitative BCI: comparative study on healthy and post-stroke individuals[J]. J Neural Eng, 2024, 21(6).
[17] Hochberg L, Serruya M, Friehs G, et al. Neuronal ensemble control of prosthetic devices by a human with tetraplegia[J]. Nature, 2006, 442(7099): 164-171.
[18] Wolpaw J, Birbaumer N, Heetderks W, et al. Brain-computer interface technology: a review of the first international meeting[J]. IEEE transactions on rehabilitation engineering, 2000, 8(2): 164-173.
[19] Ang K, Chua K, Phua K, et al. A randomized controlled trial of EEG-based motor imagery brain-computer interface robotic rehabilitation for stroke[J]. Clinical EEG and neuroscience, 2015, 46(4): 310-320.
[20] McFarland D, Wolpaw J. Brain-computer interfaces for communication and control[J]. Communications of the ACM, 2011, 54(5): 60-66.
[21] Xie Y, Yang Y, Jiang H, et al. Brain-machine interface-based training for improving upper extremity function after stroke: A meta-analysis of randomized controlled trials[J]. Frontiers in Neuroscience, 2022, 16: 949575.
[22] Guo N, Wang X, Duanmu D, et al. SSVEP-based brain computer interface controlled soft robotic glove for poststroke hand function rehabilitation[J]. IEEE Trans Neural Syst Rehabil Eng, 2022, 30: 1737-1744.
[23] Fu J, Chen S, Shu X, et al. Functional-oriented, portable brain-computer interface training for hand motor recovery after stroke: a randomized controlled study[J]. Frontiers in Neuroscience, 2023, 17: 1146146.
[24] McCrimmon C, King C, Wang P, et al. Brain-controlled functional electrical stimulation for lower-limb motor recovery in stroke survivors[J]. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2014, 2014: 1247-1250.
[25] Biswas P, Dodakian L, Wang P T, et al. A single-center, assessor-blinded, randomized controlled clinical trial to test the safety and efficacy of a novel brain-computer interface controlled functional electrical stimulation (BCI-FES) intervention for gait rehabilitation in the chronic stroke population[J]. BMC Neurol, 2024, 24(1): 200.
[26] Selves C, Stoquart G, Lejeune T. Gait rehabilitation after stroke: review of the evidence of predictors, clinical outcomes and timing for interventions[J]. Acta Neurol Belg, 2020, 120(4): 783-790.
[27] Choi W. Effects of robot-assisted gait training with body weight support on gait and balance in stroke patients[J]. Int J Environ Res Public Health, 2022, 19(10).
[28] Masengo G, Zhang X, Dong R, et al. Lower limb exoskeleton robot and its cooperative control: A review, trends, and challenges for future research[J]. Frontiers in Neurorobotics, 2022, 16: 913748.
[29] Gao X, Zhang P, Peng X, et al. Autonomous motion and control of lower limb exoskeleton rehabilitation robot[J]. Frontiers in Bioengineering and Biotechnology, 2023, 11: 1223831.
[30] Huang Q, Elangovan N, Zhang M, et al. Robot-aided assessment and associated brain lesions of impaired ankle proprioception in chronic stroke[J]. J Neuroeng Rehabil, 2024, 21(1): 109.
[31] Cheng N, Phua K S, Lai H S, et al. Brain-computer interface-based soft robotic glove rehabilitation for stroke[J]. IEEE Trans Biomed Eng, 2020, 67(12): 3339-3351.
[32] 中华医学会神经病学分会, 中华医学会神经病学分会脑血管病学组. 中国各类主要脑血管病诊断要点2019[J]. 中华神经科杂志, 2019, 52(9): 710-715.
[33] Hakakzadeh A, Shariat A, Honarpishe R, et al. Concurrent impact of bilateral multiple joint functional electrical stimulation and treadmill walking on gait and spasticity in post-stroke survivors: a pilot study[J]. Physiother Theory Pract, 2021, 37(12): 1368-1376.
[34] Yadav T, Bhalerao G, Shyam A K. Factors affecting fear of falls in patients with chronic stroke[J]. Top Stroke Rehabil, 2020, 27(1): 33-37.
