《Micromachines》:From Signal Stacking to Dynamic Coupling: A Critical Review of Wearable EEG–EMG Fusion Brain–Computer Interfaces for Stroke Rehabilitation
编辑推荐:
这篇结构化批判性综述审视了整合脑电图(EEG)和肌电图(EMG)信号用于卒中后运动康复的可穿戴脑机接口(BCI)系统。核心工程问题在于皮层信号与肌肉信号之间的时空异质性,这限制了传统EEG–EMG融合的可靠性和泛化能力。研究人员综述了采集与同步方法、数据级/特
这篇结构化批判性综述审视了整合脑电图(EEG)和肌电图(EMG)信号用于卒中后运动康复的可穿戴脑机接口(BCI)系统。核心工程问题在于皮层信号与肌肉信号之间的时空异质性,这限制了传统EEG–EMG融合的可靠性和泛化能力。研究人员综述了采集与同步方法、数据级/特征级/决策级融合、深度学习架构、可穿戴实现方案以及面向临床的闭环康复策略。传统融合方法能够利用互补信息,但通常将跨模态关系视为固定不变的。相比之下,动态脑–肌耦合在此被定义为皮层区域与靶肌肉之间相互作用强度、延迟、方向性或网络拓扑的显式、时间分辨估计。可测量的候选指标包括时间分辨皮层肌相干性、相位锁定、滞后依赖性、信息论方向性以及动态图连接性。耦合感知方法和基于图的方法前景广阔,但临床转化仍受制于伪迹、受试者间及跨会话变异性、过拟合、临床数据集有限、可解释性不足、同步误差以及嵌入式计算需求。因此,本综述提出了一条从静态信号堆叠走向基于生理学基础、动态耦合且自适应控制的康复系统的透明路径。
**1. 引言**
卒中仍是导致长期残疾的主要原因。世界卒中组织《2025年全球卒中事实报告》显示,2021年全球新发卒中约1190万例,卒中幸存者达9380万例,卒中相关死亡约700万例。上肢功能障碍通常限制日常活动能力,而康复技术和治疗实施在不同临床环境中仍存在较大异质性。
脑机接口(BCI)技术通过将神经或神经肌肉活动转化为反馈、机器人辅助或功能性电刺激,为卒中后康复提供了一种有前景的辅助手段。脑电图(EEG)捕捉与运动准备、运动想象和尝试运动相关的皮层动态,而肌电图(EMG)则反映残余或已执行的肌肉激活。因此,二者的整合能够比单一模态更全面地监测意图–执行通路。
然而,许多现有系统遵循信号堆叠范式:EEG和EMG被分别处理,随后通过特征拼接、加权投票或其他静态融合规则进行组合。这类架构能够提升分类性能,但未必能建模脑与肌肉之间不断演变的生理关系。生理传导延迟、独立设备时钟、空间弥散的EEG信号、局部化的EMG信号以及卒中后重组均可能使测得的跨模态关系随时间、受试者、会话和任务而变化。本综述区别于其他泛泛的BCI神经康复综述、基于EEG的多模态混合接口综述或功能性电刺激控制系统综述,其组织框架立足于静态信号融合与时间分辨脑–肌耦合之间的操作性区分。因此,需要从根本上进行重新定位——从仅关注信号如何融合,转向关注正在估计的生理交互是什么。本综述有四点贡献:(i)报告透明的检索、资格筛选和引文审计程序;(ii)从生理学、计算和可测量角度定义动态脑–肌耦合;(iii)使用结构化表格比较同步与解码策略;(iv)明确闭环转化所需的工程和临床证据。核心论点并非传统融合无效,而是当临床相关目标本身是不断演变的脑–肌交互时,仅靠静态融合是不够的。本综述其余部分从采集与同步推进到算法融合与耦合、可穿戴实现、临床证据、局限性和未来方向。数值结果仅在能够追溯至所引用的原始来源时予以报告,邻近的非卒中研究被明确标记为支撑性证据而非临床证据。
