EEG-fNIRS多模态脑机接口如何提升意识障碍诊断准确性？2025最新研究解读

1 of 13 中枢神经系统神经科学与治疗，2025；31:e70679 https://doi.org/10.1002/cns.70679 中枢神经系统神经科学与治疗 原始研究 开放获取 多模态脑机接口结合脑电图和功能性近红外光谱对意识障碍患者的运动意图量化 王楠1,2,3 | 柴晓克2,3 | 宋九祥4 | 何一芳5 | 何奇恒2 | 张坦6 | 刘东生7,8,9 | 李晶琦10 | 曹天庆2 | 朱思鹏2 | 贾一彤2 | 司娟宁5 | 马文斌1 | 杨毅2,3,11 | 赵继宗2,3 1 北京协和医学院及中国医学科学院北京协和医院神经外科，北京，中国 | 2 首都医科大学附属北京天坛医院神经外科，北京，中国 | 3 国家神经系统疾病临床研究中心，北京，中国 | 4 南昌大学先进制造学院，南昌，江西，中国 | 5 北京信息科技大学仪器科学与光电工程学院，北京，中国 | 6 苏州大学第二附属医院神经外科，苏州，中国 | 7 天津医科大学神经病学、神经外科及神经康复临床学院，天津，中国 | 8 天津环湖医院神经外科，天津，中国 | 9 中国航空总医院神经外科，北京，中国 | 10 杭州明州脑康复医院，杭州，中国 | 11 首都医科大学附属北京天坛医院脑机接口过渡研究中心，北京，中国 通讯作者：司娟宁（sijuanning@bistu.edu.cn） | 马文斌（mawb2001@hotmail.com） | 杨毅（yangyi_81nk@163.com） | 赵继宗（zhaojizong@bjtth.org） 收稿日期：2025年3月4日 | 修订日期：2025年7月31日 | 接受日期：2025年11月5日 关键词：脑机接口 | 意识障碍 | 脑电图 | 功能性近红外光谱 | 监测与评估 | 运动意图 摘要 目的：目前，使用单模态脑电图（EEG）或功能性近红外光谱（fNIRS）评估意识障碍（DoC）患者的意识水平已引起广泛关注。然而，单模态方法的诊断准确性仍有待提高。因此，本研究旨在应用EEG和fNIRS的多模态融合技术对DoC患者的临床诊断进行研究。 方法：共纳入11名DoC患者（6名处于最小意识状态[MCS]，5名处于植物状态[VS]）。采用基于运动意图的脑机接口（MI-BCI）范式，同时记录EEG和fNIRS。分析了EEG和fNIRS的同步状态，包括时频分析、事件相关去同步化（ERD）以及氧合血红蛋白（HbO）、脱氧血红蛋白（HbR）和总血红蛋白（HbT）含量的变化。结合EEG和fNIRS的多模态方法用于分类DoC患者。 结果：MI-BCI模型的机器学习结果显示，多模态EEG-fNIRS方法在健康对照组（HC）、MCS和VS的诊断中优于单模态技术。多模态模型的平均AUC为0.69±0.10，显著优于单模态EEG（0.43±0.19；p<0.01）和单独的fNIRS（0.63±0.10；p<0.05）。左利手MI-BCI的EEG_ERD指数显著区分了MCS和VS组。同时，在HC、MCS和VS的分类任务中，指标的重要性排名如下：fNIRS_ACC、EEG_ACC、fNIRS_slope、fNIRS_centroid、EEG_ERD、fNIRS_integral和fNIRS_mean。 结论：多模态MI-BCI范式的整合在评估意识水平方面显示出临床潜力，而神经生理学和血液动力学生物标志物的协同组合为提高床边诊断协议的精确性提供了坚实框架。 试验注册：临床试验注册：ChiCTR2400085830 1 | 引言 意识障碍（DoC）可分为植物状态（VS）和最小意识状态（MCS），根据觉醒程度的不同，临床意识分级依赖于修订版昏迷恢复量表（CRS-R），但误诊率高达40% [1–3]。