基于腦電和慣性同步分析的神經(jīng)動力學(xué)耦合研究

謝 平，蔚 建，張騰宇，程生翠，呂 巖，陳曉玲

（1.燕山大學(xué)河北省測試計量技術(shù)及儀器重點實驗室，秦皇島 066004；2.燕山大學(xué)河北省智能康復(fù)及神經(jīng)調(diào)控重點實驗室，秦皇島 066004；3.國家康復(fù)輔具研究中心北京市老年功能障礙康復(fù)輔助技術(shù)重點實驗室，北京 100176；4.國家康復(fù)輔具研究中心民政部神經(jīng)功能信息與康復(fù)工程重點實驗室，北京 100176）

引 言

隨著科學(xué)技術(shù)的不斷發(fā)展，世界各國都將腦科學(xué)上升為國家科技戰(zhàn)略重點。2016 年，“中國腦計劃”（腦科學(xué)與類腦研究）作為重大科技項目被列為國家“十三五”規(guī)劃［1］，我國已將“腦科學(xué)與類腦研究”上升為國家戰(zhàn)略。探究實現(xiàn)各種腦功能的神經(jīng)回路基礎(chǔ)，闡明神經(jīng)系統(tǒng)病患的病因、機制，探索治療的新手段是腦科學(xué)研究的基本目標(biāo)之一。因此，探索大腦和運動之間的變化規(guī)律，有助于發(fā)現(xiàn)肢體運動與大腦之間的關(guān)聯(lián)關(guān)系，這對于探究人體運動控制機制具有重要意義。

由于運動控制是由大腦、肢體共同參與的協(xié)同工作過程，現(xiàn)有研究中?；谀X電信號（Electroencephalogram，EEG）和慣性信號（Inertial measurement unit，IMU）等運動和生理信息進(jìn)行運動功能評估，以分別實現(xiàn)對大腦功能的監(jiān)測和對肢體運動姿態(tài)的評估。如Gil-Agudo 等［2］基于九軸慣性的上肢功能康復(fù)評估系統(tǒng)，可評價中樞神經(jīng)系統(tǒng)損傷后上肢功能恢復(fù)情況；Pérez 等［3］研發(fā)了一種基于慣性傳感器的監(jiān)測系統(tǒng)，通過采集慣性數(shù)據(jù)計算關(guān)節(jié)角度的四元數(shù)，建立運動學(xué)模型來估計3D 上肢運動，以進(jìn)行準(zhǔn)確的運動評估；Schwarz 等［4］通過采集慣性信號探究了被測臂、物體重量和目標(biāo)高度等因素，在移動過程中軀干代償和肘、腕、指屈伸運動幅度的變化與臨床測量的損傷之間的關(guān)系；陸雙雙等［5］探究了在任務(wù)態(tài)腦電和靜息態(tài)腦電的時域、頻域及拓?fù)浞植继卣?；Kline 等［6］對上肢和腿部運動的高密度EEG 信號進(jìn)行分析，結(jié)果表示，人類有節(jié)奏的手臂運動比有節(jié)奏的腿部運動受到更強的皮質(zhì)控制；Jeong 等［7］對上肢運動的EEG 信號進(jìn)行動作識別，表明上肢運動可以從EEG 信號中體現(xiàn)出來，可以用于動作區(qū)分?，F(xiàn)有研究主要是從單一的EEG 信號或者IMU 信號進(jìn)行肢體的運動分析，但是運動控制是神經(jīng)、運動和感覺功能的多方面協(xié)調(diào)及信息交互作用過程，肢體協(xié)調(diào)運動是由中樞神經(jīng)運動系統(tǒng)控制、肢體運動相互作用的結(jié)果。因此，探究運動系統(tǒng)中運動-生理信息間的關(guān)聯(lián)分析有助于理解肢體運動控制機理，便于肢體運動功能的評估。

為此，本文引入頻域相干分析方法，對不同動作模式下的EEG 和IMU 信號進(jìn)行關(guān)聯(lián)分析，對比雙側(cè)上肢運動的EEG-IMU 分別在靜息態(tài)、任務(wù)態(tài)下的變化規(guī)律，探究運動控制系統(tǒng)的神經(jīng)動力學(xué)耦合特性，為建立有效的運動生理指標(biāo)，量化評估運動功能狀態(tài)提供參考。

