Fugl-Meyer运动评估提供了中风后运动功能。它用于获得基线评估，以及监测和量化运动功能的变化。在适当的训练和遵循标准化方法的情况下，FMU的最小可检测变化可以减少到大约3分，这刚好低于上肢评估最大量表的5%。寻找能够准确估计FMU的生物标志物可能有助于减少对承担评估任务的人员的技能水平和经验的依赖。然而，生物标志物的选择不应仅仅基于医生对行为的估计程度，还应基于医生解决与中风患者能力降低相关的实际问题的能力以及评估的成本和持续时间。值得注意的是，解决上述问题也可能有助于提高评估的频率。尽管中风会导致局部结构损伤，但这种功能障碍通常会扩展到大脑功能上与受损区域相连的偏远部分。因此，在选择生物标记物时，应考虑对网络相互作用进行广泛分析的能力。脑功能连接性测量显示了作为此类生物标记物的潜力，特别是由于其分析网络相互作用的能力。通过脑电图（EEG）来测量静息状态功能连通性（rsFC）。缺乏与静息状态相关的体力活动并不意味着大脑沉默。脑电的高时间分辨率使得它特别适合于利用大脑网络之间的相位同步进行功能连通性评估。

针对运动功能，rsFC分析的重点是全局连通性度量和行为评估（如FMU）之间的相关性。与FMU相关性的估计历来是以初级运动皮层作为初始位置。然后评估种子网络和大脑周围所有其他位置之间的个别连通性度量，以生成交互网络的整体地图。本文提出了一种方法，使用一致性作为大脑区域之间功能连接指数的度量，并使用这些指数的统计分析来确定在不同频率下与FMU相关的贡献大脑区域。探索了五种不同的处理算法来计算相干性，并评估了平均相干性和最大相干性作为区域间功能连接性指数的度量。

使用32电极凝胶脑电图帽，所有参与者使用一个单一尺寸的脑电图帽。帽放置的基础是将CZ电极置于左、右耳前、鼻、鼻位置之间的中点。在每个电极下涂上导电凝胶，将接触阻抗降低到25k欧姆以下。10名中风患者自愿参加这项研究。脑电图记录被收集作为其他研究的一部分。根据参与日期，前8名参与者被任意分配到一个训练集，后两名参与者被分配到一个测试集。中风参与者都处于慢性期，运动障碍是由中风引起的。作为纳入标准的一部分，参与者必须懂英语并能与实验者交流。脑卒中患者在进行Fugl-Meyer上肢运动评估后立即收集脑电图数据。脑电图记录是在参与者舒适地直立坐着，双脚平放在地板上，平静，安静，但清醒时进行的。参与者被要求闭上眼睛，同时收集2分钟的静息状态脑电图数据。在脑电研究中，考虑了五个典型频段，分别定义为Delta（1-4hz）、Theta（4-8hz）、Alpha（8-15hz）、Beta（15-30hz）和Gamma（30-45hz）。

在20%和200%的附加噪声水平下，通过R2测量的模拟数据的回归性能下降

计算了所有电极配对和频率点的唯一组合的五个相干性度量。使用五种不同的一致性算法来产生不同大脑区域之间的非定向功能连通性度量。在这里，假设每个电极代表应用表面拉普拉斯滤波器后特定大脑区域的电生理活动。所有算法的实现都基于分析神经时间序列数据的在线MATLAB脚本摘录。计算了所有可能的电极配对的非定向相干测度，得到496（32*31/2）个连通通道。将每个参与者的过滤脑电数据划分为1秒的非重叠时段。考虑了两个独立的处理步骤，以进一步将116个平均一致性度量减少到每个通道和每个频率的单个连通性指数，从而完成2分钟静息状态试验。

