研究前沿：“脑成像”＋“运动捕捉”在助力运动康复中的应用
2025-08-21 来源:本站 点击次数:579
研究前沿：“脑成像”＋“运动捕捉”助力运动康复
背景介绍
在多种“大脑–肢体运动通路”受损的疾病中（如中风、帕金森病、脑瘫、脊髓损伤等），一个共同的核心特征是：大脑无法有效控制肢体运动。以中风为例，传统康复评估可能只会记录“动作未完成”，进而又陷入盲目训练的困境：不知道患者是大脑没有发出指令，还是肢体无法控制，只能靠经验调整方案。但如果同步监测大脑活动，就可能发现——患者的运动皮层其实在努力发出指令，只是神经信号在传导通路上被阻断。
因此，康复的关键目标，就是重塑大脑与肢体的神经连接，让大脑重新学会高效指挥身体。这种重塑不仅有助于恢复已有动作能力（如走路、抓握），还能建立替代性运动通路（绕过受损区域），并优化动作质量与协调性，减少代偿性错误动作。
正是在这种核心需求下，功能性神经成像（如 EEG、fNIRS）与运动捕捉的结合，展现出独特优势与广阔发展前景：它能同时监控大脑和身体，为康复评估、训练与方案优化提供双重信息支持。
那么，具体有哪些技术在结合脑成像和运动捕捉？它们的成熟度处于何种水平？这种结合又具备哪些临床优势呢？最近，挪威科技大学的 Emanuel A. Lorenz、Xiaomeng Su 和 Nina Skjæret-Maroni 团队在《Journal of NeuroEngineering and Rehabilitation》发表了题为 “A review of combined functional neuroimaging and motion capture for motor rehabilitation” 的综述。该文章系统梳理了功能性神经成像与运动捕捉技术融合在运动康复中的应用现状，为理解脑体运动调控机制提供了全新视角。
研究背景与问题
传统运动康复评估往往局限于单一维度：神经成像技术（如 EEG、fNIRS）聚焦大脑运动皮层活动，运动捕捉技术则记录肢体生物力学参数，但两者长期处于割裂状态。而 Mobile Brain/Body Imaging（MoBi）领域的发展揭示，同步采集神经生理信号与行为数据，可以实现完整解析 “大脑指令生成 - 肢体动作执行” 的闭环机制。
研究问题
RQ1：使用了哪些技术来同时采集神经生理信号和动力学/运动学信号？
RQ2：采用了哪些信号分析方法
RQ3：这两种模态的信号是如何结合的？
RQ4：这些评估或干预方法的结果是什么？
RQ5：针对未来的临床应用，有哪些建议？
研究方法
遵循 PRISMA 指南，对功能性神经成像和运动捕捉结合用于运动康复的相关文献进行综述（图2）。提取的内容包括研究和参与者特征、所用系统的技术方面、信号处理方法以及多模态特征同步和融合的性质。
研究结果
文献筛选结果：
在 908 篇出版物中，最终纳入 19 篇进行综述（图3）。这些研究主要以健康参与者或中风患者为研究对象，以基础研究或转化研究为主。
技术应用情况：
功能性神经成像：
技术：EEG 是主流技术（19 项研究中占 18 项），凭借毫秒级时间精度捕捉运动相关皮质电位（MRCP）等神经信号；fNIRS 仅 1 项研究使用，通过监测皮层血氧变化反映脑区活跃度，抗运动干扰能力更强。电极数量和放置差异较大，多数遵循 10 - 20 电极放置系统，有源电极使用最普遍，采样率各不相同，部分研究对记录的数据流进行下采样。
数据分析：研究使用了时间域、频率域、时频域和非线性域等不同域的特征，且不同域特征的处理方法各有特点。
运动捕捉技术：
技术：机械传感器（如 IMU、力传感器）应用最广泛（13 项研究），记录关节角度、运动速度等参数；光学系统（标记点 / 无标记）和磁性传感器次之，分别适用于全身复杂运动和抗遮挡场景。部分研究未报告采样率，多数研究采样率在 100 - 1000Hz 之间。
数据分析：多数研究未报告信号预处理步骤，部分研究应用低通滤波器。提取的特征包括运动事件标记、运动学参数、动力学参数等，用于后续多模态分析。
功能性神经成像与运动捕捉的融合：
运动事件检测：所有研究都使用运动学或动力学来检测运动开始 / 结束或离线处理中的运动事件，部分研究使用硬件或数字信号同步。
解码器训练：部分研究应用在线或离线处理，使用运动学数据来训练、评估和更新神经解码器，同步方法多样。
统计关系：研究在离线处理中探索运动学与神经活动之间的统计关系，如计算相关性、应用回归模型等。
并行应用：少数研究将皮质变化与运动捕捉系统控制的运动游戏结合，未说明同步方法。
研究对象:
