运动前的脑电图(EEG)微状态反映了有意识运动中预期的负荷变化
《Frontiers in Computational Neuroscience》:Pre-movement EEG microstates reflect intended lifted load of volitional movement
【字体:
大
中
小
】
时间:2026年03月23日
来源:Frontiers in Computational Neuroscience 2.3
编辑推荐:
摘要
引言:在康复情况下,负载估计是辅助机器人控制的重要参数之一。脑电图(EEG)技术的高时间分辨率使其成为解析运动意图和计划时间动态的最佳工具。EEG微状态所代表的准稳定头皮电位地形图可以评估大脑中用于控制辅助设备的实时信息处理。我们假设,在二头肌弯举动作之前出现的EEG微状态
摘要
引言:在康复情况下,负载估计是辅助机器人控制的重要参数之一。脑电图(EEG)技术的高时间分辨率使其成为解析运动意图和计划时间动态的最佳工具。EEG微状态所代表的准稳定头皮电位地形图可以评估大脑中用于控制辅助设备的实时信息处理。我们假设,在二头肌弯举动作之前出现的EEG微状态能够反映负载的增加。
方法:十名健康参与者进行了二头肌弯举动作,同时使用EEG和EMG记录了他们的大脑活动和肌肉激活情况。
结果:发现了八个微状态图,这些图代表了动作前的功能大脑状态。其中两个动作前的微状态图反映了负载的增加。这两个具有反射性的微状态图的源最大值位于右侧岛叶和扣带回。
讨论:我们的结果表明,动作前的EEG微状态可以反映自愿运动的负载增加。
图形摘要
1 引言
通过生物信号对外周肌肉进行辅助控制及其反馈正在被广泛研究。其中一个挑战是从神经信号中预测人在动作执行前需要提升的负载是困难的。已知动作之前的大脑活动是否包含有关即将遇到的负载的信息?准确解码此类信息对辅助控制、神经康复和脑机接口(BCI)具有重要意义,可以实现更响应迅速和适应性更强的用户意图解码。运动BCI旨在从大脑信号中解码运动意图,这可以进一步与神经康复设备和辅助技术结合使用。理解决定动作动力学(例如,提升的负载)和执行动作的运动学参数的动作前大脑活动一直是运动神经科学中一个长期未解决的问题。人类能够执行从简单的鼠标点击到高级的身体训练活动(如舞蹈或体操)等多种动作(Liu和Ballard,2021)。这些动作需要涉及感觉运动预测、感觉整合、运动计划、决策制定、运动执行和性能评估的大脑区域的协调(Gwin等人,2011;Schwartz,2016;Zhang等人,2024)。姿势控制与动作开始之间的精确时机,以及预期的姿势调整,是影响平衡和效率的关键因素。这些调整必须灵活适应物体的特定属性,如其负载或摩擦力,这些属性可能会意外变化,并且并不总是在接触前对个体显而易见(Zhang等人,2025)。虽然之前的研究已经解码了多种运动,包括肘部伸展/屈曲、前臂旋前/旋后、手掌/外侧抓握、手掌抓握、钳形抓握、外侧抓握、手腕旋后和捏握(Borràs等人,2022;Hochberg等人,2012;Mammone等人,2020;Ofner等人,2019;Schwartz等人,2018, 2020a,b;Vuckovic和Sepulveda,2008;Xu等人,2021),但对于动作开始前的负载水平的研究较少。二头肌弯举是一种单关节肘部屈曲动作,由于其明确的运动学特性和最小的姿势干扰,为研究运动控制提供了理想的模型(Jiang等人,2025)。这种动作中提升的负载提供了一个受控的范例,用于评估准备阶段大脑活动中的负载依赖性神经变化。虽然可穿戴康复设备可以使用运动编码器预测运动速度(Porciuncula等人,2018),但不依赖机械传感器来预测负载仍然是一个未解决的问题。当前的外骨骼或机器人假肢依赖于手套或袖口中的嵌入式机械传感器,这些传感器会增加惯性,降低舒适度,并且经常无法检测到突然的负载变化。因此,非侵入性的神经相关指标可以与预期努力相结合,替代或增强力传感器,从而实现更轻便、更直观的控制器,在动作开始前调整扭矩(Gui等人,2019;Zhang等人,2024)。