sci 期刊论文代发范文：脊髓健康工程创新技术的运用

1 脊髓损伤概述

1.1 脊髓损伤研究背景与意义

自 1990 年至 2019 年，全球范围 SCI 的患病率与发病率呈上升趋势［1］，在中国截至 2016 年，有 SCI 患者 374 万，每年新增约 9 万人［2］，SCI患者数量激增，已成为严重的社会和医疗问题。SCI 对患者家庭造成的经济负担十分沉重，治疗和康复过程漫长且昂贵，其对患者产生的心理健康负担同样不容忽视，相较于健康人群，SCI 患者群体长期焦虑和抑郁水平明显更高［3］，这极不利于患者的正常社会参与和日常生活。为改善 SCI 患者的疾病负担、经济负担、心理负担等多重困境，研发更高效、更经济的治疗和康复手段迫在眉睫。

1.2 脊髓损伤传统康复局限与治疗新方向我 国 《 脊 髓 损 伤 康 复 治 疗 临 床 实 践 指南2022》表明，常用的传统 SCI 康复管理侧重于缓解并发症（如压疮、尿路感染、痉挛）并改善剩余功能，例如指南中强推荐的干预方式包括在能生活自理的前提下进行肌力训练，对心肺、呼吸功能等进行训练和改善等［4］。然而，这些方法通常不足以恢复实质性的功能损伤，治疗效果有限。不仅如此，传统的康复模式依赖于复杂的设备和医院环境，设备操作复杂、成本高昂且不便携带，阻碍了患者居家康复。研究表明，SCI 患者出院后第 1 年再次住院率高达 45%［5］，这不仅增加了医疗负担，同时也可能进一步加重患者的心理和经济负担。随着神经科学的高速发展，针对 SCI 的治疗理念正从单纯的功能代偿转向积极的神经再生和功能恢复。各种新型康复治疗手段可以有效恢复或替代瘫痪患肢的功能，对 SCI 患者的预后有极大的帮助，如脑-机接口（brain-computer interface，BCI）技 术 、 脑 控 康 复 机 器 人 、 功 能 性 电 刺 激（functional electrical stimulation，FES）、神经调控等技术［6］，有效地减轻医疗负担和缓解患者家庭压力。

1.3 脊髓损伤的神经病理与环路的可塑性和重建潜力SCI 是复杂的多阶段病理生理学变化进程，一系列分子和细胞级联反应被触发，包括炎症、氧化应激、自由基生成、血脊髓屏障破坏和髓鞘脱失。这些事件在急性期迅速发生，并在亚急性期和慢性期持续，导致神经元、神经胶质细胞和髓鞘的进一步丧失，最终形成胶质瘢痕和囊腔，严重抑制轴突再生［7］。脱髓鞘和轴突再生困难导致神经失能，由高级中枢发出的信号部分或完全无法通过脊髓传递到外周，由于对损伤神经的直接修复十分困难，故新兴的康复手段聚焦于替代损伤神经，如神经接口技术解码高级中枢指令并传输到外周或外接设备。SCI 患者的神经系统仍具有一定的神经可塑性和重建潜力，例如轴突侧枝出芽，重新连接失去支配的目标区域。此外还有内源性神经干细胞的激活机制，脊髓内的神经干细胞在损伤后被激活，为神经功能重建提供了潜在的细胞来源［7］，这一神经重塑机制为 SCI 恢复自主功能提供了理论基础。

2 神经接口技术研究人员通过信号采集设备从大脑中获取神经信号，并将其转换为计算机可以识别的信号，从而实现人脑与计算机之间的直接通信，这种神经工程学和神经康复领域技术被称为神经接口技术（neuro-interface technology，NIT），主要包括BCI 及 其 衍 生 技 术 − 脑-脊 接 口（brain-spineinterface，BSI）等［8］。BCI 旨在建立一个不依赖于传统外周神经和肌肉通路的全新信息交互路径，直接解码大脑神经活动并转化为对外部设备或生理系统的控制指令。在此基础上，BSI 通过构建“数字桥梁”，绕过受损脊髓区域，将大脑运动意图直接传递至损伤平面以下的脊髓或神经-肌肉回路，从而恢复对瘫痪肢体的自主控制。2.1 神经接口技术的原理2.1.1 脑-机接口的组成典型的 BCI 系统通常包括信号采集、信号预处理、特征提取、分类/解码以及设备控制与反馈五个核心环节［9-10］。各模块协同工作，形成从神经信号采集到外部执行器控制的闭环系统。