**综述方法与引文审计**
本文是结构化批判性综述而非前瞻性注册的系统综述。检索在PubMed/MEDLINE、Web of Science核心合集、Scopus和IEEE Xplore中进行;Google Scholar及前向/后向引文追踪用于补充额外记录。主要时间窗口为2016年1月至2026年7月31日,仅在需要定义图注意力或物理信息学习时保留更早的基础方法论论文。数据库特定语法围绕四个核心概念模块进行调整:(卒中或卒中后)与(EEG或脑电图)与(EMG或肌电图)与(混合BCI或多模态BCI或皮层肌耦合或脑–肌耦合)。补充术语涵盖可穿戴系统、同步、深度学习、图神经网络和闭环康复。记录首先按标题和摘要筛选,随后依据可获取的全文或信息充分的摘要进行筛查。纳入标准为涉及并发或互补EEG–EMG采集、运动意图解码或脑–肌耦合、可穿戴/机器人/触觉/虚拟现实/功能性电刺激康复,或与可穿戴神经康复直接相关的支撑性电极/同步/伪迹控制/自适应/嵌入式计算方法。重复记录、与神经运动或可穿戴生物信号系统无关的文献,以及缺乏充分方法学信息的记录均被排除。非卒中研究仅作为明确标记的支撑性证据保留。每篇纳入文献均提取至预定字段,涵盖人群、样本量、卒中阶段、采集模态、同步策略、特征或耦合指标、学习算法、融合层级、验证协议、报告性能、临床结局、随访和主要局限性。直接的卒中EEG–EMG证据与情境性或支撑性证据分开综合。由于任务、人群、对照和结局存在异质性,未尝试进行汇总荟萃分析或跨研究性能排名。最终语料库包含107篇文献。检索在数据库和关键词层面有记录,但原始记录级导出文件和去重日志未前瞻性存档。因此,初始检索量、重复筛选和各阶段排除计数无法可靠重建,报告为不可追溯(NR)而非推断值。每条文内引文均对照文献标题、发表 venue、年份、摘要或全文及其所支持的具体论断进行审计。
**2. EEG–EMG整合的工程基础**
**2.1 EEG信号:生理基础、采集技术与特征提取**
脑电图提供与运动准备和执行相关的毫秒级皮层动态访问。运动想象研究通常分析μ和β频段的事件相关去同步/同步,而运动相关及转换相关的时域结构为即将到来的运动提供补充信息。连接性和幅度特征也可组合用于EEG驱动的上肢运动解码。这些特征支持运动意图解码,但对任务设计、预处理和受试者特异性神经生理敏感。湿电极通常提供稳定的低阻抗接触,但需要导电介质和准备时间;干电极或有限通道系统以提高对运动和接触变异的敏感性为代价改善便携性。MXene基水凝胶界面和其他共形材料可改善电极–皮肤耦合,开源BEATS平台展示了高精度多通道采集能力。EEG质量可能因帽体运动、生理伪迹、心冲击图污染、容积传导和源定位不确定性而下降。伪迹去除方法必须在 realistic 动态记录上评估,而不能假定为中性预处理。对于可穿戴运动解码,特征选择应与生理问题匹配。ERD/ERS和其他运动相关时域特征表征皮层状态变化,而深度模型可以学习任务特定的时域表征。然而,实验室EEG数据集中的高分类精度本身并不证明可靠的脑–肌耦合或临床效用;受试者独立和会话独立评估仍是必要的。