评估生理信号,如脑电图(EEG),这是一种成本效益高、非侵入性的工具,具有高时间分辨率,已被证明对于分类提升的负载和区分不同类型的动作非常有价值(Qin等人,2022)。具有独特运动学特征的不同动作可以从EEG模式中可靠地检测出来(Iturrate等人,2018;Slobounov等人,1999),尽管其空间分辨率有限,但使用先进的EEG信号处理技术已经成功解码了复杂的运动(Kaviri和Vinjamuri,2025;Mohseni等人,2020)。除了EEG之外,还研究了表面肌电图(EMG),以表征与动作执行和力量生成相关的神经肌肉激活模式(De Luca,1997;Farina等人,1985)。EMG的幅度和时间特征会随着负载和努力的增加而变化,可以作为运动强度和物理需求的潜在标志(Beck等人,2019;Vigotsky等人,2018)。此外,据报道EMG活动在观察到的力量产生之前大约有20-150毫秒。因此,捕捉从大脑皮层到肌肉的运动指令传输(Norman和Komi,1979;Zheng等人,2022)。尽管有这种时间优势,EMG在捕捉动作开始前的准备阶段神经状态方面仍然有限(Enoka和Duchateau,2008)。然而,最近在EEG研究方面的进展表明,皮层活动不仅反映了运动准备,还编码了即将到来的运动动作的预期强度。在基于阻力的任务(如二头肌弯举)中捕获的神经相关指标已被证明可以区分不同的负载水平,甚至可以在动作开始前预测运动学参数(Deniz等人,2022;Maszczyk等人,2019)。虽然传统的EEG标志物,如准备电位(RP),已被广泛用于研究运动准备,但它们的可靠性不一致,对运动意图的预测价值有限(Khalighinejad等人,2018;Schurger等人,2012)。因此,最近的研究转向分析动作前的振荡活动,这提供了更精确的时间表示运动意图。先前的工作表明,EEG信号编码了与运动强度相对应的不同神经状态,更高的负载会引发更广泛的皮层招募和增加的跨区域耦合(Olsen等人,2021;Zhang等人,2024)。与感觉运动区域相关的β(13-30 Hz)去同步和顶枕区域的α(8-13 Hz)抑制在动作开始前一致出现(Kilavik等人,2013;Pfurtscheller和Lopes Da Silva,1999)。然而,大多数先前的研究集中在二元负载条件下,经常忽略了伴随渐进性加载的渐进性和潜在的非线性皮层适应。这些振荡调制来自一个分布式的准备网络,包括辅助运动区(SMA)、前SMA和初级运动皮层(M1),在动作开始前介导皮层脊髓兴奋性的上下文依赖性调整(C?té等人,2020;Jacobs等人,2009)。EEG微状态已被证明反映了认知处理(包括运动准备)背后的大规模皮层网络动态,为表征快速的时间转换提供了理想的方法(Michel和Koenig,2018)。EEG微状态代表了全球头皮活动的短暂、准稳定模式,反映了大规模神经网络内的协调激活(Lehmann等人,1987)。微状态持续时间、出现频率、覆盖范围和全局解释方差(GEV)的时间特征量化了它们的稳定性及其对整体大脑活动的贡献(Dinov和Leech,2017;Khanna等人,2015;Lehmann等人,2009)。这些参数捕捉了与信号极性无关的皮层协调变化,因为极性反转不会改变潜在的空间配置(Dinov和Leech,2017)。与传统的时域或频域分析不同,微状态分析在毫秒尺度上捕捉了大脑动态的准稳定顺序组织(Khanna等人,2015;Lehmann等人,1987;Michel和Koenig,2018)。最近的证据表明,运动想象动作调节了这些参数,微状态图的持续时间更长和出现频率更高反映了感觉运动和执行网络之间的协调(Penalver-Andres等人,2024;Zappasodi等人,2019)。这使得研究实际动作执行前的准备神经状态成为可能,这些状态可能编码了特定于任务的参数,如负载、努力或运动意图。基于这一前提,当前研究假设动作开始前的EEG微状态可以反映单侧二头肌弯举任务中负载的增加。研究的目的是识别动作前的微状态及其皮层来源,这些微状态反映了逐渐增加的负载,从而阐明分级运动准备的神经相关因素。
2 材料和方法
