脊髓损伤后常出现瘫痪。即使肢体内的肌肉和神经仍然存活，手臂或腿部也会停止活动。
脑细胞仍然会产生与运动相关的信号。脊髓组织内部的损伤会阻断信号传递，因此肌肉无法接收到指令。
科学家现在知道，瘫痪并不会使大脑内部的运动计划停止运作。
与运动尝试相关的电活动即使在受伤数年后仍然存在。研究的重点在于寻找安全的方式来捕获这些信号，并向受损的脊髓组织发送指令。
最近的一项研究为非侵入性脑电记录如何帮助恢复运动功能提供了新的见解。
阅读大脑运动
来自意大利和瑞士的研究人员研究了脑电图（EEG）作为恢复运动功能的一种可能工具。
脑电图（EEG）通过放置在头皮上的传感器记录脑电信号，无需手术。与需要手术且存在感染风险的脑植入相比，脑电图的风险更低。
“这可能会导致感染；而且这又是一次外科手术，”该研究的合著者劳拉·托尼说。“我们想知道是否可以避免这种情况。”
与运动相关的信号
瘫痪患者尝试活动腿部时，与运动相关的脑区仍然会激活。脑电图传感器可以检测到脑电活动节律的变化。
低频信号，即θ波、α波和β波，在运动尝试过程中会发生强烈变化。
这种变化表现为运动时节律强度较静息时有所降低。科学家将这种模式称为事件相关节律紊乱。
伽马波有时会增加，但较低频率的变化更明显、更可靠。
该研究记录了四名严重脊髓损伤患者的脑电图数据。
每位参与者在坐姿下尝试进行简单的腿部动作，例如髋关节屈曲或膝关节伸展。运动尝试期间的大脑活动与休息期间的大脑活动明显不同。
解码运动与静止
机器学习帮助区分了运动尝试和静止状态。研究人员利用脑信号模式训练了一个计算机模型。
该模型学会了识别运动意图出现的时刻。结果表明，脑电图通常可以区分运动尝试和休息状态。
在多个实验环节中，准确率达到了高于随机水平，尤其是对于一些神经功能尚存的参与者而言。
大约一秒钟的脑电波数据就足以检测到移动企图。
更长的录制窗口可以提高精度，但会降低响应速度。一秒钟的录制窗口在实际应用中是一个不错的平衡点。
精确控制的障碍
区分不同的腿部动作仍然很困难。大脑中控制左腿和右腿动作的信号有很大程度的重叠。
髋部和膝盖区域位置接近，这限制了使用头皮传感器进行分离。
“大脑主要通过中枢区域控制下肢运动，而上肢运动则更多地由外侧区域控制，”托尼说。
“与下肢相比，对要解码的内容进行空间映射要容易得多。”
当研究人员将多个短信号窗口合并为一个决策窗口时，结果有所改善。这种多窗口方法在某些实验中提高了左右声道解码的准确率。
即便如此，目前来看，简单的控制策略效果最佳。检测运动与休息状态似乎比识别具体的运动类型更为可靠。
与瘫痪相关的脑部模式
脑电信号因人而异，也因日期而异。疲劳、注意力集中程度和情绪都会影响大脑活动。
研究人员选择了一种基于决策树的机器学习方法，称为 XGBoost。这类模型在处理小型且多样化的数据集时效果良好。
深度学习模型通常需要大型数据集。而涉及患者的脑电图研究往往数据量有限。
决策树方法可以减少过拟合，并能更有效地处理变异性。
开放式测试有助于衡量实际应用场景下的表现。测试过程中，参与者不会收到任何反馈，这比指导式训练更能反映日常生活的真实情况。
连接大脑和身体
脊髓刺激疗法已经帮助一些患者恢复了部分活动能力。目前的系统通常依赖于预设模式或残余的肌肉信号。
脑控输入可以提高精度。基于脑电图的解码可以起到触发器的作用，而不是操纵杆。
例如，检测到的运动意图可以激活刺激器内部的站立或行走程序。这种设计符合脑电图的可靠性限制。
未来的研究目标是将脑电图解码与脊髓刺激相结合，构建闭环系统。
来自运动或虚拟环境的反馈可以提高信号强度和学习效果。
更安全的恢复工具
研究表明，即使在严重瘫痪的情况下，脑电图也能检测到下肢的运动尝试。
非侵入性脑电信号记录避免了手术风险，同时又能捕捉到有意义的运动信号。
尽管仍存在挑战，尤其是在精细运动控制方面，但基于脑电图的解码为实现更安全的脑脊接口提供了一条切实可行的途径。
持续的研究或许能再次将运动意图转化为行动。