因此，识别客观的诊断生物标志物对于提高DoC诊断的准确性至关重要 [4]。一项DoC研究表明，约25%的行为无反应患者通过任务导向的功能磁共振成像（fMRI）和脑电图（EEG）检测到皮层激活。在行为有反应的患者中，三分之一表现出认知-运动分离（CMD），其特征为神经命令响应而无行为输出 [5]。此外，基于任务状态的fMRI和EEG可以提高识别率，两种成像技术似乎比单独使用任何一种技术更敏感。尽管fMRI的出色空间分辨率对于研究神经活动和脑血流变化很重要，但由于其体积庞大和成本高昂，无法普及 [6, 7]。 功能性近红外光谱（fNIRS）是一种非侵入性的头皮血氧浓度变化测试，广泛应用于神经康复、中风、新生儿和精神病学研究 [8–10]。类似于EEG-fMRI的原理，EEG和fNIRS的同时融合可以通过神经血管耦合（NVC）机制捕捉神经生理学和血液动力学活动 [11, 12]。EEG具有更高的时间分辨率，fNIRS具有更高的空间分辨率 [6, 7]。由于其便携性和非侵入性，EEG-fNIRS多模态技术有望成为DoC诊断的新模式 [13, 14]。 运动意图（MI）范式用于正常运动功能的受试者，按照指示在大脑中想象任务，但不执行实际运动 [15]。对于运动功能障碍患者，特别是那些伴随DoC的患者，指示必须强调尝试执行运动 [16]。早在Owen等人 [17] 通过fMRI检测到VS患者中的残留意识，从而提高了行为评估的误诊率。 在本研究中，我们通过光电同步信号采集结合脑机接口（BCI）范式检测患者的MI，进一步评估患者的意识状态并辅助临床诊断 [18, 19]。该方法受金属植入物影响较小，允许床边记录，这在很大程度上开辟了临床评估的可能性 [20]。本研究的整体数据分析流程如图1所示。 2 | 方法 2.1 | 研究对象 本研究从北京天坛医院和杭州明州脑康复医院招募了8名健康受试者（6名男性和2名女性）和11名患者（9名男性和2名女性）。纳入标准：（1）病因包括创伤性脑损伤（TBI）、颅内出血（ICH）或缺氧等，持续时间超过28天且病情稳定 [21]。（2）根据CRS-R诊断为VS和MCS。CRS-R评分要求患者的生命体征正常，且在入组前一周内至少进行了3次评分 [22]。（3）无严重癫痫、严重并发症和禁忌症。（4）能够获得法定监护人的知情同意。排除标准：（1）有癫痫或精神或神经系统疾病史，（2）长期使用镇静剂或抗癫痫药物，（3）无法控制的感染或其他严重医疗疾病，（4）无法获得知情同意 [23]。 CRS-R是一种经过验证且广泛采用的DoC患者行为评估工具，用于评估意识水平 [22]。CRS-R包含评估听觉、视觉、运动、口运动、沟通和觉醒功能的子量表。各子量表得分相加得出总分，范围从0到23 [24]。所有CRS-R评估均由具有≥5年临床经验的医生进行。仅在患者临床稳定时进行评估。根据既定协议，每位入组患者在入组前一周内接受≥3次CRS-R评估 [25]。 根据CRS-R标准，患者被分为MCS组和VS组。MCS组包括6名男性患者，平均年龄45.5岁，平均发病时间为7.7个月。VS组包括5名患者，平均年龄42.8岁，男女比例为3:2，平均发病时间为12.3个月。DoC患者的临床特征见表1。同时，对于HC组，我们选择了8名正常个体，平均年龄44.75岁，男女比例为7:1，均为右利手。此外，每位受试者的书面知情同意书由患者的法定监护人签署。本研究的所有程序均遵循《赫尔辛基宣言》及相关规则和规定。本研究的实验方案经北京天坛医院（KY2024-043-03）批准，并在中国临床试验注册中心备案。 