**2.2 EMG信号:生理基础与采集技术**
EMG反映所募集的运动单位的叠加电活动,提供关于肌肉激活、残余运动意图、募集和疲劳的直接信息。高密度表面肌电(HD-sEMG)和分解方法可以无创地表征运动单位放电行为,而表面EMG的生理局限性——包括容积传导、串扰、电极放置和幅度抵消——在解释耦合时必须予以考虑。现代sEMG系统集成低噪声放大、滤波、模数转换和无线传输。柔性和软电极改善贴合性和长期稳定性。混合EMG–肌力图(FMG)系统增加了关于肌肉力和形变的机械信息,但这些信号不应被视为与EMG可互换,因为它们的生理来源和延迟不同。时域描述符如均方根幅度、过零率和波形长度,以及频域描述符如中位或平均功率频率,被广泛用于量化激活和疲劳。手势解码研究进一步展示了特征设计、分类器选择和采集条件如何影响性能。肌肉疲劳、前臂角度、电极移位和采集时间引入非平稳性,当硬件或会话改变时可能需要域自适应。在康复中,EMG可以量化残余肌肉功能、触发辅助,或为闭环控制提供外周目标。关键区别在于EMG是用作独立分类器输入、标签或训练辅助,还是作为耦合估计中的显式生理伙伴。这些用途有不同的同步、解释和验证要求。
**2.3 并发EEG–EMG采集中的同步挑战**
同步EEG和EMG采集对于估计皮层肌交互至关重要,但观测到的延迟是生理传导、采集延迟、缓冲、时钟漂移、重采样和算法加窗的组合效应。运动伪迹、电源线干扰和共享机械污染可产生虚假的跨模态依赖。因此,同步误差不仅是数据管理问题:它可能使相位、相干性、滞后、方向性和图边估计产生偏差。常用四种同步策略:共享时钟或硬件触发设计提供最强的时间参考,但需要集成硬件;触发脉冲可以估计独立系统之间的固定偏移;时间戳校正补偿数据包级延迟和时钟漂移;应用层对齐方法如简单数据对齐和线性插值数据对齐可在低功耗蓝牙(BLE)系统中重建公共采样网格。纯软件对齐灵活,但无法完全恢复非同步采样或数据包丢失所丢失的时序信息。信号质量和同步诊断应与生物信号一同存储。最合适的同步架构取决于目标指标。基于长窗口的分类可能容忍适度的残余误差,而相位敏感的皮层肌相干性、短潜伏期运动检测和定向耦合需要更严格的时序控制。超共形电极和集成采集框架可以改善信号稳定性,但不能替代显式的公共时基。由于所引研究报告的偏移、漂移、抖动、数据包延迟、对齐窗口长度和处理延迟组合不同,目前尚不能对同步方法进行直接的数值排序。未来可穿戴EEG–EMG研究应分别报告这些分量以及推理和执行器延迟。
**3. 从融合到耦合:算法范式演进**
**3.1 多模态信号融合:理论框架与固有局限性**
常规多模态整合可发生在数据、特征或决策层面。数据级融合在模态特异性抽象之前组合同步样本或表示;特征级融合拼接或变换提取的特征;决策级融合组合独立生成的输出。这些类别描述了信息在何处组合,但未说明模态之间的生理关系是否被显式估计。EEG和EMG是互补的,因为皮层活动可以先于或持续于明显运动,而EMG提供尝试或执行收缩的外周证据。静态融合可以在一种模态嘈杂时提高鲁棒性,EEG–面部EMG疼痛分析、生理情绪识别和EMG手势识别等邻近应用展示了多模态特征的更广泛价值。然而,非卒中任务中的性能提升不应被解释为康复疗效的直接证据。注意力机制、循环网络、对抗对齐和张量表示可以学习复杂的跨模态特征。然而,自适应加权并不自动等同于动态生理耦合。模型可以随时间改变特征权重,但仍缺乏对交互强度、延迟、方向性或网络拓扑的可解释估计。从生理学角度看,动态脑–肌耦合表示皮层群体活动与肌肉募集之间的时变协调,贯穿运动准备、启动、执行和感觉运动反馈。