信 号 采 集 方 式 可 分 为 侵 入 式 和 非 侵 入 式 两类。侵入式 BCI（如皮层内电极）具有信号质量高、空间分辨率强的优势，但存在手术风险及长期稳定性问题；非侵入式 BCI（如脑电图）具有安全性高、成本低、可重复使用等优点，但受限于信噪比和空间分辨率［11-14］。在信号处理阶段，原始神经信号通常需经过滤波、去噪和伪影校正，并提取具有判别力的时域、频域或时频特征，随后借助机器学习或模式识别算法完成意图解码［12］。分类/解码主要利用机器学习或模式识别算法，将提取的特征量解码为具体的控制指令。最后，解码后的指令最终用于驱动外部设备（如机械臂、外骨骼或功能性电刺激系统），并通过视觉、听觉或触觉反馈形成闭环控制。

2.1.2 脑-机接口的神经活动模式BCI 系统依赖于特定的神经活动模式（即范式）来编码用户意图，本文主要介绍最常用的基于脑电图的脑机接口相关范式。主要包括运动想象范式（motor imagery paradigm，MIP）、外部刺激 范 式 、 错 误 相 关 电 位（error-related potentials，ErrP）、其他类型范式［15］。MIP 是指用户在没有实际肢体运动的情况下，在脑海中想象执行某个动作的过程，研究表明，运动想象会激活大脑中负责产生实际运动的区域。常见的 MIP 有感觉运动节律（sensorimotor rhythms，SMR）和想象身体运动（imagined body kinematics，IBK）［15］。在 SMR 范式中，想象运动的执行对象 为 对 较 大 的 身 体 部 位 ， 如 手 、 脚 和 舌 头 等 。SMR 模式已成为四肢瘫痪、SCI 和肌萎缩侧索硬化症患者最具前景的模式之一。SMR 模式识别基本动作方面已取得了初步成功，例如 Jin 等［16］基于 MIP 提出了一种高效的分类方法，即多尺度时空特征融合神经网络（multi-scale temporal-spatialfeature fusion neural network，MSTFNet），成功完成了手的伸展、抓取和控制计算机光标等任务。但 SMR 模式下，参与者的训练时间较长、难度较大，且解码的运动信息缺乏运动学参数的大小和方 向 ， 导 致 运 动 的 精 细 度 与 准 确 度 不 足 。在IBK 范式中，参与者需要想象一个身体部位在多维空间中的连续运动，这类范式可以有效减少受训时间。除此之外，Willett 等［17］提出了一种基于 MIP 范式的皮质内 BCI，并使用一种新的递归神经网络解码方法，使上肢瘫痪患者通过想象手写字母动作，每分钟输出 90 个字符，且原始准确率为 94.1%，远超此前的常规 BCI 打字效率。外部刺激范式是指人体在受到外部刺激后，采集和解码大脑对刺激产生的脑电活动，从而控制输出设备。常用的外部刺激范式有视觉 P300 范式和稳态视觉诱发电位范式（steady-state visual evokedpotential，SSVEP）。视觉 P300 范式由 Jin 等［18］在 2020 年提出，是常用的范式之一，采用贝叶斯线性判别分析进行分类，其准确性高、校准快，但后续研究表明该范式需要注意力高度集中，易造成视觉疲劳［19］，故其相较于 MIP 范式，不宜长时间使用。在 BCI 应用过程中，脑电图信号幅值低、噪声强、非平稳、非高斯的性质［20］，常导致解码系统曲解使用者的意图，导致最终执行动作与使用者的意图相悖，因此需要对这类错误信号进行纠正，当使用者意识到自己的执行动作出现错误时，大脑将产生 ErrP [21］，如果能准确识别 ErrP，在 ErrP 与其他 BCI 范式结合构成的混合 BCI 系统中，就能监测系统运行情况、预防错误发生或对发生的错误进行改正，从而提高动作执行的准确性。除上述常用范式以外，还有研究相对较少的范式，例如隐性或显性注意范式、离散运动意图范式、听觉范式、躯体感觉（触觉）范式、反射语义条件范式等。显性或隐性注意范式的 EEG 号是通过对屏幕上光标运动的显性（眼球运动）或隐性（眼球注视）注意产生，或可应用于四肢瘫痪患者的交流、娱乐等日常生活；离散运动意图范式常用于 BCI 结合康复机器人，听觉范式的脑电信号来源与外界声音有关，或可应用于听觉假体［15］。