3 of 13 中枢神经系统神经科学与治疗，2025 2.2 | 实验范式 近年来，越来越多的研究致力于利用MI任务检测DoC患者的残留意识 [13, 26–29]。图2提供了实验范式的示意图。我们的研究实施了一种块设计的、命令驱动的MI范式，涉及DoC患者。参与者通过E-Prime 2.0软件（Psychology Software Tools, Pittsburgh, PA）接收语音提示，指示他们执行命令并想象握紧左拳或右拳（图2A）。每个实验会话包括八个试验，系统地交替进行四个左手MI任务和四个右手MI任务，遵循标准化协议：实验序列以任务执行前60秒的准备休息期开始（图2C）。每侧条件重复四次，两次对侧MI任务之间插入1分钟的间歇期，以减少认知疲劳。 2.3 | 信号采集 EEG数据连续从32个头皮通道采集，使用Ag/AgCl针电极配置。这些电极按照国际10–10系统（Borecon）排列。在EEG采集过程中，受试者保持清醒状态。为了确保高质量的数据收集，皮肤-电极阻抗维持在5KΩ以下，采样率设置为1kHz。 fNIRS数据采集使用NirSmartII-3000A近红外脑成像系统（江苏丹阳汇创医疗器械有限公司）。使用730和850 nm两种波长实时检测脑部氧合血红蛋白（HbO）、脱氧血红蛋白（HbR）和总血红蛋白（HbT）浓度的变化。fNIRS系统由22个光源和15个探测器组成，生成总共45个光学通道，光源-探测器间距为3.0 cm。fNIRS光电单元按照国际10–10标准EEG系统排列。具体而言，45个光学通道对称分布在R_PFC（右前额叶皮质，通道39, 41, 44, 45）、L_PFC（左前额叶皮质，通道38, 40, 42, 43）、R_MC（右运动皮质，通道9, 10, 11, 12, 13, 21, 22, 23, 24, 25, 26, 27, 33, 34, 35, 36, 37）、L_MC（左运动皮质，通道4, 5, 6, 7, 8, 14, 15, 16, 17, 18, 19, 20, 28, 29, 30, 31, 32）、R_OC（右枕叶皮质，通道1和3）和L_OC（左枕叶皮质，通道1和2）区域。实验结构如图2B所示。“S”和“D”圆圈分别代表光源和探测器，连接线表示光学通道编号。fNIRS系统的采样频率为11Hz。 2.4 | 数据分析 2.4.1 | EEG预处理 使用MATLAB（版本R2019a）中的EEGLAB工具箱对EEG数据进行离线预处理，包括四个不同的步骤。首先，识别并去除因咳嗽和咬牙等非自愿动作导致的异常EEG段。其次，对EEG数据进行滤波，带宽范围为1至45Hz，通过50Hz陷波滤波器消除线路噪声。第三，通过降采样将EEG数据的采样率降低到500Hz。第四，使用独立成分分析（ICA）功能消除眼动和肌肉激活引起的伪影。 2.4.2 | EEG特征 功率谱密度（PSD）反映了信号功率在频率上的分布。PSD计算如下：将信号分成N个重叠的子段，每个子段长度为L，它们有M个重叠段。对于每个子段，功率谱为： (1) S(f ) = 1 L | | | f { xk(t) }| | | 2 图2 | 实验配置示意图。(A) 实验装置照片。(B) 光探头排列图。(C) MI任务的实验范式。 5 of 13 中枢神经系统神经科学与治疗，2025 然后，将所有段的功率谱平均，得到最终的PSD估计值： 事件相关去同步化（ERD）表示任务执行期间信号的去同步化程度。特定频率带的大脑活动减少通常与任务执行过程中的认知负荷、注意力分配和运动准备有关。ERD的计算如公式(3)所示： 其中Ptask是任务期间的PSD值，Pbaseline是休息期间的PSD值。 