研究前沿：“腦成像”＋“運動捕捉”助力運動康復

在多種“大腦–肢體運動通路”受損的疾病中（如中風、帕金森病、腦癱、脊髓損傷等），一個共同的核心特征是：大腦無法有效控制肢體運動。以中風為例，傳統康復評估可能只會記錄“動作未完成”，進而又陷入盲目訓練的困境：不知道患者是大腦沒有發出指令，還是肢體無法控制，只能靠經驗調整方案。但如果同步監測大腦活動，就可能發現——患者的運動皮層其實在努力發出指令，只是神經信號在傳導通路上被阻斷。

因此，康復的關鍵目標，就是重塑大腦與肢體的神經連接，讓大腦重新學會高效指揮身體。這種重塑不僅有助于恢復已有動作能力（如走路、抓握），還能建立替代性運動通路（繞過受損區域），并優化動作質量與協調性，減少代償性錯誤動作。

正是在這種核心需求下，功能性神經成像（如 EEG、fNIRS）與運動捕捉的結合，展現出優勢與廣闊發展前景：它能同時監控大腦和身體，為康復評估、訓練與方案優化提供雙重信息支持。

TMSI 便攜式EEG設備

Artinis便攜式近紅外設備

那么，具體有哪些技術在結合腦成像和運動捕捉？它們的成熟度處于何種水平？這種結合又具備哪些臨床優勢呢？最近，挪威科技大學的 Emanuel A. Lorenz、Xiaomeng Su 和 Nina Skj?ret-Maroni 團隊在《Journal of NeuroEngineering and Rehabilitation》發表了題為 “A review of combined functional neuroimaging and motion capture for motor rehabilitation” 的綜述。該文章系統梳理了功能性神經成像與運動捕捉技術融合在運動康復中的應用現狀，為理解腦體運動調控機制提供了全新視角。

圖1. 文章信息

傳統運動康復評估往往局限于單一維度：神經成像技術（如 EEG、fNIRS）聚焦大腦運動皮層活動，運動捕捉技術則記錄肢體生物力學參數，但兩者長期處于割裂狀態。而 Mobile Brain/Body Imaging（MoBi）領域的發展揭示，同步采集神經生理信號與行為數據，可以實現完整解析 “大腦指令生成 - 肢體動作執行” 的閉環機制。

研究問題

RQ1：使用了哪些技術來同時采集神經生理信號和動力學/運動學信號？

RQ2：采用了哪些信號分析方法

RQ3：這兩種模態的信號是如何結合的？

RQ4：這些評估或干預方法的結果是什么？

RQ5：針對未來的臨床應用，有哪些建議？

遵循 PRISMA 指南，對功能性神經成像和運動捕捉結合用于運動康復的相關文獻進行綜述（圖2）。提取的內容包括研究和參與者特征、所用系統的技術方面、信號處理方法以及多模態特征同步和融合的性質。

圖2. 文獻篩選流程圖

文獻篩選結果：

在 908 篇出版物中，最終納入 19 篇進行綜述（圖3）。這些研究主要以健康參與者或中風患者為研究對象，以基礎研究或轉化研究為主。

圖3. 研究特征表：文章應用類型，研究類型，數據采集類型，對照組類型，研究目的

技術應用情況：

功能性神經成像：

技術：EEG 是主流技術（19 項研究中占 18 項），憑借毫秒級時間精度捕捉運動相關皮質電位（MRCP）等神經信號；fNIRS 僅 1 項研究使用，通過監測皮層血氧變化反映腦區活躍度，抗運動干擾能力更強。電極數量和放置差異較大，多數遵循 10 - 20 電極放置系統，有源電極使用普遍，采樣率各不相同，部分研究對記錄的數據流進行下采樣。

數據分析：研究使用了時間域、頻率域、時頻域和非線性域等不同域的特征，且不同域特征的處理方法各有特點。

運動捕捉技術：

技術：機械傳感器（如 IMU、力傳感器）應用泛（13 項研究），記錄關節角度、運動速度等參數；光學系統（標記點 / 無標記）和磁性傳感器次之，分別適用于全身復雜運動和抗遮擋場景。部分研究未報告采樣率，多數研究采樣率在 100 - 1000Hz 之間。

數據分析：多數研究未報告信號預處理步驟，部分研究應用低通濾波器。提取的特征包括運動事件標記、運動學參數、動力學參數等，用于后續多模態分析。

功能性神經成像與運動捕捉的融合：

運動事件檢測：所有研究都使用運動學或動力學來檢測運動開始 / 結束或離線處理中的運動事件，部分研究使用硬件或數字信號同步。

訓練：部分研究應用在線或離線處理，使用運動學數據來訓練、評估和更新神經，同步方法多樣。

統計關系：研究在離線處理中探索運動學與神經活動之間的統計關系，如計算相關性、應用回歸模型等。

并行應用：少數研究將皮質變化與運動捕捉系統控制的運動游戲結合，未說明同步方法。

研究對象:

平均每項研究納入 11 名參與者，女性參與者平均占 28%，部分研究無女性參與者。以健康參與者和中風患者為主，后者涵蓋亞急性期至慢性期（3 周至 5 年），聚焦上肢運動（如伸手動作）和步態康復。通過融合數據證實，中風患者的肢體運動缺陷常與運動皮層 β 波段異常,雙側腦區激活失衡相關，為區分 “指令問題” 與 “執行問題” 提供客觀依據。

局限性：臨床研究占比低（僅 4 項），樣本量小（平均 11 人），且依賴傳統分析方法，AI深度整合不足。

該領域尚處于起步階段，主要集中在基礎研究或轉化研究，缺乏在臨床環境中使用多模態應用的研究，難以評估其效率、可靠性和有效性。研究人群樣本量小，主要使用健康參與者，且主要納入中風患者。研究重點在上肢運動，可能與中風幸存者上肢損傷發生率高以及這些運動在康復中研究較充分有關。基于 AI 的運動捕捉系統可能在臨床應用中有潛力，但仍存在一些未解決的挑戰。應更多關注皮質間和外周耦合，研究長程自上而下和自下而上的皮質 - 外周耦合變化，以及分析特征中的非線性關系。目前對雙模態測量的關注是重要的一步，但應全面探索多種附加模態的融合。

原文鏈接

研究團隊介紹

關于維拓啟創

相關產品