2.1.3 脑-机接口的工作原理在实际应用中，BCI 系统首先确定所采用的神经活动范式，在此基础上采集和处理神经信号，提取关键特征并完成意图解码，随后驱动外部设备执行相应动作，并通过多模态反馈实现闭环调控 ［22］（图 1）。

2.1.4 脑-脊接口的组成及工作原理SCI 可能导致永久性运动缺陷甚至完全瘫痪，这种情况下常规的神经肌肉刺激效果甚微，相对地，BSI 能恢复患者自身功能，取得极好的疗效。BSI 的核心思想是构建“数字桥梁”，以绕过受损的脊髓，恢复脊髓的神经冲动传递的功能［23］。典型的 BSI 系统通常包含以下 2 个核心植入装置：

总结与展望

本综述系统梳理了脊髓损伤（SCI）康复领域的 非 侵 入 式 神 经 接 口（NIT）、 功 能 性 电 刺 激（FES）、康复机器人及神经调控技术。上述技术的共同价值在于推动康复范式由被动功能代偿向主动神经功能重建转变。各类技术均具优势与局限（表 1）：侵入式神经接口（如 BSI）可通过构建精准的“数字桥梁”恢复运动功能，但受限于手术风险和生物相容性问题；非侵入式 BCI 则面临信号质量不足及“BCI 文盲”现象。FES 基于赫布可塑性等机制重塑神经环路，但其与新兴技术的协同效应仍需进一步验证。康复机器人可提供高强度、任务特异性训练，但高成本及“懈怠假说”限制了其疗效发挥。神经调控为功能恢复和并发症管理提供了新路径，但侵入式方案的安全性与作用机制仍待深入研究。未来 SCI 康复将趋向多技术深度融合的闭环智能系统。其中，BCI–FES 结合被认为是重要发展方向，其核心机制在于将运动意图转化为 FES驱动信号，诱发肌肉收缩并产生感觉反馈，从而形成完整的感觉–运动闭环，促进神经功能重建［88］。Kumari 等［89］ 于 2025 年将 BCI–FES 系统应用于10 例亚急性 SCI 患者，感觉运动系统启动准确率达 85%，且神经恢复效果优于常规训练，但受样本量和随访时长限制，仍需进一步验证。BCI 驱 动 的 康 复 机 器 人 同 样 展 现 出 较 大 潜力。BCI 可作为意图与执行器之间的桥梁，实现对机器人手臂、轮椅或 FES 的控制［90-91］。非侵入式 BCI 的控制能力有限，复杂运动多依赖机器人算法，而可植入电极则支持多自由度、更精细的运动控制。近期研究表明，康复机器人与仿生脊髓电刺激（EES）联合应用可显著促进 SCI 康复［92］。单独使用机器人或 EES 对慢性 SCI 患者的神经恢复效果有限［93-94］。但二者结合可在康复早期实现稳定站立与行走，并随恢复进展逐步减少对机器人的依赖，最终实现更自主的运动功能［92］。这提示机器人可能在早期弥补 EES 不足，而二者协同对急、慢性 SCI 的神经修复具有重要价值。总体而言，SCI 康复的长期目标是实现康复设备的小型化、无线化和居家化，并结合人工智能实现智能控制与个体化干预，通过多技术的科学融合，最大限度促进神经功能恢复。