2.4.3 | fNIRS预处理 fNIRS数据使用NirSmart-6000A软件包进行分析。我们使用NirSpark软件分析包处理fNIRS数据。最初，根据修正的Beer–Lambert定律，将原始信号转换为HbO、HbR和HbT浓度的相对变化。随后，使用0.01–0.2Hz带通滤波器去除心率（0.8–1.6Hz）、呼吸（0.2–0.6Hz）和血压（大约0.1Hz）等与任务无关的噪声信号。然后，使用主成分分析（PCA）识别并校正运动伪影，去除大的突然运动伪影数据。最后，提取30s任务状态下的血红蛋白时间序列以供进一步分析。为了确保高质量的fNIRS数据用于脑激活分析，通过基于信噪比（SNR）、通道间相关矩阵和光谱谱型的通道修剪进行质量控制。具体而言，如果满足以下标准之一，则认为一个信号通道不可用：（1）一个信号通道与另一个信号通道之间的相关系数接近零；（2）信噪比低于2的阈值；（3）缺乏心脏成分（~1Hz）。同时满足所有三个标准的通道被排除在进一步分析之外。 2.4.4 | fNIRS特征 从预处理后的氧合血红蛋白浓度变化（Δ[HbO]）中提取了四种不同的血液动力学特征——均值、积分值、中心值和斜率，用于统计分析 [30]。特征提取利用了两个相对于刺激开始（t=0s）定义的时间窗口：窗口1从-2s到+30s，用于计算均值、积分值和中心值，而窗口2从-2s到+5s，仅用于斜率计算。在窗口1中，均值定义为所有采样点的Δ[HbO]的平均值；积分值使用梯形法则计算Δ[HbO]的时间积分；中心值通过将此曲线下梯形面积视为质量分布并计算垂直线来划分此面积（将其分为两等分）来确定，基于第一矩。对于窗口2，斜率特征通过在Δ[HbO]数据上执行最小二乘线性回归并取回归线的斜率系数来确定 [31]。积分值表示30s激活任务期间的血液动力学反应幅度，而中心值作为任务期间时间进程变化的度量，指示血液动力学反应的时间 [32]。 2.4.5 | MI分类 支持向量机（SVM）是由Vapnik提出的一种监督学习算法，用于解决分类问题 [33]。在本研究中，SVM用于分类HC、MCS和VS。此外，SVM还用于三分类左手MI任务、右手MI任务和静息状态。值得注意的是，左手、右手和静息状态的分类准确率是区分HC、MCS和VS的关键特征。常用空间模式（CSP） [34] 用于提取EEG信号的特征，均值、中心值、斜率值和积分值用于提取fNIRS信号的特征。此外，使用5折交叉验证和10次重复以确保模型的稳定性和可靠性，并将平均结果作为最终结果。SVM模型使用默认参数（C=1.0, kernel=“rbf”，gamma=“scale”）。为了保持方法的严谨性并防止信息泄露，我们避免在各个折叠中进行嵌套交叉验证或参数调整。随后，使用SHapley Additive exPlanations（SHAP）值仅在训练折叠上进行特征排序。这种方法确保了特征重要性评估完全基于训练数据分布。 2.5 | 统计分析 本研究的统计分析在Python（3.9.0）和SPSS中进行。多次方差分析（ANOVA）用于验证多个组之间是否存在显著差异。方差分析检验用于验证多个组之间是否存在显著差异。在本研究中，t检验用于比较MCS组和VS组之间的差异。p<0.05被认为具有统计学意义。除非另有说明，图中的所有数据均表示为均值和标准误差。 3 | 结果 3.1 | MI-BCI期间中央区域的fNIRS激活 与左右手运动相关的MI主要集中在大脑中央区域。基于定制的光电同步采集区域，我们在中央区域划定了相应的通道。