本研究在参与者进行单侧二头肌弯举时记录了时间同步的EEG、EMG和惯性测量单元(IMU),负载是分级的。每个会话开始时有一个简短的熟悉阶段,然后是实验阶段。每个阶段包括十次试验,每次试验之间有5分钟的坐姿休息时间。
2.1 参与者
该研究得到了新德里全印度医学科学研究所机构伦理委员会的批准(项目ID:RP04191G),所有方法均按照相关指南和规定进行。研究包括11名健康的右利手男性参与者,他们来自德里IIT(平均年龄=23.57岁,±SD=3.2岁),所有参与者都超过18岁,因此被认为能够独立提供知情同意。在招募的11名参与者中,有1名参与者无法完成实验任务,因此样本量减少到10名。研究的纳入标准如下:参与者视力正常或矫正至正常,没有心血管问题、神经系统疾病、疲劳相关疾病、慢性身体状况和肌肉骨骼疾病的病史。实验前,参与者被要求在24小时内避免用药、喝茶、咖啡和酒精,并在实验前48小时内避免运动。为了减少选择偏差,参与者是随机选择的。此外,他们不知道研究的目的(以减少表现偏差)和预期结果(以减少检测偏差)。被排除的数据已被记录下来,以防止报告和注意偏差。所有参与者都给出了书面知情同意,并被告知他们可以随时退出实验。
2.2 数据记录设备
2.2.1 EEG数据
该研究使用了一个32通道的盐水基EEG帽(R-net,BrainProducts GmbH,Gilching,德国)进行,连接到无线放大器(LiveAmp-16,BrainProducts GmbH,Gilching,德国)。Ag/AgCl电极的放置遵循国际10-10系统。在整个采集过程中,EEG数据的采样率为500 Hz,所有电极的阻抗保持在10 KΩ以下。
2.2.2 EMG数据
使用Noraxon无线Ultium EMG系统(软件 - MR 3.20)以4,000 Hz的采样率记录了时间同步的EMG活动。在放置电极之前,使用酒精擦拭剂清洁皮肤。六个表面EMG双极电极放置在目标肌肉上,包括长二头肌和短二头肌、长三头肌和短三头肌、桡侧腕屈肌和桡侧腕伸肌。使用粘合带将电极固定在肌肉上。电极放置和皮肤准备程序按照既定指南进行(Konrad,2005)。
2.2.3 IMU数据
使用17-IMU系统(Awinda,Xsens Technologies,Enschede,荷兰)收集惯性测量数据。IMU包括一个3D加速度计、一个3D陀螺仪和一个3D磁力计。用于解码右侧二头肌弯举动作开始的传感器放置在前臂上。这些传感器的数据以60 Hz的采样率记录。
2.3 实验设计
到达实验室后,参与者接受了关于实验方案的全面简报,并在参与研究之前获得了书面知情同意。数据采集前的准备工作包括使用XSens软件校准IMU传感器,确保精确对齐。额外的准备措施包括测量参与者的头部直径并确定Cz点,该点由鼻根到耳垂线和耳垂到耳垂线的交点确定。在参与者进行单侧(右侧)二头肌弯举(肘部屈曲和伸展)时,同时记录EEG和IMU信号,负载是分级的。使用来自右侧前臂的IMU数据来检测动作开始。
连续的EEG数据从32个通道获取:Fp1、Fz、F3、F7、F9、FC5、FC1、C3、T7、CP5、CP1、Pz、P3、P7、P9、O1、O2、P10、P8、P4、CP2、CP6、T8、C4、Cz、FC2、FC6、F10、F8、F4、Fp2。研究开始时,参与者处于站立姿势,手中没有举重物(哑铃)。在参与者前方3米处放置了一台显示器,用于视觉提示。实验中涉及右臂的活动包括提升不同的重量:0公斤(基线)、2.5公斤、4.5公斤、6.5公斤和8公斤。实验方案分为五个部分,每个部分对应一个重量级别(0公斤—基线、2.5公斤、4.5公斤、6.5公斤、8公斤)。参与者在每个部分中完成10次尝试。总共进行了50次二头肌弯举实验(5个部分×10次尝试)。在每个部分结束后,实验者会手动调整提升的重量。实验使用PsychoPy软件(Open Science Tools Ltd.,版本2022.2.5)来指导参与者开始二头肌弯举动作。如图1所示,每次尝试开始时会发出一声提示音。提示音后1秒,会显示一个视觉提示(图1A,I)。参与者被要求在看到视觉提示后进行二头肌弯举。完成二头肌弯举的时间限制为8秒,在此期间会持续显示视觉提示。每次尝试之间有1秒的间隔。为了防止肌肉疲劳,参与者在每个部分结束后会休息5分钟。整个实验持续大约30到40分钟。详细的实验方案如图1所示。
