脑机接口技术的实现

　　脑机接口技术是通过信号采集设备从大脑皮层采集脑电信号经过放大、滤波、A/D转换等处理转换为可以被计算机识别的信号，然后对信号进行预处理，提取特征信号，再利用这些特征进行模式识别，最后转化为控制外部设备的具体指令，实现对外部设备的控制。

　　一个典型的脑机接口系统主要包含4个组成部分：信号采集部分、信号处理部分、控制设备部分和反馈环节。其中，信号处理部分包括预处理、特征提取、特征分类3个环节。

　　

　　1、信息采集

　　从目前的研究水平来看，我们在评估某种信息采集手段优劣时需要考虑三个方面的标准：

　　规模——可以记录多少神经元。

　　分辨率——这个工具接收到的信息的细致程度。这里所说的分辨度可以分成两种：空间上的分辨率（能否细致记录单个神经元的触发情况）和时间上的分辨率（能否确定你所记录的活动的确切发生时间）。

　　侵入性——是否需要手术？如果需要，手术的影响范围有多大？

　　而脑机接口的分类，则通常是根据“侵入性”被分为：非侵入式（脑外）、侵入式和半侵入式。

　　

　　（如上图，不同的接口类型所获得的信号强度有很大差异）

　　非侵入式：是指无需通过侵入大脑，只需通过附着在头皮上的穿戴设备来对大脑信息进行记录何解读。这种技术虽然避免了昂贵和危险的手术，但是由于颅骨对于大脑信号的衰减作用，以及对于神经元发出的电磁波的分散和模糊效应，使得记录到的信号强度和分辨率并不高，很难确定发出信号的脑区或者相关的单个神经元的放电。

　　侵入式：是指通过手术等方式直接将电极植入到大脑皮层，这样可以获得高质量的神经信号，但是却存在着较高的安全风险和成本。另外，由于异物侵入，可能会引发免疫反应和愈伤组织（疤痕组织），导致电极信号质量衰退甚至是消失。另外伤口也易出现难以愈合及炎症反应。

　　半侵入式：即将脑机接口植入到颅腔内，但是在大脑皮层之外。主要基于皮层脑电图（ECoG）进行信息分析。虽然其获得的信号强度及分辨率弱于侵入式，但是却优于非侵入式，同时可以进一步降低免疫反应和愈伤组织的几率。

　　典型的非侵入式系统有脑电图（EGG），脑电图是有潜力的非侵入式脑机接口的主要信息分析技术之一，这主要是因为该技术良好的时间分辨率、易用性、便携性和相对低廉的价格。

　　但是，脑电图技术的一个问题是它对噪声的敏感；另一个使用EEG作为脑机接口的现实障碍是用户在工作之前要进行大量的训练。

　　2、信息分析

　　收集好了足够多的信息后，就要进行信号的解码和再编码以处理干扰。脑电信号采集过程中的干扰有很多，如工频干扰、眼动伪迹、环境中的其他电磁干扰等。

　　分析模型是信息解码环节的关键，根据采集方式的不同，一般会有脑电图（EGG），皮层脑电图（ECoG）等模型可以协助分析。

　　信号处理、分析及特征提取的方法包括去噪滤波、P300信号分析、小波分析+奇异值分解等。

　　3、再编码

　　将分析后的信息进行编码，如何编码取决于希望做成的事情。比如控制机械臂拿起咖啡杯给自己喝咖啡，就需要编码成机械臂的运动信号，在复杂三维环境中准确控制物体的移动轨迹及力量控制都非常的复杂。

　　但编码形式也可以多种多样，这也是脑机接口可以几乎和任何工科学科去结合的原因。最复杂的情况包括输出到其他生物体上，比如小白鼠身上，控制它的行为方式。

　　4、反馈

　　获得环境反馈信息后再作用于大脑也非常复杂。人类通过感知能力感受环境并且传递给大脑进行反馈，感知包括视觉、触觉、听觉、嗅觉和味觉等等。

　　脑机接口要实现这一步其实是非常复杂的，包括多模态感知的混合解析也是难点，因为反馈给大脑的过程可能不兼容。

　　五、基于EEG的脑机接口研究方法

　　人和动物的大脑，特别是皮层细胞，存在着频繁的自发电活动，无需任何外界刺激。从脑电极记录到的电位是对脑部大量神经元活动的反应，低至微伏级，这种电活动的电位随时间的波动称为脑电波（EEG）。