具体而言，fNIRS通道定位在以下Brodmann区（BAs）：在中央后回，BA1对应通道6和14，BA3对应通道10和24，BA43对应通道15和26；在中央前回：BA4对应通道7、8、9、11和18，而BA6包括通道16、17、19、20、21、22、23、25、27、30和33（表S1） [35]。 (2) PSD(f ) = 1 N N ∑ k =1 PSDk(f ) (3) ERD = Ptask − Pbaseline Pbaseline 6 of 13 中枢神经系统神经科学与治疗，2025 图3展示了HC、MCS和VS组在左右手MI任务期间0到20秒内HbO、HbR和HbT的平均浓度变化，区分了同侧和对侧反应。描述性地，对于HbO浓度，HC组在整个任务期间表现出一致的同侧和对侧浓度变化。此外，右手MI在对侧表现出更强的激活，而同侧则表现出对比的氧合变化。在MCS和VS组中，主要反应时间在5到15秒之间，结果表明同侧氧合变化更强，反映了DoC和HC受试者之间意识水平的差异。此外，同侧和对侧反应之间氧合变化的差异相对较小。 fNIRS技术基于测量脑血流量的血液动力学变化。HbO、HbT和HbR浓度根据各自的峰值幅度进行量化。在本研究中，我们比较了HC、MCS和VS组脑激活特征指标（HbO变化的均值、斜率、积分值和中心值）的差异，并通过独立样本t检验进行了统计分析。使用fNIRS对激活特征的统计分析显示，左手法动意象任务中中心值有效地区分了HC和VS（图4A），而在右手法动意象任务中，斜率值有效地区分了HC和VS（p<0.05）（图4B）。我们的结果显示，fNIRS检测脑激活的血液动力学特征，尤其是中心值和斜率特征的定量分析，在区分HC、MCS和VS组的意识水平方面表现出显著的鉴别能力。 3.2 | MI-BCI期间fNIRS激活的空间分布 图5展示了左手法动意象和右手法动意象任务中中央脑区HbO中心值变化的地形图。在fNIRS中，中心值反映了脑激活期间血氧变化的响应速率。如图所示，HC组中由于左手法动意象引起的脑激活比右手法动意象更为明显。这表明非优势手的运动激活需要更多的时间和能量。此外，HC、MCS和VS组的地形图显示，VS大于MCS，MCS大于HC，这表明三个人群的激活速度顺序为VS组 < MCS组 < HC组，这表明VS患者的神经响应速度慢于MCS患者，而MCS患者的神经响应速度又慢于健康对照组。经过错误发现率（FDR）校正后，这些相关结果具有显著性。 图3 | 左右手法动意象任务中HC、MCS和VS组HbO、HbR和HbT的波形图。对于MI条件，所有四个MI块的数据通过fNIRS平均。关于图形的空间位置，对侧半球的均值和标准误差以蓝色显示，同侧半球的均值和标准误差以红色显示。(A) HC、MCS和VS组左手法动意象诱发的对侧（红色）和同侧（蓝色）HbO浓度（顶部）、HbR浓度（中部）和HbT浓度的总体平均值。(B) HC、MCS和VS组右手法动意象诱发的对侧（红色）和同侧（蓝色）HbO浓度（顶部）、HbR浓度（中部）和HbT浓度的总体平均值。图像数据在标定区域内平均。 7 of 13 中枢神经系统神经科学与治疗，2025 3.3 | MI-BCI任务状态下的EEG时频谱 为了分析MI期间不同脑区的复杂性差异，分别计算了刺激侧（C3电极）及其对侧（C4电极）脑区在执行MI任务时的时间频率表示（TFRs）。图6展示了MI任务期间-5至30秒内健康个体、MCS和VS患者的TFRs。比较分析显示，HC、MCS和VS组之间存在明显的振荡模式差异。地形特异性观察到，图6A展示了左感觉运动皮层（C3电极）的频谱动态，而图6B展示了右感觉运动皮层（C4电极）的相应响应。在健康个体中，整体能量波动在12Hz以上更为显著，而在MCS患者中，8-12Hz范围内的能量激活持续存在，但12Hz以上的激活较少显著。