【正文】 某種行為的時候，人腦中的神經(jīng)元會產(chǎn)生相應(yīng)的電生理信號，正是這些腦電生理信號通過神經(jīng)系統(tǒng)控制肌肉來完成人的意圖。研究結(jié)果還進(jìn)一步表明，用來產(chǎn)生單個事件（某個具體的動作）的腦信號，很可能是相同腦區(qū)域不同地方的神經(jīng)元共同作用的結(jié)果，并且存在相當(dāng)程度的冗余，這樣即便腦中的部分區(qū)域受損，但腦的功能并不會缺失。由于腦中的很多信息是廣泛的分布在很多神經(jīng)元群體之間，存在大量的信息冗余，因此我們只需通過分析相對較少的神經(jīng)元群體，便能獲取足夠的信息。研究結(jié)果顯示，大腦是 動態(tài)改變的，通過學(xué)習(xí)，它一直在不斷的改變，然而它的輸出信號卻是相對穩(wěn)定的。通過學(xué)習(xí)，大腦不斷的改進(jìn)自己的內(nèi)部模型，從而保證輸出的穩(wěn)定性。由于大腦通過學(xué)習(xí)不斷的改變，因此它有很強(qiáng)的自適應(yīng)能力和可塑性。而且，大腦可以通過產(chǎn)生不同的生理電信號，來引發(fā)相同的動作事件。 早在 20世紀(jì) 70年代，就有很多科學(xué)工作者開始致力于人和計算機(jī)的交互作用 (人機(jī)交互 )的研究， 這種系統(tǒng)能將人腦行為產(chǎn)生的電生理信號通過計算機(jī)處理和分類后轉(zhuǎn)換成控制信號直接對外設(shè)進(jìn)行控制，從而繞開那種通過神經(jīng)系統(tǒng)控制肌肉進(jìn)而完成人意圖的傳統(tǒng)方式。這種新的系 統(tǒng)就被稱作腦 — 計算機(jī)接口（ BrainComputer Interface, BCI）。 更進(jìn)一步， 假設(shè)我們有一種方法可以測試出并且分辨開若干種不同的思維狀態(tài)，我們就可以把這些思維狀態(tài)作為字母，在此之上建立一個更為復(fù)雜的語言，這種語言便可用來人與計算機(jī)甚至人與人之間的交流。 通過 先進(jìn)的量測技術(shù)，人類已經(jīng)可以有效且無須侵入體內(nèi)便能輕易 獲 取到如血壓、心電、肌電或腦電活動等醫(yī)學(xué)訊號，針對這些訊號進(jìn)一步加以分析處理，使我們得以 觀察到心理變化時人體的生理反應(yīng) 。隨著人類在腦神經(jīng)科學(xué)方面知識的突破，以及腦波訊號擷取技術(shù)的漸 趨成熟，腦機(jī) 接口 系統(tǒng)的設(shè)計與開發(fā)近幾年來 越 來 越 受到重視 。 簡單來說， BCI是一種利用腦 電 波 信號 (Electroencephalogram，簡稱 EEG)來讓使用者與外界溝通的技術(shù)。事實上，決定 BCI系統(tǒng)是否能順利運作的關(guān)鍵主要取決于以下兩點： 第一， 使用者 大腦思考 所生成的 基于腦電信號的腦機(jī)接口 第 2 頁 共 29 頁 EEG信號 變化是否能夠穩(wěn)定且顯 著 到足以被系統(tǒng)測得； 第二， EEG信 號 獲取以及 分類機(jī)制是否具有 較高的 效率 和精度 ，足以將所測得之 EEG信 號精 確 地轉(zhuǎn)譯成所 需要的東西 。 當(dāng)然，本文所主要關(guān)注的是第二個方面的內(nèi)容。 BCI 系統(tǒng)的發(fā)展現(xiàn)狀 近幾十年以來，隨著 對人腦功能認(rèn)識的不斷提高，新的信號處理，模式分類、識別技術(shù)的發(fā)明和應(yīng)用，以及高性能計算機(jī)的出現(xiàn)，腦 — 計算機(jī)接口的研究取得了長足的進(jìn)步。通過腦 計算機(jī)接口，病人可以進(jìn)行 3D的鼠標(biāo)控制，可以進(jìn)行單詞拼寫。最近，美國的一家醫(yī)療科研機(jī)構(gòu)已獲批準(zhǔn)在病人腦皮層上植入微 型 芯片，從而病人通過腦電的改變就可以控制生活中的一些常用的設(shè)備了。德國的一個科研機(jī)構(gòu)最近也被報道，發(fā)明了一種被稱為“腦快車”的裝置，用戶在戴上一個頭部裝置后，經(jīng)過簡單的訓(xùn)練就可以通過思維來玩電腦游戲了?？梢姡X — 計算機(jī)接口的強(qiáng)大功能與廣闊的實用前景已經(jīng)初露 端倪。但是，就技術(shù)角度而言，腦 — 計算機(jī)接口技術(shù)現(xiàn)在還處于幼年時期，它還有很多的地方等待研究和探索。 腦 — 計算機(jī)接口研究是一個多個領(lǐng)域的集成，其中的研究涉及神經(jīng)系統(tǒng)科學(xué)、生理學(xué)、心理學(xué)、生物工程學(xué)、數(shù)學(xué)、計算機(jī)科學(xué)以及臨床復(fù)原等。為了增強(qiáng)各個研究機(jī)構(gòu)的交流與合作，推動腦 — 計算機(jī)接口的研究和發(fā)展， 1999年 7月 National Institutes of Health (NIH)主辦，紐約州 Wadsworth 中心的健康部門的腦 — 計算機(jī)接口的研究團(tuán)體在 Rensselaerville組織了腦 — 計算機(jī)接口技術(shù)的第一 屆國際會議 [1]。