[论文解读] Real-Time Decoding of Movement Onset and Offset for Brain-Controlled Rehabilitation Exoskeleton

Kanishka Mitra, Satyam Kumar+4 more|arXiv (Cornell University)|Mar 17, 2026

EEG and Brain-Computer Interfaces被引用 0

一句话总结

本研究展示了通过非侵入性脑电图（EEG）实现在线双状态运动想象控制，以启动和终止上肢外骨骼，并引入基于凝视的重新定位方法，显著提升解码可分离性和性能。

ABSTRACT

Robot-assisted therapy can deliver high-dose, task-specific training after neurologic injury, but most systems act primarily at the limb level-engaging the impaired neural circuits only indirectly-which remains a key barrier to truly contingent, neuroplasticity-targeted rehabilitation. We address this gap by implementing online, dual-state motor imagery control of an upper-limb exoskeleton, enabling goal-directed reaches to be both initiated and terminated directly from non-invasive EEG. Eight participants used EEG to initiate assistance and then volitionally halt the robot mid-trajectory. Across two online sessions, group-mean hit rates were 61.5% for onset and 64.5% for offset, demonstrating reliable start-stop command delivery despite instrumental noise and passive arm motion. Methodologically, we reveal a systematic, class-driven bias induced by common task-based recentering using an asymmetric margin diagnostic, and we introduce a class-agnostic fixation-based recentering method that tracks drift without sampling command classes while preserving class geometry. This substantially improves threshold-free separability (AUC gains: onset +56%, p = 0.0117; offset +34%, p = 0.0251) and reduces bias within and across days. Together, these results help bridge offline decoding and practical, intention-driven start-stop control of a rehabilitation exoskeleton, enabling precisely timed, contingent assistance aligned with neuroplasticity goals while supporting future clinical translation.

研究动机与目标

• 通过运动想象EEG实现对上肢外骨骼的意图触发式启动/停止控制。
• 演示在线双状态MI解码以实现机器人辅助的实时启动与停止。
• 识别基于任务的重新定位带来的偏差，并开发与类别无关的基于凝视的重新定位，以提高跨日稳定性。
• 将离线解码性能与实际、实时MI-BCI控制在康复中的应用衔接起来。
• 在健康参与者身上评估系统性能，为潜在的临床转化提供信息。

提出的方法

• 使用在线双状态运动想象控制，通过Start MI和Stop MI信号门控外骨骼帮助。
• 采用几何感知的李群管线，结合在8–30 Hz EEG协方差特征上的最小距离均值分类器。
• 使用仿射不变里曼度量（AIRM）在SPD流形上计算SPD协方差及距离。
• 应用会话级重新定位以缓解EEG漂移并分析任务驱动重新定位引入的偏差。
• 提出一种类别无关的基于凝视的重新定位方法，利用尝试前凝视协方差进行裁剪、收缩、特征值条件化以及跨跑平滑。
• 将解码与Harmony外骨骼整合，提供一个门控变量g_bci，在移动过程中开启或停止辅助扭矩。

实验结果

研究问题

• RQ1 在线EEG基于MI解码能否在实时中可靠地启动并终止机器人辅助运动？
• RQ2 基于凝视的、类别无关的重新定位方法是否比基于任务的重新定位在在线可分离性和解码偏差方面有改善？
• RQ3 跨会话的启动与停止解码的在线性能指标（命中/未命中/超时及延迟）为何？
• RQ4 启动与停止决策的时序动力学如何与任务轨迹比较和对齐？

主要发现

• 在线启动解码在各会话中命中率从58%提升到65%，对启动的超时与未命中情况有描述。
• 在线停止解码在运动跟随尝试中的命中率约66%（第2次会话）和63%（第3次会话），并给出超时和错误模式。
• 基于凝视的重新定位显著提升AUC：启动AUC由0.554（任务）升至0.866（凝视），提升56%；停止AUC由0.619升至0.832，提升34%。
• 跨日中，基于凝视的重新定位保持高AUC，而基于任务的重新定位性能下降，显示漂移耐受性更好。
• 任务基重新定位会带来类别边界偏置、降低可分离性；基于凝视的重新定位减少单边偏置、提升决策边界锐度。
• 决策潜伏期在启动约集中在~1 s（线索触发），在停止约为~3.3–3.4 s（运动锁定），与目标到达的动态一致。