相比之下，VS患者仅在8Hz以下表现出持续的能量激活。时频谱表明，不是所有组在整个30秒范式中都始终表现出与MI相关的成分。 图4 | 左右手法动意象任务中HC、MCS和VS组HbO的均值、积分值、中心值和斜率。fNIRS激活的统计图，(A) HC、MCS和VS组左手法动意象，(B) HC、MCS和VS组右手法动意象。*p<0.05。 图5 | HC、MCS和VS组fNIRS-HbO中心值的皮层映射。左手法动意象任务和右手法动意象任务的激活水平（p<0.05，FDR）。图中显示了大脑中的中心值。HC、MCS和左手法动意象引起的HbO浓度变化的中心值（顶部）。HC、MCS和右手法动意象引起的HbO浓度变化的斜率变化（底部）。校正区域的图像数据进行了平均。对于相同任务，颜色越接近红色，激活时间越长；颜色越接近蓝色，激活时间越短。 8 of 13 中枢神经系统神经科学与治疗，2025 3.4 | MI-BCI任务中的ERD 为了量化ERD，我们分析了HC、MCS和VS组的左右手法动意象任务。如图7A所示，HC组在MI任务中与其执行的运动对应的中央皮层区域表现出明显的ERD模式。相比之下，MCS组在这些区域的激活范围减少，而VS组的ERD幅度和分布进一步减弱。分析显示，健康对照组表现出典型的对侧半球优势（右手MI时左半球激活，反之亦然），而MCS和VS组表现出异常的偏侧化模式。统计比较证实了HC与VS在两手MI条件下的显著组间差异。值得注意的是，左手MI的ERD指标在区分MCS和VS患者方面表现出特别高的敏感性（p<0.05）（图7B）。这些神经生理学发现为DoC的临床前诊断提供了重要的生物标志物。 3.5 | 不同意识状态水平的BCI-MI任务ACC 本研究的一个关键目标是检查不同意识状态水平是否影响MI任务的识别。为此，我们在三种不同的意识状态水平（HC、MCS和VS）下对静息状态、左手法动意象和右手法动意象任务进行了分类。如图8A所示，使用fNIRS进行分类的结果为HC组57.71%，MCS组53.72%，VS组49.11%。统计分析显示HC与VS之间存在显著差异（p < 0.05），而其他组之间没有显著差异。相比之下，使用EEG信号进行分类的结果为HC组97.47%，MCS组93.28%，VS组76.19%（图8B）。 3.6 | 通过BCI特征对不同意识状态水平的分类 多模态EEG-fNIRS可以有效识别受损意识水平。与单模态方法相比，多模态EEG-fNIRS分类器在三类区分性能（HC vs. MCS vs. VS）上表现更优。如图9A所示，多模态模型实现了0.69±0.10的平均AUC，显著优于单模态EEG（0.43±0.19；p<0.01）和单独的fNIRS（0.63±0.10；p<0.05）。值得注意的是，多模态方法的变异结果（SD=0.10）比EEG分类（SD=0.19）小，表明临床可靠性增强。基于SHAP的特征重要性分析方法（图9B）确定了五个关键的意识状态区分判别器：fNIRS_ACC（fNIRS对MI任务的分类准确率）、EEG_ACC（EEG对MI任务的分类准确率）、fNIRS_slope、fNIRS_centroid和EEG_ERD。 4 | 讨论 本研究采用了EEG和fNIRS双模态技术，同步收集了HC、MCS和VS受试者在左右手法动意象-脑机接口（MI-BCI）范式中的数据。EEG分析主要集中在C3和C4脑区[36]，而fNIRS分析主要集中在运动皮层[37]。为了确保时间同步，从任务开始后0到30秒的平均时段同时提取EEG-fNIRS数据进行分析。在静息状态、左手法动意象和右手法动意象的三类分类中，fNIRS在MI任务识别中的表现不佳，分类准确率显著低于EEG。