它可能反映下行驱动、共同输入或反馈相关重组,但相关本身不确立因果性。计算上,对于皮层信号xi和肌肉信号yj,局部耦合状态可写为Cij(t,f)=M({xi(τ),yj(τ):τ∈Wt}),其中M是时间局部化关联估计器,Wt是滑动或事件锁定窗口。根据假设,M可以量化皮层肌相干性、相位锁定、滞后依赖性、定向信息传递或动态图边。仅当交互状态被重复估计并作为显式输入、潜在状态、输出或控制变量进入模型时,系统才有资格称为动态耦合。操作性指标包括耦合幅度和峰值频率、相位或延迟、方向性、边拓扑和跨窗口稳定性。报告应指明窗口长度、更新间隔、采样和同步误差、伪迹控制、幅度依赖性、重测信度以及超越静态融合的附加价值。基于图的顺序解码是一种支撑性架构,但学习到的注意力或图权重不应在没有独立验证的情况下被解释为生理耦合。
**3.2 传统机器学习:静态特征表示的局限性**
传统机器学习方法仍然是重要的基线,因为它们相对透明且计算高效。支持向量机(SVM)、随机森林和相关分类器可以处理工程化的EEG、EMG或多模态特征。其性能高度依赖于预处理、特征定义、受试者选择和验证协议;情绪或手势数据集的结果不应在没有外部临床验证的情况下推广到卒中康复。手工特征流水线的主要局限性不仅仅是容量较低,而是假设固定向量能够充分表示非平稳神经肌肉过程。向量化可能丢弃时域和图结构信息,而疲劳、姿势、会话漂移和受试者异质性改变特征分布。这些模型作为可解释的比较器和低功耗部署仍然有价值,但耦合声明需要显式交互特征和时序验证。
**3.3 深度学习:通往动态耦合的桥梁**
深度学习可以学习分层的时空表示,从而为耦合感知模型提供构建模块。DenoiseMamba结合卷积和状态空间组件用于EEG伪迹去除。CNN-LSTM方法可以从时空EEG中解码肌肉相关信息,而DSCNN和Flashlight-Net展示了用于稳态视觉诱发电位(SSVEP)和运动想象EEG的高效卷积设计。这些研究是支撑性示例,而非配对的卒中后EEG–EMG耦合研究。通道和跨模态注意力可以强调任务相关的EEG和EMG表示。在2M-hBCINet中,变分自编码器、通道注意力和多任务目标相结合以学习深度EEG–EMG特征。注意力权重有助于模型检查,但在没有针对耦合指标进行独立验证的情况下,不应被解释为生理连接性。包括循环网络和对抗对齐架构在内的时序模型可以捕获序列结构并减少模态不匹配。其验证应区分受试者内、跨受试者、跨会话和外部数据集性能,因为随机试验级分割可能大幅高估临床泛化性。端到端、半监督、多任务和迁移学习方法可以减少对手工特征工程和校准的依赖。NeuroGrasp和智能手机EEG清洗等实时EEG解码框架证明了实现可行性,但两者都不是EEG–EMG动态耦合模型,因为未估计显式交互状态。
**3.4 动态耦合系统中的效率、鲁棒性与泛化**
动态模型增加了计算和内存需求,因为耦合必须在通道、频带和滑动窗口之间重复计算。异构ARM-FPGA架构表明量化、流水线和硬件加速可以降低BCI延迟,而可穿戴系统综述描述了功耗、热量、带宽和模型复杂度之间的权衡。报告因此应分离采集、预处理、耦合估计、推理、通信和执行器延迟,并提供部署配置下的内存、功耗和热测量数据。鲁棒性要求标准化术语、可复现预处理和显式伪迹控制。眼电图(EOG)应用于表征眼部污染,而运动、眼部活动和EMG泄漏到EEG中可产生类似于耦合的共享方差。滤波器组公共空间模式(FBCSP)是特征提取方法而非跨模态耦合的证据。