Motor Intention Quantization for Patients With Disorders of Consciousness by Multimodal BCI Combining Electroencephalography and Functional Near-Infrared Spectroscopy.
意识障碍（DoC）临床诊断依赖行为评估工具，误诊率高达40%，单模态脑电图（EEG）或功能性近红外光谱（fNIRS）诊断准确性有限。
本研究采用EEG与fNIRS多模态融合技术，结合运动想象脑机接口范式，提升DoC患者意识状态分类能力。研究纳入8名健康对照与11名DoC患者，同步采集两种信号并提取特征：EEG提取功率谱密度与事件相关去同步（ERD）特征，fNIRS提取血红蛋白氧合（HbO）相关特征，通过支持向量机分类并以5折交叉验证确保模型稳定性。结果显示：多模态模型平均AUC达0.69±0.10，优于单模态技术，且稳定性更高；左手运动想象任务中，EEG_ERD是区分最小意识状态（MCS）与植物状态（VS）的关键指标；fNIRS的HbO重心和斜率特征可有效区分健康对照与VS患者；关键特征重要性排序为fNIRS_ACC、EEG_ACC、fNIRS_slope、fNIRS_centroid及EEG_ERD。
本研究首次将多模态融合技术用于DoC诊断并识别关键生物标志物，但受限于样本量小、患者病因单一，未来需扩大样本范围以增强结果普适性。