脊髓损伤后常出现瘫痪。即使肢体内的肌肉和神经仍然存活，手臂或腿部也会停止活动。
脑细胞仍然会产生与运动相关的信号。脊髓组织内部的损伤会阻断信号传递，因此肌肉无法接收到指令。
科学家现在知道，瘫痪并不会使大脑内部的运动计划停止运作。
与运动尝试相关的电活动即使在受伤数年后仍然存在。研究的重点在于寻找安全的方式来捕获这些信号，并向受损的脊髓组织发送指令。
最近的一项研究为非侵入性脑电记录如何帮助恢复运动功能提供了新的见解。
阅读大脑运动
来自意大利和瑞士的研究人员研究了脑电图（EEG）作为恢复运动功能的一种可能工具。
脑电图（EEG）通过放置在头皮上的传感器记录脑电信号，无需手术。与需要手术且存在感染风险的脑植入相比，脑电图的风险更低。
“这可能会导致感染；而且这又是一次外科手术，”该研究的合著者劳拉·托尼说。“我们想知道是否可以避免这种情况。”
与运动相关的信号
瘫痪患者尝试活动腿部时，与运动相关的脑区仍然会激活。脑电图传感器可以检测到脑电活动节律的变化。
低频信号，即θ波、α波和β波，在运动尝试过程中会发生强烈变化。
这种变化表现为运动时节律强度较静息时有所降低。科学家将这种模式称为事件相关节律紊乱。
伽马波有时会增加，但较低频率的变化更明显、更可靠。
该研究记录了四名严重脊髓损伤患者的脑电图数据。
每位参与者在坐姿下尝试进行简单的腿部动作，例如髋关节屈曲或膝关节伸展。运动尝试期间的大脑活动与休息期间的大脑活动明显不同。
解码运动与静止
机器学习帮助区分了运动尝试和静止状态。研究人员利用脑信号模式训练了一个计算机模型。
该模型学会了识别运动意图出现的时刻。结果表明，脑电图通常可以区分运动尝试和休息状态。
在多个实验环节中，准确率达到了高于随机水平，尤其是对于一些神经功能尚存的参与者而言。
大约一秒钟的脑电波数据就足以检测到移动企图。
更长的录制窗口可以提高精度，但会降低响应速度。一秒钟的录制窗口在实际应用中是一个不错的平衡点。
精确控制的障碍
区分不同的腿部动作仍然很困难。大脑中控制左腿和右腿动作的信号有很大程度的重叠。
髋部和膝盖区域位置接近，这限制了使用头皮传感器进行分离。
“大脑主要通过中枢区域控制下肢运动，而上肢运动则更多地由外侧区域控制，”托尼说。
“与下肢相比，对要解码的内容进行空间映射要容易得多。”
当研究人员将多个短信号窗口合并为一个决策窗口时，结果有所改善。这种多窗口方法在某些实验中提高了左右声道解码的准确率。
即便如此，目前来看，简单的控制策略效果最佳。检测运动与休息状态似乎比识别具体的运动类型更为可靠。
与瘫痪相关的脑部模式
脑电信号因人而异，也因日期而异。疲劳、注意力集中程度和情绪都会影响大脑活动。
研究人员选择了一种基于决策树的机器学习方法，称为 XGBoost。这类模型在处理小型且多样化的数据集时效果良好。
深度学习模型通常需要大型数据集。而涉及患者的脑电图研究往往数据量有限。
决策树方法可以减少过拟合，并能更有效地处理变异性。
开放式测试有助于衡量实际应用场景下的表现。测试过程中，参与者不会收到任何反馈，这比指导式训练更能反映日常生活的真实情况。
连接大脑和身体
脊髓刺激疗法已经帮助一些患者恢复了部分活动能力。目前的系统通常依赖于预设模式或残余的肌肉信号。
脑控输入可以提高精度。基于脑电图的解码可以起到触发器的作用，而不是操纵杆。
例如，检测到的运动意图可以激活刺激器内部的站立或行走程序。这种设计符合脑电图的可靠性限制。
未来的研究目标是将脑电图解码与脊髓刺激相结合，构建闭环系统。
来自运动或虚拟环境的反馈可以提高信号强度和学习效果。
更安全的恢复工具
研究表明，即使在严重瘫痪的情况下，脑电图也能检测到下肢的运动尝试。
非侵入性脑电信号记录避免了手术风险，同时又能捕捉到有意义的运动信号。
尽管仍存在挑战，尤其是在精细运动控制方面，但基于脑电图的解码为实现更安全的脑脊接口提供了一条切实可行的途径。
持续的研究或许能再次将运动意图转化为行动。