平均每项研究纳入 11 名参与者，女性参与者平均占 28%，部分研究无女性参与者。以健康参与者和中风患者为主，后者涵盖亚急性期至慢性期（3 周至 5 年），聚焦上肢运动（如伸手动作）和步态康复。通过融合数据证实，中风患者的肢体运动缺陷常与运动皮层 β 波段异常,双侧脑区激活失衡相关，为区分 “指令问题” 与 “执行问题” 提供客观依据。
局限性：临床研究占比低（仅 4 项），样本量小（平均 11 人），且依赖传统分析方法，AI深度整合不足。
讨论
该领域尚处于起步阶段，主要集中在基础研究或转化研究，缺乏在临床环境中使用多模态应用的研究，难以评估其效率、可靠性和有效性。研究人群样本量小，主要使用健康参与者，且主要纳入中风患者。研究重点在上肢运动，可能与中风幸存者上肢损伤发生率高以及这些运动在康复中研究较充分有关。基于 AI 的运动捕捉系统可能在临床应用中有潜力，但仍存在一些未解决的挑战。应更多关注皮质间和外周耦合，研究长程自上而下和自下而上的皮质 - 外周耦合变化，以及分析特征中的非线性关系。目前对双模态测量的关注是重要的第一步，但应全面探索多种附加模态的融合。
原文链接
Lorenz EA, Su X, Skjæret-Maroni N. A review of combined functional neuroimaging and motion capture for motor rehabilitation. J Neuroeng Rehabil. 2024 Jan 3;21(1):3. doi: 10.1186/s12984-023-01294-6. PMID: 38172799; PMCID: PMC10765727
DOI: 10.1186/s12984-023-01294-6
研究团队介绍
该文章的作者为Emanuel A. Lorenz、Xiaomeng Su和Nina Skjæret-Maroni。其中，Emanuel A. Lorenz和Xiaomeng Su来自挪威科技大学计算机科学系，Nina Skjæret-Maroni来自挪威科技大学神经医学与运动科学系。
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、先进的技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
背景介绍
在多种“大脑–肢体运动通路”受损的疾病中（如中风、帕金森病、脑瘫、脊髓损伤等），一个共同的核心特征是：大脑无法有效控制肢体运动。以中风为例，传统康复评估可能只会记录“动作未完成”，进而又陷入盲目训练的困境：不知道患者是大脑没有发出指令，还是肢体无法控制，只能靠经验调整方案。但如果同步监测大脑活动，就可能发现——患者的运动皮层其实在努力发出指令，只是神经信号在传导通路上被阻断。
因此，康复的关键目标，就是重塑大脑与肢体的神经连接，让大脑重新学会高效指挥身体。这种重塑不仅有助于恢复已有动作能力（如走路、抓握），还能建立替代性运动通路（绕过受损区域），并优化动作质量与协调性，减少代偿性错误动作。
正是在这种核心需求下，功能性神经成像（如 EEG、fNIRS）与运动捕捉的结合，展现出独特优势与广阔发展前景：它能同时监控大脑和身体，为康复评估、训练与方案优化提供双重信息支持。
TMSI 便携式EEG设备
Artinis便携式近红外设备
那么，具体有哪些技术在结合脑成像和运动捕捉？它们的成熟度处于何种水平？这种结合又具备哪些临床优势呢？最近，挪威科技大学的 Emanuel A. Lorenz、Xiaomeng Su 和 Nina Skjæret-Maroni 团队在《Journal of NeuroEngineering and Rehabilitation》发表了题为 “A review of combined functional neuroimaging and motion capture for motor rehabilitation” 的综述。该文章系统梳理了功能性神经成像与运动捕捉技术融合在运动康复中的应用现状，为理解脑体运动调控机制提供了全新视角。
图1. 文章信息
研究背景与问题
传统运动康复评估往往局限于单一维度：神经成像技术（如 EEG、fNIRS）聚焦大脑运动皮层活动，运动捕捉技术则记录肢体生物力学参数，但两者长期处于割裂状态。而 Mobile Brain/Body Imaging（MoBi）领域的发展揭示，同步采集神经生理信号与行为数据，可以实现完整解析 “大脑指令生成 - 肢体动作执行” 的闭环机制。
研究问题
RQ1：使用了哪些技术来同时采集神经生理信号和动力学/运动学信号？
RQ2：采用了哪些信号分析方法
RQ3：这两种模态的信号是如何结合的？
