中风是全球范围内导致死亡和残疾的主要原因之一，常导致单侧运动功能障碍，严重影响患者的行走能力。传统的康复疗法，如镜像疗法，虽能改善部分运动功能，但往往无法完全恢复正常的步态。因此，能够辅助或帮助无法自主启动运动的患者进行康复的脑机接口（Brain-Computer Interface, BCI）技术正受到越来越多的关注。然而，现有的基于运动想象（Motor Imagery, MI）的BCI系统仍面临诸多挑战：首先，它们通常需要漫长的校准时间，这限制了其临床应用；其次，脑电图（Electroencephalography, EEG）信号本身振幅低、信噪比差，加上患者个体神经状况的差异，可能导致分类模型不准确，输出不可靠，最终导致神经干预失败。
为了应对这些挑战，一个研究团队在《Medical 》期刊上发表了一项创新性研究。他们开发了一种集成了虚拟现实（Virtual Reality, VR）和新型两步校准策略的下肢MI-BCI系统，旨在为中风后患者提供更高效、更可靠的康复训练。这项研究的核心目标是通过一种新颖的特征提取算法和闭环反馈机制，减少校准时间、提高分类准确性，并增强患者的参与度。
为了开展这项研究，研究人员采用了一系列关键技术方法。他们使用了一个由16个EEG通道组成的低成本OpenBCI系统来采集大脑信号。核心的校准策略分为两步（模式#1和模式#2）：第一步是无反馈的开环校准，患者在想象骑行的同时接受被动运动；第二步则利用第一步训练的模型进行带被动运动反馈的闭环校准，从而收集更可靠的EEG数据并实时重新校准系统。信号处理方面，采用8-30 Hz的带通滤波，并基于黎曼协方差矩阵（Riemannian Covariance Matrices, RCM）在切线空间进行特征提取，结合k最近邻（k-Nearest Neighbors, k-NN）和概率分析来筛选出与真实运动最相似的MI特征。分类任务使用线性判别分析（Linear Discriminant Analysis, LDA）。整个系统还包括一个定制的电机驱动脚踏板（Mini Motorized Exercise Bike, MMEB）以及一个通过蓝牙惯性测量单元（IMU）与脚踏板同步的VR严肃游戏环境，为患者提供沉浸式视觉反馈。此外，在每次实验前，患者还接受了经颅直流电刺激（transcranial Direct Current Stimulation, tDCS）以调节皮层兴奋性。
EEG信号评估和分析
研究人员首先对采集的EEG信号进行了分析。数据显示，在运动想象任务期间，位于中央区和顶区的电极（如Cz、CP1、CP2）记录到的信号在μ（8–12 Hz）和低频β（13–22 Hz）波段出现了显著的功率增加，这证实了与MI相关的大脑节律被成功诱发。
校准阶段分析
性能评估显示，新的两步校准策略显著提升了系统的识别能力。使用闭环校准（模式#2）时，系统对一名中风后患者（PS1）的分类准确率（Accuracy, ACC）最高达到93.18%（平均92.55%），显著高于开环校准（模式#1）的平均水平（90.35%）。科恩卡帕系数（kappa, κ）也达到了0.85，表明分类结果与真实标签具有高度一致性。
在线阶段分析
在线测试结果更具说服力。在闭环模式下，系统表现优异，患者的在线控制准确率在最佳情况下可达到100%，平均准确率为86.74%。相比之下，传统的开环模式在线准确率仅为52.60%。这表明，引入被动运动反馈和实时重新校准的闭环策略，极大地改善了BCI系统的实时交互性能和可靠性，使患者能够更有效地通过运动想象来控制脚踏板速度。
研究结论和讨论
本研究成功开发并验证了一种集成VR和新型两步校准策略的下肢MI-BCI康复系统。该系统通过结合tDCS预刺激、基于黎曼几何和k-NN概率分析的特征提取、以及由MI分类结果驱动的被动运动与VR反馈，创造了一个完整的“中枢-外周”神经调控闭环。研究结果表明，这种校准策略不仅能有效提高MI分类的准确性（从52.60%提升至86.74%），还能在在线阶段实现高精度的实时控制，为患者提供了即时、可靠的反馈。
这项工作的意义在于多方面解决了现有MI-BCI的瓶颈。首先，它通过创新的校准方法缩短了系统准备时间，提高了数据可靠性，使其更适用于临床环境。其次，系统在训练初期就提供反馈，能更好地调动患者的积极性和参与感。更重要的是，该方案同时激活了与下肢运动相关的中枢（大脑皮层）和外围（本体感觉）神经机制，可能更有效地促进了神经可塑性，这对于中风后的运动功能重组至关重要。虽然这是一项针对单个患者的初步探索性研究，但其结果为开发更高效、更具吸引力的临床神经康复工具提供了强有力的概念证明和新的技术路径。