应用偏最小二乘法分析脑电功能连通性与FMU的关系。PLS是一种多元统计方法，非常适合于分析大型数据集，如电生理活动，特别是当特征数量（即不同频率下的连通性度量）远大于观察数量（参与者）时。PLSC可用于研究特定频率和电极对间功能连接性的表现，以确定FMU和功能连接性指数之间的相关通道和频率。PLSC和PLSR是PLS分析的两类。两者都利用奇异值分解将大脑活动（如一致性度量）和行为（如FMU）的协方差分解为一组潜在变量（LV）。PLSR是一种非对称方法，可用于从自变量（如连接性度量）预测因变量（如FMU）。PLSR非常适用于具有多重共线性的含噪自变量。它采用非线性迭代偏最小二乘（NIPALS）技术从因变量和自变量中同时提取协方差最大的潜在向量。构建了一个人工相干测度的特征矩阵：8行（相当于8个参与者）和60列（60个脑电特征）。为了在特征空间中引入共线性，在前10列中填充了参与者实际FMU的不同线性组合。对每个评估进行500次迭代，以生成R2和拟合斜率的方框图。通过PLSC分析确定了导致脑卒中患者FMU和功能连接指数之间相关性的连接通道和频率。 评估多重共线性和噪声对PLSR性能的影响，而不受非贡献信道的任何限制。为此，构建了一个人工相干测度的特征矩阵：8行（相当于8个参与者）和60列（60个脑电特征）。 

预测的FMU与实际FMU之间的线性拟合

应用PLSC分析来评估不同频率下连接指数与FMU之间的相关性。两个连贯性指标（一个是平均值，一个是最大值）用五种算法进行了测试。对于五种相干处理算法中的任何一种，使用平均相干度量作为每个频率处每个通道的连通性指数都不会产生统计上显著的结果（p>0.05）。同时，使用最大相干值导致FMU和Alpha频段的连接性指数之间具有统计学意义（p<0.04）的相关性。使用最大相干值导致FMU和Alpha频段的连接性指数之间具有统计学意义（p<0.04）的相关性。PLI处理算法产生了最佳的预测性能，拟合斜率和R2的组合最接近。在Fugl-Meyer上肢量表中，均方根误差为1.9，并使用训练集中每个中风参与者的实际和预测FMU之间的差异进行计算。R2为0.97，在α=0.05，4个预测因子和0.8的期望功率水平下的统计功率分析表明最小样本量小于8。

使用PLI处理算法和四个确定的连通通道（F7-F3、FP2-F7、F8-C4和FC2-CZ）在中等α频率（11 Hz）下对训练集进行PLSR分析，生成一组回归系数，然后用于预测测试集中中风参与者的FMU。将回归系数应用于来自相同四个连通通道和相同中α波段频率的SP9和SP10的连通指数，得到预测的FMU分别为47和38，而实际的FMU分别为46和39。上肢Fugl-Meyer量表±1分的预测误差小于训练集交叉验证的均方根误差1.9。使用相同的四个通道（F7-F3、FP2-F7、F8-C4和FC2-CZ）对所有10名参与者进行交叉验证，得出R2为0.91，拟合斜率为0.991。使用这四个通道的回归系数来估计FMU，在Fugl-Meyer标度上的均方根误差为2.1。对10名参与者重复PLSC分析，导致包括F7-F3、FP2-F7、F8-C4在内的贡献通道数量减少。仅使用这三个通道通过交叉验证对所有10名参与者的回归性能进行评估，得出相似的R2为0.91，拟合斜率为0.991。使用这三个通道的回归系数来估计FMU，在Fugl-Meyer标度上的均方根误差为2.0。进一步将通道限制在F7-F3和FP2-F7可以更好地预测运动评分的较低极端值（实际FMU为18的预测值为17.7）。

就临床相关性和适用性而言，从FMU预测中识别和消除非贡献通道对EEG系统的成本和建立时间有良好的影响。当使用7电极脑电图系统收集2分钟的静息状态数据时，上肢运动功能评估可以在不到15分钟内完成。此外，静息状态分析是一种优先策略，因为它对中风患者身体能力的依赖性最小，特别是在患有严重运动障碍的情况下。生物标记物的使用可以减少评估的主观性，消除与语言障碍相关的潜在并发症。EEG系统可以在最少的训练和资本成本下运行，在临床环境或护理点进行有限的评估后可能恢复。本文的分析还揭示了FMU较低极值处较大的RMS误差，特别是在迭代交换测试集中的参与者时。应用仅使用前两个贡献通道（即F7-F3和FP2-F7）的不同回归模型时，实际和预测FMU之间的下限误差减小（实际=18，预测=17.7）。

研究结果表明，对FMU神经相关因素的评估显示了在中风后评价运动功能的前景。

N. Riahi, V. A. Vakorin and C. Menon, "Estimating Fugl-Meyer Upper Extremity Motor Score From Functional-Connectivity Measures," in IEEE Transactions on Neural Systems and Rehabilitation Engineering