RQ4：这些评估或干预方法的结果是什么？
RQ5：针对未来的临床应用，有哪些建议？
研究方法
遵循 PRISMA 指南，对功能性神经成像和运动捕捉结合用于运动康复的相关文献进行综述（图2）。提取的内容包括研究和参与者特征、所用系统的技术方面、信号处理方法以及多模态特征同步和融合的性质。
图2. 文献筛选流程图
研究结果
文献筛选结果：
在 908 篇出版物中，最终纳入 19 篇进行综述（图3）。这些研究主要以健康参与者或中风患者为研究对象，以基础研究或转化研究为主。
图3. 研究特征表：文章应用类型，研究类型，数据采集类型，对照组类型，研究目的
技术应用情况：
功能性神经成像：
技术：EEG 是主流技术（19 项研究中占 18 项），凭借毫秒级时间精度捕捉运动相关皮质电位（MRCP）等神经信号；fNIRS 仅 1 项研究使用，通过监测皮层血氧变化反映脑区活跃度，抗运动干扰能力更强。电极数量和放置差异较大，多数遵循 10 - 20 电极放置系统，有源电极使用最普遍，采样率各不相同，部分研究对记录的数据流进行下采样。
数据分析：研究使用了时间域、频率域、时频域和非线性域等不同域的特征，且不同域特征的处理方法各有特点。
运动捕捉技术：
技术：机械传感器（如 IMU、力传感器）应用最广泛（13 项研究），记录关节角度、运动速度等参数；光学系统（标记点 / 无标记）和磁性传感器次之，分别适用于全身复杂运动和抗遮挡场景。部分研究未报告采样率，多数研究采样率在 100 - 1000Hz 之间。
数据分析：多数研究未报告信号预处理步骤，部分研究应用低通滤波器。提取的特征包括运动事件标记、运动学参数、动力学参数等，用于后续多模态分析。
功能性神经成像与运动捕捉的融合：
运动事件检测：所有研究都使用运动学或动力学来检测运动开始 / 结束或离线处理中的运动事件，部分研究使用硬件或数字信号同步。
解码器训练：部分研究应用在线或离线处理，使用运动学数据来训练、评估和更新神经解码器，同步方法多样。
统计关系：研究在离线处理中探索运动学与神经活动之间的统计关系，如计算相关性、应用回归模型等。
并行应用：少数研究将皮质变化与运动捕捉系统控制的运动游戏结合，未说明同步方法。
研究对象:
平均每项研究纳入 11 名参与者，女性参与者平均占 28%，部分研究无女性参与者。以健康参与者和中风患者为主，后者涵盖亚急性期至慢性期（3 周至 5 年），聚焦上肢运动（如伸手动作）和步态康复。通过融合数据证实，中风患者的肢体运动缺陷常与运动皮层 β 波段异常,双侧脑区激活失衡相关，为区分 “指令问题” 与 “执行问题” 提供客观依据。
局限性：临床研究占比低（仅 4 项），样本量小（平均 11 人），且依赖传统分析方法，AI深度整合不足。
讨论
该领域尚处于起步阶段，主要集中在基础研究或转化研究，缺乏在临床环境中使用多模态应用的研究，难以评估其效率、可靠性和有效性。研究人群样本量小，主要使用健康参与者，且主要纳入中风患者。研究重点在上肢运动，可能与中风幸存者上肢损伤发生率高以及这些运动在康复中研究较充分有关。基于 AI 的运动捕捉系统可能在临床应用中有潜力，但仍存在一些未解决的挑战。应更多关注皮质间和外周耦合，研究长程自上而下和自下而上的皮质 - 外周耦合变化，以及分析特征中的非线性关系。目前对双模态测量的关注是重要的第一步，但应全面探索多种附加模态的融合。
原文链接
Lorenz EA, Su X, Skjæret-Maroni N. A review of combined functional neuroimaging and motion capture for motor rehabilitation. J Neuroeng Rehabil. 2024 Jan 3;21(1):3. doi: 10.1186/s12984-023-01294-6. PMID: 38172799; PMCID: PMC10765727
DOI: 10.1186/s12984-023-01294-6
研究团队介绍
该文章的作者为Emanuel A. Lorenz、Xiaomeng Su和Nina Skjæret-Maroni。其中，Emanuel A. Lorenz和Xiaomeng Su来自挪威科技大学计算机科学系，Nina Skjæret-Maroni来自挪威科技大学神经医学与运动科学系。
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、先进的技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
相关文章
更多 >