An Investigation of Cross-Subject Variability in EEG-EMG Fusion Models

人体是一个复杂的机器，大脑发送指令，肌肉执行这些指令。为了帮助失去运动能力的人，科学家们长期以来一直试图制造能够直接读取这些指令的机器。他们观察两种主要的信号：大脑的电活动（显示运动计划）以及肌肉的电活动（显示正在发生的实际运动）。多年来，研究人员一直认为结合这两种信号将创造一个完美的系统，比单独使用其中任何一种都要好得多。其设想是，大脑的早期预警和肌肉的最终动作将协同工作，使机器能够准确理解一个人的意图。然而，这里存在一个重大问题。每个人的大脑和身体都略有不同。头骨的形状、皮肤的厚度以及神经放电的方式在个体之间各不相同。这意味着在一个人的数据上训练出的系统，在要求为另一个人工作时往往会失效，这一障碍使得许多极具前景的技术一直停留在实验室阶段。

慕尼黑工业大学的阿尔伯特·舒勒（Albert Schulle）最近的一项调查针对了这一确切问题。研究人员并没有为新实验招募新患者，而是使用了来自数十名健康人的现有公开脑电和肌电记录。通过对这些数据进行数千次计算机模拟，该研究测试了这些结合了大脑与肌肉信号的系统，在被要求识别从未谋面的人的意图时，实际表现究竟如何。其目标是观察结合信号的“魔力”能否在人类差异这一混乱的现实中得以存续。

结果揭示了理论与实践之间的显著差距。当计算机模型在训练过的同一个人身上进行测试时，结合大脑和肌肉信号的表现非常出色，达到了很高的准确度。在这些熟悉的情况下，两种信号完美地互补。然而，一旦模型被要求在一个人全新的使用者身上工作，性能就会大幅下降。研究发现，结合系统的准确度与在原始用户身上的表现相比，下降了约 20 到 25%。这种下降在两种信号之间并不均匀。肌肉信号保持得相对较强，即使面对新用户也能维持合理的水平。相比之下，大脑信号在应用于陌生人时几乎变得毫无用处，其表现经常下降到计算机只能进行随机猜测的水平。

这一发现表明，结合大脑和肌肉信号的好处在很大程度上取决于是否了解使用该系统的特定个体。大脑的电模式对每个人来说都是如此独特，以至于针对一个人训练的模型无法轻易识别出另一个人的相同意图。相比之下，肌肉信号在不同人之间更具一致性，因为肌肉运动的基本机制对所有人来说都是相似的。当计算机模型在没有针对新人的预先训练下被迫为新人工作时，它们会本能地学会忽略不可靠的大脑信号，转而几乎完全依赖于更稳定的肌肉信号。这种融合并未创造出一个鲁棒的“超级信号”；相反，它变成了一个由于大脑数据过于嘈杂而无法信任，从而默认转向肌肉数据的系统。

该研究还探讨了先进的计算机技术是否能解决这个问题。研究人员测试了旨在将信号从一个人转换到另一个人的方法，希望通过对齐差异，使单一模型能够适用于所有人。这些技术（包括对信号模式进行数学调整的方法）确实有所帮助。它们成功恢复了部分损失的性能，使大脑信号的准确度提高了约 8 到 12%，使结合系统的准确度提高了约 5 到 8%。然而，这些方法并未完全解决问题。即使进行了这些调整，系统在没有该特定个体样本数据的情况下，仍然难以在新人身上完美运行。研究结论指出，虽然我们可以让系统变得更好，但我们还无法让它实现真正的通用化。人类大脑之间的差异过于深奥，简单的数学修复无法将其完全抹除。

对于医疗技术的未来，这些发现提供了一条清晰的前行路径。目前，想要拥有一种可以交给任何患者并立即投入使用的单一设备的梦想可能仍难以实现。相反，最可靠的方法似乎是专注于肌肉信号的系统，或者是包含针对每个新用户的简短个性化训练阶段的系统。研究表明，最好的设计将是那些能够适应变化的系统，即根据系统对用户的了解程度，对大脑和肌肉信号进行不同的权重分配。在我们能够完全弥合个体间差异之前，最有效的工具将是那些承认并顺应人类差异性，而非试图忽视差异性的工具。