1 實驗方案

1.1 實驗設(shè)計

1.1.1 實驗設(shè)備

本文中EEG 信號采集的實驗設(shè)備為博睿康公司生產(chǎn)的NeuSen W 系列無線腦電采集系統(tǒng)，其中包括硬件和軟件兩部分。硬件包含腦電信號放大器、64 導(dǎo)的腦電帽和Trigger Box 同步觸發(fā)設(shè)備，電極位置按照國際10-20 系統(tǒng)排布，設(shè)備采集數(shù)據(jù)的分辨率為24 bit，數(shù)據(jù)的同步精度＜1 ms，采樣頻率為1 000 Hz；軟件部分包括硬件相配置的Start Neusen W 軟件，用來采集EEG 信號以及實時記錄實驗中EEG 信號的變化。

慣性采集實驗設(shè)備為美國Delsys 公司生產(chǎn)的Trigno Avanti 表面肌電慣性采集系統(tǒng)，包括硬件和軟件兩部分。硬件包含16 個無線采集模塊，能夠采集九軸的慣性信息，其中包括三軸的加速度信號、三軸的角速度信號以及三軸的磁力計信號，設(shè)備采集數(shù)據(jù)分辨率為16 bit，傳感器的延遲時間＜500 μs，采樣頻率為150 Hz，硬件部分還包含一個Trigger Module 同步觸發(fā)器，通過Trigger Module 同步觸發(fā)器與腦電Trigger Box 同步觸發(fā)設(shè)備相連，將腦電采集設(shè)備和肌電慣性采集設(shè)備進(jìn)行同步觸發(fā)，同時獲得所需的EEG 和IMU 信號；軟件部分包括硬件配置的采集軟件，用來采集IMU 信號以及實時記錄實驗中的IMU 信號的變化。

1.1.2 實驗安排

實驗基于7 名身心健康的老年被試（5 男2 女，年齡50～65 歲）進(jìn)行數(shù)據(jù)分析，所有參與者均沒有大腦相關(guān)疾病史，均為右利手，視力正?；蛘叱C正正常，并且均為自愿參加實驗。實驗前需向被試人員詢問相應(yīng)的基本信息并說明實驗?zāi)康募皩嶒瀮?nèi)容，簽署本實驗的知情同意書，本實驗得到國家康復(fù)輔具研究中心附屬康復(fù)醫(yī)院的倫理委員會的支持。

如圖1 所示，被試人員要求坐在一張舒適的椅子上，正對電腦屏幕，被試距離屏幕約為60 cm。實驗開始前實驗人員向被試說明實驗內(nèi)容和實驗要求，根據(jù)被試狀態(tài)確定實驗開始時間。實驗開始前，為被試佩戴腦電帽，并在電極孔中注入導(dǎo)電膏，將采集部位的電極阻抗降至5 kΩ 以下，以確保EEG 數(shù)據(jù)采集的穩(wěn)定性和準(zhǔn)確性。EEG 信號主要采集與運動相關(guān)部位的34 個通道，在減少工作量的同時確保數(shù)據(jù)的完整性。Delsys 慣性采集模塊在進(jìn)行粘貼前對采集部位進(jìn)行酒精消毒，去除身體表面的灰塵，確保連接的穩(wěn)定性。

圖1 腦電-慣性采集實驗圖Fig.1 EEG-IMU acquisition experimental diagram

1.1.3 實驗范式

本研究實驗主要由靜息態(tài)和任務(wù)態(tài)兩部分組成，其中任務(wù)態(tài)又包含右側(cè)上肢任務(wù)和左側(cè)上肢任務(wù)，每類實驗任務(wù)結(jié)束后放松60 s，具體實驗流程如圖2 所示。首先執(zhí)行靜息態(tài)實驗（包括3 s 準(zhǔn)備時間和10 min 休息時間），在此期間要求被試保持兩側(cè)手臂自然下垂呈放松狀態(tài)。靜息態(tài)結(jié)束后放松60 s后進(jìn)行右側(cè)上肢任務(wù)實驗（包括3 s 準(zhǔn)備、20 s 休息及26 s 任務(wù)執(zhí)行），其中任務(wù)執(zhí)行過程包括3 s 手背摸同側(cè)耳朵（動態(tài)力）、3 s 手背摸耳的動作維持（靜態(tài)力）及20 s 休息，任務(wù)執(zhí)行環(huán)節(jié)連續(xù)依次進(jìn)行5 組實驗，在進(jìn)行手背摸耳動作時，要求被試其他身體部位盡量保持不動。在60 s 放松后進(jìn)行左側(cè)上肢任務(wù)實驗，其實驗流程和要求與右側(cè)上肢任務(wù)相同?？梢?，每位被試共需完成1 次靜息態(tài)和2 次任務(wù)態(tài)實驗，其中每次任務(wù)態(tài)共需要完成5 次手背摸同側(cè)耳朵動作（動態(tài)力）、5 次手背摸同側(cè)耳朵動作維持（靜態(tài)力）和6 次休息。