图1(A) 单侧右臂二头肌弯举任务的实验方案。每次尝试开始时都会发出提示音,随后是一个视觉提示(I),指示参与者开始动作。必须在8秒内完成一次完整的二头肌弯举(肘部弯曲和伸展)。实验设备包括EEG帽(II)、IMU传感器(III)和提升的重物(哑铃;IV)。尝试之间有1秒的间隔。显著的特征簇显示在参考皮质表面(顶部)、MRI模板(中间)以及统计显著性最高的体素上:右侧岛叶(图2;t = 4.054)和右侧扣带回(图6;t = 3.465)。方向:L/R(左/右),A/P(前/后),S/I(上/下)。表1 微状态图2的来源 大脑区域 布罗德曼区 岛叶 13(右) 海马旁回 27, 28, 35(右) 中央前回 6(右)微状态图6的来源 大脑区域 布罗德曼区 扣带回 24(右) 颞上回 42(右)区分不同抬升负荷条件的运动前微状态图的颅内生成器。R- 右半球。3.4 相关性结果 通过皮尔逊相关性分析,评估了在抬升负荷增加时显示出显著差异的运动前微状态图(图2和图6)与表现指标(包括反应时间(RT)、运动持续时间(MD)和RMS EMG)之间的关联。运动持续时间与GEV呈负相关(r = ?0.3819,p = 0.0150;图6A)和微状态图2的TF数量(r = ?0.3273,p = 0.0392;图6B)。反应时间和RMS EMG与运动前微状态图2的指标(TF,GEV)没有显著相关性。我们没有发现运动前微状态图6的指标(TF,GEV)与表现指标(RT,MD,RMS EMG)之间的任何显著相关性。图6 不同负荷(2.5,4.5,6.5,8公斤)下(A)运动持续时间和图2 GEV,(B)运动持续时间与图2时间帧之间的散点图。点表示单个数据点;虚线表示线性拟合。皮尔逊r值和p值(在图中)表示相关性和显著性。4 讨论 本研究使用EEG微状态分析,在抬升负荷增加的运动前阶段研究了大规模网络动态的变化。在八个运动前EEG微状态图中,有两个图(图2和图6)是抬升负荷增加的标志。具体来说,运动前的GEV和时间帧区分了2.5公斤、4.5公斤和8公斤的抬升负荷条件。运动前的微状态是在运动开始前的500毫秒间隔内测量的,以捕捉“准备”运动的动态,如准备电位(RP)和感觉运动节律的ERD(Ghosh等人,2025)所建议的,并关注大脑承诺执行运动的关键时刻,即“不可返回点”(Schultze-Kraft等人,2016)。虽然大多数研究集中在运动想象(MI)和运动执行(ME)期间的源激活(Choi和Choi,2022;Yao等人,2025),但EEG微状态测量了大规模网络动态的变化。静息状态EEG微状态动态可以预测MI-BCI的表现,而提示引导的MI会引发类似于运动执行的微状态(Cui等人,2023;Wang等人,2023)。EEG微状态参数可以区分右手和左手的运动准备(Zhang等人,2022)。据我们所知,这是第一项研究表明运动前EEG微状态反映了运动开始前分级抬升负荷信息的编码。4.1 运动前微状态图2——微状态测量、相关源和相关性 在本研究中,运动前图2类似于临床微状态类别B(右前-左后),在抬升负荷增加时出现次数较少且GEV较低(Valt等人,2024)。在运动准备期间EEG微状态的发生频率降低(L. Zhang等人,2022),随着执行和想象运动的握力增加,这种微状态的持续时间和时间覆盖范围减少(Fu等人,2018),以及在更高心理工作负荷下GEV降低,这反映了注意力集中(Li等人,2025;Jia等人,2021)。在本研究中,运动前准备阶段观察到的微状态图2参数的减少可能反映了随着负荷增加,注意力处理从内部导向转向外部导向。随着负荷的增加,岛叶显示出主导活动,同时海马旁回和中央前回也有额外的源激活。研究表明,在持续努力期间,岛叶会逐渐被激活,这突显了其在处理内感受性和疲劳相关信号中的作用(Spring等人,2017)。岛叶在内部感知意识即整个身体的生理状态的主观感觉以及触觉、动觉和本体感觉处理中起着基本作用(Tinaz等人,2018)。先前的研究指出,简单的运动可能并不总是触发岛叶的激活,其激活出现在代谢率增加或需要更多努力的动作中(Blinkenberg等人,1996;Weiller等人,1996)。