[35] Longatelli V, Pedrocchi A, Guanziroli E, et al. Robotic exoskeleton gait training in stroke: an electromyography-based evaluation[J]. Front Neurorobot, 2021, 15: 733738.
[36] Calafiore D, Negrini F, Tottoli N, et al. Efficacy of robotic exoskeleton for gait rehabilitation in patients with subacute stroke: a systematic review[J]. Eur J Phys Rehabil Med, 2022, 58(1): 1-8.
[37] Louie D R, Mortenson W B, Durocher M, et al. Efficacy of an exoskeleton-based physical therapy program for non-ambulatory patients during subacute stroke rehabilitation: a randomized controlled trial[J]. J Neuroeng Rehabil, 2021, 18(1): 149.
[38] Yang J, Zhu Y, Li H, et al. Effect of robotic exoskeleton training on lower limb function, activity and participation in stroke patients: a systematic review and meta-analysis of randomized controlled trials[J]. Front Neurol, 2024, 15: 1453781.
[39] Zhao CG, Ju F, Sun W, et al. Effects of training with a brain-computer interface-controlled robot on rehabilitation outcome in patients with subacute stroke: a randomized controlled trial[J]. Neurol Ther, 2022, 11(2): 679-695.
[40] Yuan Z, Peng Y, Wang L, et al. Effect of BCI-controlled pedaling training system with multiple modalities of feedback on motor and cognitive function rehabilitation of early subacute stroke patients[J]. IEEE Trans Neural Syst Rehabil Eng, 2021, 29: 2569-2577.
[41] Chen S, Cao L, Shu X, et al. Longitudinal electroencephalography analysis in subacute stroke patients during intervention of brain-computer interface with exoskeleton feedback[J]. Frontiers in Neuroscience, 2020, 14: 809.
[42] Biasiucci A, Leeb R, Iturrate I, et al. Brain-actuated functional electrical stimulation elicits lasting arm motor recovery after stroke[J]. Nature Communications, 2018, 9: 13.
[43] Frolov AA, Mokienko O, Lyukmanov R, et al. Poststroke rehabilitation training with a motor-imagery-based brain-computer interface (BCI)-controlled hand exoskeleton: A randomized controlled multicenter trial[J]. Frontiers in Neuroscience, 2017, 11(JUL): 400.
[44] Zhang Z, Koike Y. Clustered event related spectral perturbation (ERSP) feature in right hand motor imagery classification[J]. Front Neurosci, 2022, 16: 867480.
[45] Peter J, Ferraioli F, Mathew D, et al. Movement-related beta ERD and ERS abnormalities in neuropsychiatric disorders[J]. Front Neurosci, 2022, 16: 1045715.
[46] Cardoso VF, Delisle-Rodriguez D, Romero-Laiseca MA, et al. Effect of a brain-computer interface based on pedaling motor imagery on cortical excitability and connectivity[J]. Sensors (Basel), 2021, 21(6): 2020.
[47] 唐智川, 张克俊, 李超, 等. 基于深度卷积神经网络的运动想象分类及其在脑控外骨骼中的应用[J]. 计算机学报, 2017, 40(06): 1367-1378.
[48] Storzer L, Butz M, Hirschmann J, et al. Bicycling and walking are associated with different cortical oscillatory dynamics[J]. Front Hum Neurosci, 2016, 10: 61.
[49] Pichiorri F, Morone G, Petti M, et al. Brain-computer interface boosts motor imagery practice during stroke recovery[J]. Annals of Neurology, 2015, 77(5): 851-865.
[50] Aumann TD, Prut Y. Do sensorimotor β-oscillations maintain muscle synergy representations in primary motor cortex?[J]. Trends Neurosci, 2015, 38(2): 77-85.
[51] Gandolfi M, Formaggio E, Geroin C, et al. Electroencephalographic changes of brain oscillatory activity after upper limb somatic sensation training in a patient with somatosensory deficit after stroke[J]. Clin EEG Neurosci, 2015, 46(4): 347-352.
[52] 贾杰. “中枢-外周-中枢”闭环康复:脑卒中后手功能康复新理念[J]. 中国康复医学杂志, 2016, 31(11): 1180-1182.