圖2 實驗流程圖Fig.2 Experimental flow chart

1.2 數(shù)據(jù)預(yù)處理

EEG 信號、IMU 信號中都包含有基線漂移和工頻干擾。此外，EEG 信號中常受到眼電、頭動等干擾的影響［8］。此外，除了信號中存在的一般噪聲和干擾外，在特定頻域范圍的信號能夠反應(yīng)EEG 信號、IMU 信號的主要特征，將特定的頻段保留，去除多余數(shù)據(jù)有助于后續(xù)同步分析。

本文主要研究在靜息態(tài)及任務(wù)態(tài)中EEG 和IMU 信號同步分析的差異。腦電帽電極位置按照國際10-20 系統(tǒng)排布，EEG 數(shù)據(jù)主要采集了其中與運動主要相關(guān)的34 通道的信號，采樣頻率為1 000 Hz，采集信號的電極位置分布如圖3（a）所示，其中選取運動皮質(zhì)層中主要與運動相關(guān)的C3、C4 兩個通道信號來進(jìn)行后續(xù)的同步分析［9］；IMU 數(shù)據(jù)采樣頻率為150 Hz，采集部位如圖3（b）所示，共有14 個采集模塊，每側(cè)采集7 個部位，每個部位有九軸慣性信息，主要選取波動明顯的指淺屈肌位置的三軸加速度信號（Acceleration，ACC）與EEG 信號進(jìn)行同步分析，用于探究靜息態(tài)與任務(wù)態(tài)下的運動-生理同步變化規(guī)律。

圖3 腦電-慣性信號采集分布圖Fig.3 EEG-IMU acquisition distribution

1.2.1 腦電預(yù)處理

腦電信號在采集過程中容易受到外界和設(shè)備本身帶來的干擾影響，需要對采集到的數(shù)據(jù)進(jìn)行預(yù)處理。首先，對數(shù)據(jù)進(jìn)行降采樣處理，減少數(shù)據(jù)的計算量，然后通過采用中值濾波、帶通濾波、陷波器和獨立成分分析方法去除腦電信號中的噪聲和干擾，最后采用拉普拉斯重參考方法突出數(shù)據(jù)的局部特性，使得結(jié)果更加的顯著。

（1）降采樣

由于EEG 和ACC 信號采樣頻率的差異，將采集到的信號進(jìn)行降采樣處理，使數(shù)據(jù)采樣頻率降至250 Hz，方便后續(xù)同步分析。使用軟件MATLAB 中的eeglab 工具箱，畫出降采樣后數(shù)據(jù)的功率譜密度圖［10］，如圖4 所示，可以看出，EEG 信號中存在明顯的工頻干擾和眼電干擾。

圖4 34 通道腦電功率譜密度圖Fig.4 34-channel EEG power spectral density map

（2）濾波

針對功率譜密度圖中顯示的噪聲和干擾，使用中值濾波去除EEG 信號中的基線漂移，使用自適應(yīng)陷波器去除50 Hz 的工頻干擾［11-12］，使用0.1～150 Hz 的巴特沃斯帶通濾波器，濾除高頻和低頻噪聲，并保存數(shù)據(jù)的主要信息頻段。

（3）獨立成分分析

在實驗過程中，被試容易產(chǎn)生收到自身其他電信號及外界的干擾，容易產(chǎn)生眼電、心電及外界環(huán)境干擾。本文選用獨立成分分析（Independent component analysis，ICA）方法濾除上述噪聲和干擾［13］。

將原始數(shù)據(jù)生成為n維向量x(t)=[x1(t)，…，xn(t)]T形式，求取滿足各向量相互獨立的輸出數(shù)據(jù)y(t)=[y1(t)，…，yn(t)]T。其方法具體描述如下：