从运动范式的角度来看，EEG在评估残留MI强度方面比fNIRS更敏感，使其在这一背景下成为一个更可靠的指标[38]。HC、MCS和VS的三类分类结果显示，多模态模型实现了0.69±0.10的平均AUC，显著优于单模态EEG（0.43±0.19；p<0.01）和单独的fNIRS（0.63±0.10；p<0.05）。EEG-fNIRS多模态方法提高了意识水平的分类准确性，这可能是由于EEG电信号和fNIRS代谢信号在时间和空间域上的互补性质[39]。关于不同意识水平的MI-BCI分类指标的可靠性，本研究表明MCS组的分类准确率与健康个体相当，而VS组的分类准确率显著低于MCS组。这些发现与先前使用结合EEG和fMRI技术评估意识深度的研究结果一致[40, 41]。 4.1 | MI任务期间的EEG特征 EEG_ERD反映了特定事件或任务相关过程中的神经同步变化。大脑对外部刺激的响应模式和神经同步程度在不同的意识状态下差异显著[42]。例如，HC对刺激的敏感性更高，导致EEG_ERD显著下降，这表明神经网络内部有效的功能重组和信息处理。相反，MCS患者表现出相对较弱的大脑功能，对刺激的反应较弱。本研究采用基于能量的指数ERD，根据受试者在左右手法动意象任务中的表现将其分为三组。结果显示，左手法动意象任务有效地区分了VS和MCS组。而右手任务未能区分它们。由于本研究中的所有受试者均为右利手，结果表明VS受试者在左手法动意象任务中非优势手的能量差异显著。这一观察结果与先前的研究[43]一致，并可能对DoC具有重要意义。这些发现进一步支持EEG_ERD作为区分不同意识状态的有希望的生物标志物。 此外，EEG_ERD的变化与不同脑区之间的功能连接密切相关。在有意识活动中，各种脑区通过同步神经放电协作，促进信息传输和整合。EEG_ERD捕捉了这些区域之间功能连接的动态变化，不同的意识状态表现出不同的连接模式，从而导致EEG_ERD的相应变化。这种关系有助于揭示意识区分的神经机制[44]。从神经生理学的角度来看，EEG_ERD反映了兴奋性和抑制性神经活动之间的平衡。意识状态的变化会影响诸如神经递质释放和离子通道调节等生理过程，进而影响神经活动和同步。这些变化最终体现在EEG_ERD的变化中，为其作为意识状态的生物标志物提供了坚实的理论基础。未来的研究将重点探讨MI任务中脑网络的功能连接，以进一步阐明全球脑变化。 因此，与HC相比，MCS患者的EEG_ERD变化不那么显著，而VS患者由于大脑功能进一步受损，表现出更弱的EEG_ERD反应。这种对不同意识水平的敏感性突显了EEG_ERD作为区分意识状态的关键指标。在临床实践中，准确评估患者的意识水平对于制定治疗策略和评估预后至关重要。 4.2 | MI任务期间的fNIRS特征 许多研究表明，特定脑区在任务执行期间的激活会导致HbO的相对浓度升高[45, 46]。这种现象被认为是由增强的功能性脑活动导致的氧气需求增加所致。虽然任务相关脑区的氧气供应相应增加[47]，但功能性的 图9 | 损伤意识水平的分类和患者特征排名。(A) 多模态EEG-fNIRS分类器展示了卓越的三类分类。基于移动右手MI任务的HC、MCS和VS的特征分类。黄色实线表示EEG单模态分类结果，金色实线表示fNIRS单模态分类结果，粉色实线表示EEG-fNIRS双模态分类结果。分类准确度由AUC值表示。(B) 特征排名。五折分类法确定了HC、MCS和VS三个人群分类的特征顺序。特征重要性为：FNIRS_ACC、EEG_ACC、fNIRS-slope、fNIRS-centroid、EEG_ERD、fNIRS_integral、fNIRS_mean。