多模态融合可以改善分类,但耦合应在伪迹敏感性、同步和预处理选择经过评估后计算。跨受试者和会话的泛化需要自适应、重新校准、不确定性报告或迁移学习。邻近的EEG生物识别研究使用EMG驱动的加性增强和三元组损失训练,说明了一种可能的数据增强策略而非卒中后治疗效果证据。源自邻近EEG领域的架构,包括残差门控多模态Transformer、多频段卷积网络和分解流水线,同样说明了可迁移的工程选项。侵入性脑皮质电图(ECoG)在上肢瘫痪个体中的重映射具有生理信息价值,但不应被视为可穿戴头皮EEG–EMG系统的证据。可解释人工智能方法可能有助于将学习到的特征与神经生理学联系起来。
**4. 可穿戴系统与闭环康复应用**
**4.1 用于动态EEG–EMG耦合的硬件平台**
可穿戴硬件是动态EEG–EMG耦合的物理基础,因为算法只能从同步且稳定的信号对中估计交互。设计优先级包括低噪声采集、公共时序、小型化、低功耗、热安全和机械稳定的电极–皮肤界面。柔性阵列和共形电极改善接触并减少运动相关阻抗变化,可穿戴显示器可能支持交互式反馈。EEG和EMG在幅度、带宽、通道密度和伪迹敏感性方面存在差异。共享平台必须提供模态适当的增益和滤波而不使任一前端饱和,同时保持公共时基。小型化硬件改善了便携性,但长时间使用还需要稳定放置、低热量、皮肤相容性和可复现接触。无线传输在吞吐量、延迟、数据包丢失和功耗之间引入权衡。BLE对于可穿戴网络是实用的,但时钟漂移和缓冲需要时间戳校正或显式对齐。LPWAN和嵌入式机器学习可以扩展范围和边缘智能,而多流平台说明了存储同步和数据质量元数据的必要性。可穿戴解码器应报告数据包丢失、漂移和端到端延迟,而不仅仅是分类精度。模块化和标准化接口便于维护和传感器更换,但模块化不得破坏时序架构。可复现的软件框架可以改善多模态部署,集成生理采集系统提供了实用的设计模板。生物相容性、清洁、电极复用和电气安全应与算法性能一起评估。
**4.2 康复范式:从被动触发到主动调制**
在本综述中,EEG–EMG整合表示皮层和肌肉信号的协调使用,而混合EEG–EMG BCI表示两种模态都对解码、评估或控制做出贡献的系统。EEG可以提供运动准备或尝试的证据,而EMG指示残余或已执行的肌肉激活。同步分类可以改善意图–执行评估,但耦合感知控制额外需要显式的时变交互估计。机器人矫形器、外骨骼服、轮椅、虚拟现实环境、触觉接口和功能性电刺激可以将解码活动转化为分级辅助或反馈。在被动触发中,阈值的EEG或EMG事件启动固定动作。在主动调制中,辅助根据耦合强度、延迟、置信度、运动质量或任务表现进行更新。这些设备类别的证据是异质的,因此系统可行性与持久临床恢复应加以区分。在所提出的范式中,耦合强度、置信度和运动质量共同更新自适应辅助和多模态反馈。由于这是作者开发的概念性策略而非经过验证的给药规则,未来试验必须定义安全阈值、自适应速率、故障处理、临床医生覆盖标准,以及在给定任务下更强的耦合应增加还是减少辅助。
**4.3 用户体验与设备可用性**
用户体验是工程成果,因为准备时间、舒适度、外观、感知控制和可靠性决定了可穿戴BCI是否被重复使用。以用户为中心的工作强调简化设置、可接受的美学、治疗师兼容性和透明反馈。信号不稳定会降低信任;轻量级去噪和少通道可穿戴系统可以改善可用性,但需要 realistic 的在线验证。依从性应通过佩戴时间、认知负荷、不适感、皮肤耐受性、会话完成率、社会可接受性以及设备与治疗师之间的感知关系来评估。这些结果应与算法指标一起报告,因为高度准确的实验室模型如果难以佩戴、校准或理解,仍可能在临床上失败。人机接口应最小化操作步骤,并呈现患者和治疗师都能理解的反馈。机器人矫形器、外骨骼服、轮椅和触觉研究提供了视觉、本体感觉和触觉反馈的实用示例。接口设计还应包括置信度或信号质量警告,以便不因损坏数据而改变辅助。