令原始信號x(t)分別經(jīng)過球化函數(shù)W和正交系統(tǒng)U，得到輸出信號y(t)=[y1(t)，…，yn(t)]T，其中各分量保持相互獨立，該過程即ICA 分解。

首先令原始信號x(t)經(jīng)過球化系統(tǒng)得到z(t)=Wx(t)，z(t)需要滿足條件為各分量正交歸一，使得zi(t)各分量的方差為1 且互不相關(guān)，即

球化過程首先將W=Λ-1/2G′代入Z=WX中，得到

證明Z中各分量為互不相關(guān)（相互正交），且各分量方差為1。

隨后，對于球化得到的z(t)，須確定正交矩陣U，將z(t)轉(zhuǎn)化為y(t)，使得輸出yi(t)滿足各向量相互獨立，且方差保持為1。

對于向量z(t)=[z1(t)，…，zn(t)]T做如下處理

式中：除中間4 個ij行相交元素外，Uij的其余對角線元素都為1，非對角元素都為0。變換后，z中zi、zj發(fā)生變化為

對zizj全部進(jìn)行處理后，優(yōu)化判據(jù)ε最小，即

優(yōu)化后的y(t)=[y1(t)，…，yn(t)]T，其各向量相互獨立。

如圖5 所示，通過MATLAB 中的eeglab 的工具箱對數(shù)據(jù)進(jìn)行ICA 分析結(jié)果。

圖5 ICA 成分圖Fig.5 ICA composition diagram

ICA 中的第1 個分量，腦地形圖能量主要呈前段分布，時頻圖中隨機呈現(xiàn)小方塊圖樣，低頻能量高的特點，表明此分量為眨眼分量，如圖6（a）所示；在ICA 的第6 個分量中，腦地形圖能量呈前段兩側(cè)分布，時頻分量中隨機呈現(xiàn)紅藍(lán)相間長條狀圖樣，低頻能量高的特點，表明此分量為眼動分量，如圖6（b）所示；在ICA 的第19 個分量中，腦地形圖能量呈周圍分布，時頻分量中隨機呈現(xiàn)長條狀圖樣的特點，表明此分量為頭動分量，如圖6（c）所示。

圖6 ICA 中頭部干擾分量Fig.6 Head interference component in ICA

ICA 分量中的第29 個分量和第33 個分量，時頻分量呈雨點般散落狀，相關(guān)分量波形出現(xiàn)周期性波動，表明此分量中包含心電、肌電和其他電磁干擾等噪聲，如圖7 所示。

圖7 ICA 中其他干擾分量Fig.7 Other interference components in ICA

將包含有噪聲和干擾的分量進(jìn)行剔除，并重復(fù)ICA 算法的過程，直到噪聲完全剔除為止。

（4）重參考

本文對EEG 信號進(jìn)行拉普拉斯重參考［14］，拉普拉斯重參考是將每個電極的電壓與緊鄰周圍電極（通常為周圍4 個電極）的局部電壓平均值進(jìn)行比較。C3 通道周圍的電極通道為FC3、C5、C1、CP3，C3 通道數(shù)據(jù)的參考值為FC3、C5、C1、CP3 四個通道數(shù)據(jù)和的均值，用C3 通道數(shù)據(jù)減去參考值為拉普拉斯重參考后的結(jié)果。C4 通道周圍的電極通道為FC4、C6、C2、CP4，參考值計算與C3 通道過程相同。

拉普拉斯重參考通過過濾廣泛的活動，可以幫助強調(diào)和分析高度局部化的波形，更能反應(yīng)腦功能區(qū)特性。這有助于使得EEG 與ACC 信號的分析結(jié)果更加明顯和準(zhǔn)確［15］。

1.2.2 慣性預(yù)處理

慣性信號采用的是指淺屈肌的三軸加速度信號，采用降采樣、低通濾波和中值濾波方法去除加速度信號中的干擾并使腦電和加速度信號數(shù)據(jù)長度保持一致，通過計算歐幾里得范數(shù)對三軸信號進(jìn)行整合，去除方向上的影響。