参 考 文 献GBD Spinal Cord Injuries Collaborators. Global，regional，andnational burden of spinal cord injury，1990-2019：a systematicanalysis for the Global Burden of Disease Study 2019［J］.Lancet Neurol，2023，22（11）：1026-1047. DOI: 10.1016/S1474-4422(23)00287-9.［1］GBD 2016 Traumatic Brain Injury and Spinal Cord InjuryCollaborators. Global，regional，and national burden of traumaticbrain injury and spinal cord injury，1990-2016：a systematicanalysis for the Global Burden of Disease Study 2016［J］.Lancet Neurol，2019，18（1）：56-87. DOI: 10.1016/S1474-4422(18)30415-0.［2］张晓静，刘嘉欣，陈岩燕，等. 脊髓损伤带来的心理社会影响及有效干预研究进展［J］. 中国康复医学杂志，2024，39（12）：1901-1906. DOI: 10.3969/j.issn.1001-1242.2024.12.026.ZHANG X J，LIU J X，CHEN Y Y，et al. Research progress onpsychosocial impact and effective intervention caused by spinalcord injury［J］. Chin J Rehabil Med，2024，39（12）：1901-1906. DOI: 10.3969/j.issn.1001-1242.2024.12.026.［3］中国残疾人康复协会脊髓损伤康复专业委员会. 脊髓损伤康复治疗临床实践指南［J］. 中国老年保健医学，2022，20（5）：8-15. DOI: 10.3969/j.issn.1672-2671.2022.05.003.China Association of Rehabilitation of Disabled Persons.Clinical practice guidelines for spinal cord injury rehabilitationtherapy［J］. Chin J Geriatr Care，2022，20（5）：8-15. DOI: 10.3969/j.issn.1672-2671.2022.05.003.［4］CHAY W，KIRSHBLUM S. Predicting outcomes after spinalcord injury［J］. Phys Med Rehabil Clin N Am，2020，31（3）：331-343. DOI: 10.1016/j.pmr.2020.03.003.［5］JENDELOVA P. Therapeutic strategies for spinal cordinjury［J］. Int J Mol Sci，2018，19（10）：3200. DOI: 10.3390/ijms19103200.［6］ANJUM A，YAZID M D，FAUZI DAUD M，et al. Spinal cordinjury：pathophysiology，multimolecular interactions，andunderlying recovery mechanisms［J］. Int J Mol Sci，2020，21（20）：7533. DOI: 10.3390/ijms21207533.［7］LORACH H，GALVEZ A，SPAGNOLO V，et al. Walkingnaturally after spinal cord injury using a brain-spineinterface［J］. Nature，2023，618（7963）：126-133. DOI: 10.1038/s41586-023-06094-5.［8］GU X，CAO Z，JOLFAEI A，et al. EEG-based brain-computerinterfaces （BCIs）：a survey of recent studies on signal sensingtechnologies and computational intelligence approaches and theirapplications［J］. IEEE/ACM Trans Comput Biol Bioinform，2021，18（5）：1645-1666. DOI: 10.1109/TCBB.2021.3052811.［9］MRIDHA M F，DAS S C，KABIR M M，et al. Brain-computerinterface：advancement and challenges［J］. Sensors，2021，21（17）：5746. DOI: 10.3390/s21175746.［10］MARTINI M L，OERMANN E K，OPIE N L，et al. Sensormodalities for brain-computer interface technology：acomprehensive literature review［J］. Neurosurgery，2020，86（2）：E108-E117. DOI: 10.1093/neuros/nyz286.［11］BABLANI A，EDLA D R，TRIPATHI D，et al. Survey on brain-computer interface：an emerging computational intelligenceparadigm［J］. ACM Comput Surv，2020，52（1）：1-32. DOI:10.1145/3297713.［12］PORTILLO-LARA R，TAHIRBEGI B，CHAPMAN C A R，etal. Mind the gap：State-of-the-art technologies and applicationsfor EEG-based brain-computer interfaces［J］. APL Bioeng，2021，5（3）：031507. DOI: 10.1063/5.0047237.［13］VÄRBU K，MUHAMMAD N，MUHAMMAD Y. Past，present，and future of EEG-based BCI applications［J］. Sensors，2022，22（9）：3331. DOI: 10.3390/s22093331.［14］ABIRI R，BORHANI S，SELLERS E W，et al. A comprehensivereview of EEG-based brain-computer interface paradigms［J］.J Neural Eng，2019，16（1）：011001. DOI: 10.1088/1741-2552/aaf12e.［15］JIN J，CHEN W，XU R，et al. Multiscale spatial-temporal featurefusion neural network for motor imagery brain-computerinterfaces［J］. IEEE J Biomed Health Inform，2025，29（1）：198-209. DOI: 10.1109/JBHI.2024.3472097.［16］WILLETT F R，AVANSINO D T，HOCHBERG L R，et al.High-performance brain-to-text communication viahandwriting［J］. Nature，2021，593（7858）：249-254. DOI: 10.1038/s41586-021-03506-2.［17］JIN J，CHEN Z，XU R，et al. Developing a novel tactile P300brain-computer interface with a cheeks-stim paradigm［J］.IEEE Trans Biomed Eng，2020，67（9）：2585-2593. DOI: 10.1109/TBME.2020.2965178.［18］JIN J，WANG Z，XU R，et al. Robust similarity measurementbased on a novel time filter for SSVEPs detection［J］. IEEETrans Neural Netw Learn Syst，2023，34（8）：4096-4105. DOI:10.1109/TNNLS.2021.3118468.［19］KHOSHNEVIS S A，SANKAR R. Applications of higher orderstatistics in electroencephalography signal processing：acomprehensive survey［J］. IEEE Rev Biomed Eng，2020，13：