**4.4 临床证据与结局评估**
临床证据仍存在异质性。一项对25项上肢FES研究的系统综述报告,手动控制、BCI控制和EMG控制的FES均获得有利的Fugl–Meyer结局,其中EMG控制的FES报告的合并均数差最大(14.14;95% CI,11.72–16.60);EMG控制的FES还报告了ARAT均数差11.9(95% CI,8.8–14.9)。这些结果支持更广泛的闭环康复概念,但不能证明EEG–EMG动态耦合优于传统控制。在干预研究中,证据支持可行性和短期运动益处,但在设计和强度上仍存在异质性。Sebastián-Romagosa可行性研究提供了BCI相关收益可持续超过训练期的纵向证据,而Cantillo–Negrete交叉研究未显示优于传统治疗的疗效。He等人较新的随机试验提供了短期益处的更强对照证据,但其短暂干预和缺乏治疗后随访限制了对持久性的结论。总的来说,这些研究支持BCI辅助康复作为合理的治疗平台,但未确立动态EEG–EMG耦合是临床改善的机制。耦合特异性证据较不成熟,以离线或伪在线分析为主,而非前瞻性治疗试验。高密度皮层肌相干(CMC)网络研究将脑–肌协调与损伤联系起来,伪在线CMC证明了耦合知情控制的可行性,基于图的EEG–EMG解码表明联合表示可以改善任务分类。然而,小样本卒中队列、有限的跨会话或外部验证以及缺乏纵向干预结局阻止这些发现将动态耦合确立为经过验证的治疗靶点。López-Larraz等人较大的尝试运动分析加强了EEG和残余EMG携带互补信息的证据,但仍是离线解码研究而非耦合控制的干预。外骨骼相关的连接性发现因此被视为情境性而非直接耦合证据。多模态临床评估可以结合行为量表与EEG、EMG、fNIRS或影像学标记来表征功能变化和神经可塑性。临床试验应预先指定主要结局、不良事件、依从性和随访,并应区分解码器性能与持久运动恢复。在耦合衍生指标被视为临床生物标志物之前,需要外部验证、纵向监测和标准化报告。
**5. 挑战与局限性**
主要障碍可分为信号可靠性、模型泛化、嵌入式实现和临床证据。这些问题相互依存:同步和伪迹使耦合产生偏差;小数据集增加过拟合;复杂模型增加延迟和功耗需求;可用性差限制了泛化所需的重复纵向数据。
**5.1 信号完整性与数据可靠性**
运动伪迹、眼部活动、EEG中的肌肉污染、卒中后EMG微弱、电极移位和电源线干扰均可产生虚假的跨模态依赖。研究应报告排除段、通道拒绝、同步失败、信号质量阈值和对预处理的敏感性。耦合指标应在合理的预处理替代方案下重新计算,以证明结论不是由伪迹驱动的。
**5.2 算法与系统级瓶颈**
算法瓶颈包括受试者间变异性、跨会话漂移、类别不平衡、过拟合、可解释性不足和外部验证不足。图同构网络(GIN)在同步数据集上将整体推–拉分类从CSP–SVM的73.23%提高到88.89%,但该结果不应直接推广到临床恢复。基于CMC的控制具有生理意义,但仍对窗口长度、频率选择、肌肉激活水平、时序误差和可用通道数敏感。当来自同一受试者的高维窗口被随机分配到训练集和测试集时,过拟合风险被放大。因此,在可行的情况下应报告受试者分组分割、嵌套超参数调整、校准评估、学习曲线、消融研究和外部数据集。可解释性分析应针对预处理变化和生理上不合理的扰动进行压力测试;仅靠注意力图是不够的。实时报告还应披露参数数量、内存占用、每次推理的操作数、设备级功耗、热行为和端到端延迟。