（1）升采樣

首次，將ACC 信號的采樣頻率升至250 Hz，保持與EEG 信號頻率的一致性，方便后續(xù)的同步分析。

（2）濾波處理

人類一般活動的慣性信號范圍為0～20 Hz［16］，因此采用20 Hz 的巴特沃斯低通濾波器，排除人類活動頻率以外的信號影響。采用長度為3 的中值濾波器去掉數(shù)據(jù)中的異常值［17］，保持?jǐn)?shù)據(jù)的準(zhǔn)確性。

（3）去重力影響

在采集ACC 數(shù)據(jù)的過程中，會受到重力的影響，產(chǎn)生重力加速度，影響數(shù)據(jù)的準(zhǔn)確性，一般認(rèn)為重力加速度存在于ACC 信號的低頻濾波中［18］，因此，采用截止頻率為0.3 Hz 的三階巴特沃斯低通濾波器濾除信號，用原有數(shù)據(jù)減去濾波數(shù)據(jù)，然后獲得沒有重力分量的ACC 數(shù)據(jù)。

（4）歐幾里得范數(shù)

ACC 信號有x、y、z三軸的信號數(shù)據(jù)，在進(jìn)行左右手運動時，由于相同動作下采集方向的不同，會使數(shù)據(jù)產(chǎn)生正負(fù)差異，因此，對三軸的ACC 信號計算歐幾里得范數(shù)，去除信號方向上影響［19］，公式為

式中ax、ay、az為各軸的ACC 信號。

1.3 腦電-慣性信號的相干分析

本文主要采用基于幅值平方相干函數(shù)的頻域相干性分析方法，探究EEG 和ACC 信號間的關(guān)聯(lián)特性［15］，此方法可以定量描述腦電和慣性信號在頻域的相關(guān)強度，其原理是分別計算兩個信號的自譜和互譜，以互譜與自譜的比值作為兩個信號在頻域的相干強度，也就是兩個信號同步分析的耦合強度。設(shè)腦電信號表示為x，加速度信號表示為y，其表達(dá)式為

式中：COxy(f)為兩個信號的頻域相干函數(shù)值；Pxy(f)為兩個信號的互譜密度函數(shù)；Pxx(f)和Pyy(f)分別為兩個信號的自譜密度函數(shù)，其表達(dá)式為

式中：“*”表示共軛，X(f)和Y(f)分別表示為腦電信號與加速度信號在頻域所包含的信息。

兩個信號的COxy(f)值表示信號之間頻域的相關(guān)性強度，其大小在0 到1 之間，相干性最大為1，最小為0，不同的取值代表同步分析的耦合強度不同。為了定量分析兩信號同步分析的耦合強度，計算信號相干強度為顯著相干的閾值作為指標(biāo)，其表達(dá)式為

式中：N表示滑動窗總的窗口數(shù)量，α一般取值為0.05，表示置信水平是0.95。當(dāng)兩信號相干值超過閾值指標(biāo)時，認(rèn)為兩信號的相干強度為顯著相干。根據(jù)上述的閾值指標(biāo)，進(jìn)一步計算相干曲線與顯著性閾值指標(biāo)圍成區(qū)域的顯著性面積進(jìn)行量化分析。

2 實驗結(jié)果

根據(jù)1.3 節(jié)中提出的頻域相干分析方法，分別對7 名被試的C3、C4 通道的EEG 信號和指淺屈肌的ACC 信號進(jìn)行相干分析。實驗分為靜息態(tài)和任務(wù)態(tài)3 個任務(wù)，將靜息態(tài)數(shù)據(jù)截取與摸耳動作數(shù)據(jù)大小相同的長度，方便后續(xù)數(shù)據(jù)的相干性分析。分別進(jìn)行靜息態(tài)、任務(wù)態(tài)（動態(tài)力、靜態(tài)力）下的EEG 與ACC 信號的相干分析，根據(jù)顯著相干的閾值指標(biāo)計算各自的顯著性面積，定量刻畫兩信號間的同步因果關(guān)系。

對于EEG 與ACC 信號的相干分析，以C3 通道為例，分別計算被試在靜息態(tài)、任務(wù)態(tài)（動態(tài)力、靜態(tài)力）下的顯著性面積均值，結(jié)果如圖8 所示。從圖8（a）中可以看出，除去被試5 外，右側(cè)的上肢運動中，C3 通道與ACC 的動態(tài)力下的顯著性面積要大于靜態(tài)力下的，靜息態(tài)下的顯著性面積最?。粡膱D8（b）中可以看出，除去被試5 外，左側(cè)上肢運動的結(jié)果與右側(cè)的結(jié)果相同。C4 通道與C3 通道所得結(jié)果一致。