当负荷变重时,肌肉活动(RMS)和运动持续时间增加通常与反应变慢和运动准备度降低有关(Li等人,2018;Wolkorte等人,2014)。同样,在当前研究中,反应时间在不同负荷条件下有所变化,在4.5公斤和6.5公斤负荷之间有显著增加。整合与努力相关的内感受性信号和运动准备是岛叶的主要功能之一(Tinaz等人,2018;Williamson等人,2006;Wang等人,2019)。根据这些报告,当前研究中通过微状态图2观察到的运动前岛叶参与及其与运动持续时间的负相关表明了岛叶在随后运动执行过程中随着物理需求增加而发挥的关键作用。海马旁回在预测性动作处理中的作用越来越受到认可(Stadler等人,2011),以及在运动前和动作观察期间的激活(Calvo-Merino等人,2005)。在更高负荷下增加的激活表明海马旁回整合了来自先前抬升负荷经验的上下文信息,从而预判了所需的姿势调整和努力程度。除了右侧岛叶和右侧海马旁回外,运动前微状态图2的颅内生成器还位于右侧中央前回。中央前回负责执行自愿运动,并在运动开始前约2秒表现出与运动相关的活动(Cohen等人,2010;Bookheimer,2013)。中央前回表现出强大的运动前活动,编码预期动作的方向和幅度(Vargas-Irwin等人,2025)。我们研究中随着负荷增加,中央前回的激活增强反映了在运动执行前对所需力量的增强准备。当前的研究结果表明,运动前微状态图2的GEV和时间帧的减少反映了随着物理需求增加,大规模神经动态整合了与努力相关的内感受性信号和预期运动控制。运动前源激活在右侧岛叶、右侧海马旁回和中央前回分别与内感受性信号整合、姿势调整和所需力量调整相关。4.2 运动前微状态图6——微状态测量和相关源 本研究中运动前图6类似于典型的微状态类别A(左前-右后方向),这与大规模皮质网络中的听觉处理和认知有关(Aeschlimann等人,2025;Michel和Koenig,2018)。值得注意的是,只有这个图的GEV随着负荷的增加而减少,在最重的重量下GEV最低,而其时间参数(时间帧数量)在不同条件下保持稳定。Hao等人比较了健康对照组和中风幸存者的静息状态EEG微状态。结果显示,健康对照组在休息时的微状态类别A的GEV显著低于中风患者(Hao等人,2022)。越来越多的证据表明,微状态类别A对任务参与敏感,并与参与者的唤醒状态有关,而不仅仅是一个“休息”模式。在模拟飞行研究中,Han等人报告说,在高注意力需求下,微状态类别A的参数(持续时间和发生频率)受到抑制(Han等人,2024)。在心理运动警觉任务中,Di Muccio等人发现心肺健康状况较好的人在刺激前期的微状态类别A出现频率较低,作者将其解释为警觉状态的提高(Di Muccio等人,2023)。Wang和Li报告说,在手臂抬升的运动想象任务中,微状态类别A占主导地位,在手臂侧向降低时GEV最高(Wang和Li,2025)。基于这些先前研究指出的不同作用,本研究中运动前微状态类别A的GEV随着物理需求的增加而减少可能反映了警觉性和任务参与度的提高。运动前微状态图6的颅内生成器位于右侧扣带回和颞上回,在更高负荷条件下显示出显著更高的激活。这一观察结果与先前的研究一致,即扣带回与内侧前额叶皮层、岛叶和丘脑一起参与处理物理要求高的任务中的努力感知(Williamson等人,2006)。扣带回皮层和辅助运动区与岛叶有很强的连接,共同支持运动控制、动作选择和表现监控(Tinaz等人,2018)。鉴于这些证据,当前研究中随着负荷增加扣带回的激活增强可能反映了与努力相关的内部生理信号的评估增加。运动前岛叶的参与及其与运动持续时间的负相关表明了岛叶在随后运动执行过程中随着物理需求增加而发挥的关键作用。海马旁回在预测性动作处理中的作用越来越受到认可(Stadler等人,2011),以及在运动前和动作观察期间的激活(Calvo-Merino等人,2005)。在更高负荷下增加的激活表明海马旁回整合了来自先前抬升负荷经验的上下文信息,从而预判了所需的姿势调整和努力程度。除了右侧岛叶和右侧海马旁回外,运动前微状态图2的颅内生成器还位于右侧中央前回。中央前回负责执行自愿运动,并在运动开始前约2秒表现出与运动相关的活动(Cohen等人,2010;Bookheimer,2013)。