**5.3 临床转化的障碍**
临床转化受到实验室演示与可部署治疗工作流程之间差距的限制。模型输出必须可解释,故障状态必须可见,辅助必须保持在安全的临床控制之下。小样本单中心数据集、不一致的卒中阶段报告和多变的终点使跨研究性能排名不可靠。卒中人群在病变位置、严重程度、慢性期、认知、疲劳、残余肌肉活动和异常主动肌–拮抗肌共激活方面存在差异。这些因素改变信号质量和潜在的脑–肌关系。因此需要分层报告、留受试者验证、跨会话测试、不确定性估计和亚组特异性失败分析;仅靠随机试验级分割是不够的。设备成本和操作复杂性仍然是主要障碍。研究应量化设置时间、可用记录持续时间、电池续航、数据包丢失、校准负担、皮肤反应、清洁和治疗师工作负荷。这些系统级结局决定可扩展性,不应被孤立的分类精度所取代。
**6. 迈向动态耦合BCI的未来方向**
**6.1 可解释且受生理约束的模型**
未来模型应结合动态图与显式神经生理约束。图注意力提供了学习相邻节点时变贡献的通用机制,而EEG–EMG GIN研究证明了图结构顺序解码的可行性。物理信息神经网络提供了将已知约束嵌入模型优化的更广泛框架。在EEG–EMG应用中,候选约束包括合理的时序顺序、解剖上合理的连接性以及下行驱动与肌肉激活之间的一致性。这些是研究假设,而非经过验证的临床规则。
**6.2 耦合指标作为定量生物标志物**
耦合指标应被视为候选指标而非既定生物标志物。皮层肌和肌间耦合测量已证明生理和控制相关性,但临床资格认定需要重测信度、对恢复的敏感性、独立于伪迹和信号幅度以及与有意义功能结局的前瞻性关联。纵向研究应将耦合衍生测量与Fugl–Meyer评分、任务表现和临床医生评定的恢复进行比较。
**6.3 系统集成与大规模临床转化**
转化将需要算法、硬件和试验的协同设计。硬件加速和小型化架构可以降低延迟和功耗,而柔性电极改善长期采集。多中心研究应使用标准化同步元数据、外部模型验证、预先指定的安全规则和临床上有意义的终点。目标不仅仅是更小的分类器,而是可靠的闭环系统,其辅助变化可追溯到经过验证的生理和行为指标。
**7. 结论**
可穿戴EEG–EMG BCI提供了对皮层运动意图和外周执行的互补访问,但两种模态的价值取决于它们的关系如何被表示。传统的数据级、特征级和决策级融合可以改善分类,但通常使时变脑–肌交互保持隐式。本综述的核心贡献是对动态脑–肌耦合的严格定义,即交互强度、延迟、方向性或拓扑的时间分辨估计。这一定义将显式耦合模型与自适应加权或深度特征拼接区分开来,并为评估未来系统建立了可测量标准。进展需要三项协调推进:可靠的同步可穿戴采集;具有受试者和会话独立验证的耦合感知及生理约束模型;以及将耦合衍生测量与功能恢复、可用性和安全性联系起来的临床研究。基于图的学习、皮层肌指标、迁移学习和嵌入式加速是有前景的组件,但均不能替代严格的外部纵向验证。将EEG–EMG整合从信号堆叠重新定位为动态耦合因此提供了一条工程路径,而非已完成临床转化的声明。当前的研究优先事项是测试时变耦合测量是否在传统特征、置信度估计和行为量表之外改善自适应控制并预测恢复。