圖8 靜息態(tài)、任務(wù)態(tài)(動態(tài)力、靜態(tài)力)下的顯著性面積圖Fig.8 Significant area map under resting state and task state (dynamic force and static force)

在左、右側(cè)上肢運動中，C3、C4 通道呈現(xiàn)不同的結(jié)果，如圖9 所示。在右側(cè)運動時，除去被試5 外，C3 通道的顯著性面積要大于C4 通道的，如圖9（a）所示；在左側(cè)運動時，除去被試2 外，C4 通道的顯著性面積要大于C3 通道的，如圖9（b）所示。

圖9 運動狀態(tài)下C3、C4 通道顯著性面積圖Fig.9 Significant area map of C3 and C4 channels in motion

3 結(jié)果分析

本文對靜息態(tài)、任務(wù)態(tài)（動態(tài)力、靜態(tài)力）下的腦電與加速度信號進(jìn)行了相干分析。結(jié)果表明，C3、C4 通道的腦電信號與加速度信號的顯著性面積在動態(tài)力下最大，靜息態(tài)下最小，并且這與運動在左右側(cè)無關(guān)。C3、C4 通道主要位于大腦的運動區(qū)域，與運動的執(zhí)行最相關(guān)，因此，在進(jìn)行顯著性面積的求取時，可以得出在動態(tài)力下達(dá)到最大，也說明腦電信號具有關(guān)于運動表現(xiàn)的有效信息，這在運動-生理信息的同步分析中有更明顯的表現(xiàn)，這與在探究腦電信號對拉班舞不同動作的解碼時的結(jié)論一致［20］。在進(jìn)行左右側(cè)運動時，C3、C4 通道腦電與加速度的相干分析表現(xiàn)出在運動對側(cè)更強，這表明了腦電與加速度相干分析也能體現(xiàn)大腦的對側(cè)控制機理，這與在駕駛過程中左右轉(zhuǎn)向行為引起C3 和C4 電位變化結(jié)果一致［21］。另外，在實驗結(jié)果中還存在個別結(jié)果偏離實驗結(jié)論的現(xiàn)象，經(jīng)過查看實驗記錄和數(shù)據(jù)，發(fā)現(xiàn)存在被試在實驗過程中出現(xiàn)疲勞、多余動作等情況，這可能對實驗結(jié)果有一定的干擾。

與現(xiàn)有研究相比，本文通過對腦電信號和加速度信號進(jìn)行相干分析，證明在靜息態(tài)、任務(wù)態(tài)（動態(tài)力、靜態(tài)力）之間存在著差異，這對于探究人體運動控制機制具有重要意義，在未來，這也可能為運動功能評估和運動功能障礙疾病的早期診斷提供新的理論依據(jù)。但是目前還存在一些不足：當(dāng)前的動作類型比較單一，被試人員少，并且在實驗結(jié)果中少數(shù)被試存在疲勞、多余動作等情況，在后續(xù)的研究中，對此將會做進(jìn)一步的調(diào)整和探究。在未來研究中，將會對運動功能障礙患者進(jìn)行數(shù)據(jù)采集及分析，探究健康人與患者之間的差異，為運功功能評估提供更加有效的理論依據(jù)。

4 結(jié)束語

本文主要探究了靜息態(tài)、任務(wù)態(tài)（動態(tài)力、靜態(tài)力）下的腦電信號和加速度信號間的關(guān)聯(lián)同步特性。通過對7 名受試者在靜息態(tài)、任務(wù)態(tài)下腦電-加速度信號的頻域相干分析，得出動態(tài)力下EEG 和ACC 信號相干最高，而在靜息態(tài)下最低，在分別進(jìn)行左、右側(cè)運動時，EEG 和ACC 信號在對側(cè)的相干性比同側(cè)強。以上結(jié)論說明，腦電和慣性信號具有一定的神經(jīng)動力學(xué)耦合機制，尤其在運動狀態(tài)下表現(xiàn)顯著，腦電和加速度的同步特征能夠反映運動狀態(tài)的有效信息。這對于探究人體運動控制機制具有重要意義，未來或?qū)檫\動功能評估和運動功能障礙疾病的早期診斷提供新的理論依據(jù)。