　　EEG反应了大脑组织的电活动及大脑的功能状态，脑的复杂活动反应在头皮上的电位活动就是EEG轨迹。所以理论上，人的意图通过脑电应该可以被探测识别出来。

　　BCI的先驱曾经指出“在理论上，脑的感觉、运动及认知意识在自发EEG中应该是可辨识的”，因此EEG成为BCI研究中的常见工具。BCI技术就是要通过识别这种意图，将之表达为对外部设备的直接控制。

　　由于脑电信号的本质还未知，难以确定一种特定的信号识别方法。假设脑电信号是线性的，那么大多数BCI使用的线性识别方法足以应用。反之，则线性识别算法对于希望被识别的信号可能是最糟糕的描述。但无论何种情况，BCI技术的首要任务就是从EEG中识别出人的主观操作意识，并将之表达为对外部设备的直接控制。同样的道理，基于皮层脑电图（ECoG）的信息分析也与之类似。

　　1、脑机接口研究中所使用的脑神经信号

　　（1）P300（诱发电位）

　　P300是一种事件相关电位（ERP），在时间相关刺激300～400ms后出现的正电位，主要位于中央皮层区域，其峰值大约出现在时间发生后300ms，相关事件发生的概率越小，所引起的P300越显著。基于P300的BCI的优点是P300属于内部相应，使用者无需通过训练就可产生P300。

　　（2）视觉诱发电位（诱发电位）

　　视觉诱发电位是指从视觉通路的不同水平区域记录的不同生物电反应，其诱发刺激可以是荧光、闪光刺激。视觉诱发电位又可以分成短时视觉诱发电位和稳态视觉诱发电位两种。

　　（3）时间相关同步或时间相关去同步电位（自发脑电）

　　单边的肢体运动或想象运动，大脑同侧产生事件相关同步电位（ERS），大脑对侧产生时间相关去同步电位（ERD）。ERS、ERD是与运动相关的，主要位于感觉运动皮层。

　　（4）皮层慢电位（自发脑电）

　　皮层慢电位也称慢波电位（SlowCorticalPoten2tials，SCPs），是皮层电位的变化，是脑电信号中从300ms持续到几秒钟的大的负电位或正电位，能反应皮层Ⅰ和Ⅱ层的兴奋性，个人可以通过生物反馈训练产生这种电位。

　　（5）自发脑电信号（自发脑电）

　　在不同的知觉意识下，人们脑电中的不同节律呈现出各异的活动状态。这些节律是受不同动作或思想的影响。按照所在频段的不同分类，一般采用希腊字母（α、β、γ、δ）来表示不同的自发EEG信号节律。比如α节律在8～13Hz频段，而β节律则在13～22Hz频段。

　　采用以上几种脑电信号作为BCI输入信号，具有各自的特点和局限。P300和视觉诱发电位都属于诱发电位，不需要进行训练，其信号检测和处理方法较简单且正确率高。不足之处是需要额外的刺激装置提供刺激，并且依赖于人的某种知觉（如视觉）。其它几类信号的优点是可以不依赖外部刺激就可以产生，但需要大量的特殊训练。

　　2、特征提取和转换方法

　　特征提取涉及如何从EEG中提取少量的有用的信息，分别利用这些信息进行不同脑状态的区分。常用的特征提取的算法如：：FFT（FastFourierTransformAlgorithm）、相关性分析、AR（AutoRegression）、参数估计、CSP（CommonSpatialPatterns）、Butter2worth低通滤波、遗传算法等。算法的选择与所利用的信号特征及电极位置有关。

　　信号处理的目标是最终从信号中识别出使用者的意图并执行，系统的首要任务就是最大化。信噪比，尤其是当噪声和信号极为相似的时候就显得更为重要。提高信噪比的技术有很多，具体有空间及时间滤波方法、信号平均以及单次识别方法。BCI转换算法把信号特征（如节律幅值或神经元放电率）转换为具体的控制命令。