中央前回表现出强大的运动前活动,编码预期动作的方向和幅度(Vargas-Irwin等人,2025)。我们研究中随着负荷增加,中央前回的激活增强反映了在运动执行前对所需力量的增强准备。当前的研究结果表明,运动前微状态图2的GEV和时间帧的减少反映了随着物理需求增加,大规模神经动态整合了与努力相关的内感受性信号和预期运动控制。运动前源激活在右侧岛叶、右侧海马旁回和中央前回分别与内感受性信号整合、姿势调整和所需力量调整相关。4.2 运动前微状态图6——微状态测量和相关源 本研究中运动前图6类似于典型的微状态类别A(左前-右后方向),这与大规模皮质网络中的听觉处理和认知有关(Aeschlimann等人,2025;Michel和Koenig,2018)。值得注意的是,只有这个图的GEV随着负荷的增加而减少,在最重重量时GEV最低,而其时间参数(时间帧数量)在不同条件下保持稳定。Hao等人比较了健康对照组和中风幸存者的静息状态EEG微状态。结果显示,健康对照组在休息时的微状态类别A的GEV显著低于中风患者(Hao等人,2022)。越来越多的证据表明,微状态类别A对任务参与敏感,并与参与者的唤醒状态有关,而不仅仅是一个“休息”模式。在模拟飞行研究中,Han等人报告说,在高注意力需求下,微状态类别A的参数(持续时间和发生频率)受到抑制(Han等人,2024)。在心理运动警觉任务中,Di Muccio等人发现心肺健康状况较好的人在刺激前期微状态类别A的出现频率较低,作者将其解释为警觉状态的提高(Di Muccio等人,2023)。Wang和Li报告说,在手臂抬升的运动想象任务中,微状态类别A占主导地位,在手臂侧向降低时GEV最高(Wang和Li,2025)。基于这些先前研究指出的不同作用,本研究中运动前微状态类别A的GEV随着物理需求的增加而减少可能反映了警觉性和任务参与度的提高。运动前微状态图6的颅内生成器位于右侧扣带回和颞上回,在更高负荷条件下显示出显著更高的激活。这一观察结果与先前的研究一致,即扣带回与内侧前额叶皮层、岛叶和丘脑一起参与处理物理要求高的任务中的努力感知(Williamson等人,2006)。扣带回皮层和辅助运动区与岛叶有很强的连接,共同支持运动控制、动作选择和表现监控(Tinaz等人,2018)。鉴于这些证据,当前研究中随着负荷增加扣带回的激活增强可能反映了与努力相关的内部生理信号的评估增加。自愿运动的规划和执行需要大脑提取有关身体位置的感觉信息,并通过整合多感官输入与正在进行和计划中的运动活动来预见未来位置。神经影像学研究将颞上回称为多模态整合中心,当上肢动作需要增强运动和身体状态的监控时,该区域会被激活。根据这些证据,当参与者抬起更重的负荷时,颞上回显示出更高的激活。在中风后的手臂任务中,已经报告了颞上回的激活增加,以及运动和顶叶区域的激活(Bolognini等人,2016)。同样,颞上区域在目标导向的到达和抓取的执行和观察过程中也被研究为被激活,特别是在运动动力学对感觉整合要求较高的情况下(Gazzola和Keysers,2009)。因此,运动前图6表现出负荷依赖性的GEV减少,与在高物理需求下的警觉性和任务参与度提高一致。扣带回和颞上回的源激活表明在运动准备期间增加了努力监控和感觉整合。本研究的局限性在于样本量相对较小(n = 10),这影响了研究结果的普遍性。未来的工作应该检查这些运动前微状态是否可以在更大样本量的闭环应用中实时解码。当前研究采用了逐渐增加的负荷条件,这可能会引起疲劳和任务时间效应,可能混淆研究结果。需要关于随机负荷范式的未来研究来验证研究结果。5 结论 本研究揭示了参与内感受性、姿势控制、表现监控、多感官整合和力量调节的大脑区域,表明在负荷增加之前,运动前大脑准备区域的招募更强。两个EEG微状态图参数可以用来反映网络对更高负荷的准备情况。这种EEG微状态的区别提供了关于大脑如何适应运动需求增加的预备神经网络的新见解。这项研究表明,有可能创建基于EEG微状态的控制系统,用于辅助设备的BCI,以实时预测所需的力量,从而帮助改进现有系统的性能。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号