摘要
目标：精确解码单个手指的运动对于实现高级假肢控制至关重要。本文提出将脑皮层电图（ECoG）信号的黎曼空间特征与时间动态特性相结合，并融合现代机器学习（ML）技术，以提升个体手指运动解码的准确性。方法：我们选取了一组与手指运动相关性较强的生物标志物，并在脑机接口（BCI）竞赛IV数据集（ECoG，3名受试者）以及另一组采用相似记录范式的ECoG数据集（斯坦福大学，9名受试者）上，评估了当前最先进的机器学习算法的性能。此外，我们进一步探索了特征的时间级联方法，以有效捕捉ECoG信号的历史动态，结果表明该方法在分类（p < 0.01）和回归任务（p < 0.01）中均显著优于单时相解码。主要结果：通过采用特征级联与梯度提升树（表现最优的模型），我们在检测单个手指运动（六分类任务，包含静息状态）中实现了77.0%的分类准确率，在BCI竞赛三名受试者上的表现比当前最优的条件随机场（CRF）方法提升了11.7%。在连续运动轨迹解码方面，本方法在所有受试者和手指上的平均皮尔逊相关系数（Pearson’s correlation coefficient, r）达到0.537，优于BCI竞赛优胜方案以及该数据集上报道的最先进方法（CNN + LSTM）。此外，所提出的方法具有极低的时间复杂度：训练时间不足17.2秒，推理时间小于50毫秒，相较于此前报道的高性能深度学习方法，训练速度提升了约250倍。意义：所提出的技术为通过微创皮层信号实现快速、可靠且高性能的假肢控制提供了有效途径，具有重要的临床转化潜力。