FNIRS_ACC和EEG_ACC指MI任务的准确率。 11 of 13 中枢神经系统神经科学与治疗，2025 大脑活动也加剧了氧气消耗。因此，任务执行期间HbO浓度的变化取决于氧气供应和消耗之间的相互作用。例如，在运动想象任务中，对侧脑区在左手想象时的激活程度高于同侧，导致这些区域的氧气消耗更高[48]。任务相关脑区的氧气需求增加增强了血液的氧化能力，导致相对HbO浓度显著上升。这种升高有一个饱和阈值：当达到最大HbO浓度时，其对同侧和对侧运动相关区域HbO浓度的影响变得相当。此时，氧气消耗成为HbO浓度变化的主要决定因素。此外，在任务执行期间，任务相关脑区的总血红蛋白浓度反映了其激活水平，浓度越高，表明激活越强。 4.3 | 多模态BCI特征 通过特征重要性分析，我们确定了五个关键的意识状态区分因素：fNIRS_ACC、EEG_ACC、fNIRS_slope、fNIRS_centroid和EEG_ERD。对于fNIRS，斜率和中心值是表示反应速率的指标，其值可以在一定程度上指示意识水平。HC的意识水平高于MCS，MCS的意识水平高于VS。三组在响应声音刺激时执行命令的反应速率不同。在区分不同意识水平方面存在显著差异，而在均值和积分值方面没有显著差异。 单一诊断指标往往有限制。然而，ACC作为一个综合分类指标，整合了与意识相关的各种生理和行为特征。它可以系统地分类来自不同方面的信息，如患者在不同测试中的表现、神经影像数据和临床观察结果，从而大大提高了对三类患者意识状态诊断的准确性[49]。例如，通过结合EEG和fNIRS数据，ACC可以从多个维度分析和分类患者的脑活动，避免因单一指标的误判而导致的诊断偏差[50]。因此，结合EEG-fNIRS多模态BCI范式从多个角度评估意识水平的研究，为临床医生提供了更可靠的诊断参考，并有望成为新的临床诊断方法。 4.4 | 样本的局限性 由于DoC患者是一个独特的群体，招募足够的参与者仍然是一个挑战。未来的研究应旨在扩大研究队列，包括不同程度脑损伤和功能障碍的个体。这一更广泛的人群将有助于更全面地研究与多模态神经成像相关的神经血管变化和功能脑连接。此类研究将为支持临床应用提供更强的证据，并改善患者管理策略。 5 | 结论 本研究确认，多模态EEG-fNIRS和MI-BCI模型的整合显著提高了DoC患者意识评估的准确性。与单模态方法相比，EEG-fNIRS多模态框架在健康对照组（97.47%）、MCS（93.28%）和VS（76.19%）中表现出更高的诊断准确性，并在分类性能上取得了统计学意义上的显著改进（所有患者组p<0.05）。作为生物标志物，EEG_ERD可以有效地区分MCS组和VS组，这可能为未来实现意识障碍的临床前诊断提供有效的参考，并解决当前临床实践中主观行为误诊的关键限制。EEG-fNIRS生物标志物能够稳健地区分意识状态，特别是通过ACC参数和任务特定的皮层激活模式。 这些发现倡导DoC评估协议的范式转变；多模态神经成像应作为CRS-R评估的强制性辅助手段。MI-BCI范式为检测残留的认知MI提供了客观框架。EEG和fNIRS特征的机器学习融合优化了诊断特异性。未来的研究应在更大的多中心队列中验证这些发现，并探索其实时实施以用于重症监护病房监测应用。 作者贡献 N.W. 设计了研究，起草了手稿，参与了图表的设计，并对fNIR进行了文献回顾。X.C. 和 J.S. 协助编辑和修订手稿。Y.H.、Q.H. 和 T.Z. 对神经成像方法进行了重点文献回顾，并通过编辑过程提高了连贯性和准确性。D.L.、J.L. 和 T.C. 提供了临床意义的反馈，并参与了数据分析。S.Z. 和 Y.J. 对文章的原始数据进行了统计分析。J.S.、W.M.、Y