會議的標(biāo)題為“ BrainComputer Interface Technology: Theory and Practice” 。本次會議主要目的是： ? 回顧并評論腦 — 計算機(jī)接口研究的現(xiàn)狀； ? 定義基礎(chǔ)的且可應(yīng)用的腦 — 計算機(jī)接口的研究目標(biāo)； ? 確定并提出腦 — 計算機(jī)接口研究中的關(guān)鍵技術(shù)問題； ? 考慮腦 — 計算機(jī)接口的標(biāo)準(zhǔn)研究過程和評估方法的發(fā)展。 本次會議的成功舉辦，成功的推動了腦 — 計算機(jī)接口研究的交流和發(fā)展。 2020年 7月，再次由 National Institutes of Health (NIH)主辦，紐約州 Wadsworth 中心的健康部門組織了腦 — 計算機(jī)接口技術(shù)的第二屆國際會議 [2]。此次會議的標(biāo)題為“ BrainComputer Interfaces for Communication and Control, Second International Meeting:Moving Beyond Demonstrations”。與第一屆相比，這次的內(nèi)容豐富了許多，先是各個研究團(tuán)體對自己研究進(jìn)展進(jìn)行簡要的敘述，然后又針對四個主題召開了六個座談討論會，隨后又對四個都很關(guān)注的問題分別進(jìn)行了辯論以及展 示目前已有的腦 — 計算機(jī)接口技術(shù)的研究成果等。通過比較可以看出，短短三年，腦 — 計算機(jī)接口技術(shù)已經(jīng)取得了長足的發(fā)展，而且投身該領(lǐng)域的研究人員也越來越多，新的方法與技術(shù)不多的涌現(xiàn)出來，但隨之也出現(xiàn)了很多新的問題。而這一切都是一個新技術(shù)發(fā)展過程中所必須經(jīng)歷的。 基于腦電信號的腦機(jī)接口 第 3 頁 共 29 頁 2. BCI 系統(tǒng)的研究方法 BCI 系統(tǒng)的基本結(jié)構(gòu) 一個 BCI 系統(tǒng)主要包括腦電信號的獲取、降噪處理、特征提取、分類以及輸出控制等幾個部分。其一般結(jié)構(gòu)如下圖： 圖 1 BCI 系統(tǒng)一般結(jié)構(gòu) 以下各 部分分別詳細(xì)介紹各部分內(nèi)容。 基于腦電信號的腦機(jī)接口 第 4 頁 共 29 頁 EEG 信號的獲取 EEG 信號獲取的主要的功能是采集和存儲腦電信號，并 將其轉(zhuǎn)換成數(shù)字信號作為后續(xù)處理的輸入。目前采集 EEG 信號主要有兩種方法，一是介入式采集，二是非介入的方式測量和記錄各種腦行為產(chǎn)生的信號。 介入式 EEG 信號采集須將電極植入腦皮層下，采集出來的信號精度較高， 噪音較小，并且能夠精確測量某一部分大腦神經(jīng)元活動狀態(tài)。但其缺點也是顯而易見的。它不能保證腦內(nèi)的電極長時期保持結(jié)構(gòu)和功能的穩(wěn)定，而且最初植入電極的定位問題也是一個十分重要的問題。試驗安全也是一個嚴(yán)重的問題。 非介入式的 EEG 信號，主要測量的是頭皮表面的腦電信號，它通過將電極貼附在頭皮上直接獲得。這種方法相對于介入式 EEG 信號采集方法而言更簡單更安全，實驗時間也大大縮短。因而現(xiàn)在很多腦 — 計算機(jī)接口的研究都是基于頭皮表面的腦電信號進(jìn)行的。但由于電極是附于頭皮表層外的， 測到的 EEG 信號精度較低，噪音較大，并且每個電極所記錄的信號往往是附近很多個 EEG 發(fā)生源所發(fā)出的信號的線性組合。出于各方面的考慮，本試驗準(zhǔn)備采取非介入式 EEG 信號采集方式。 對于非介入式 EEG 信號采集方法，主要有以下兩種導(dǎo)聯(lián)方式 [3]： （ 1） 國際 1020 系統(tǒng) 如圖 2，國際腦電圖學(xué)會在 1958 年制定了各國統(tǒng)一的 1020 國際腦電位記錄系統(tǒng)，沿用至今。現(xiàn)代 128 導(dǎo)或 256 導(dǎo)電極帽也是根據(jù) 1020 系統(tǒng)擴(kuò)展而成。 1020 系統(tǒng)的原則是頭皮電極點之間的相對距離以 10%和 20%來表示，并采用下面兩條標(biāo)志線： 矢狀線：從鼻根到枕外隆凸的連線，又稱中線。從前往后標(biāo)出五個記錄點： Fpz、 Fz、Cz、 Pz、 Oz。 Fpz 之前和 Oz 之后各占中線全長 10%，其余點間距皆占 20%。 冠狀線：兩外耳道之間的連線。從左到右也記錄五個點： T C Cz、 C T4。 TT4外側(cè)各占 10%，其余各 點間占 20%。 Cz 是矢狀線和冠狀線的交點，因而常作為基準(zhǔn)點。 經(jīng)過上述兩線的邊緣 4 點，以 Cz 為圓心， 4 個點各在圓周上等距離的取 2 個點，并在Fz、 C Pz、 C4 間各取一個點。這樣 1020 系統(tǒng)共 21 個有效電極組成。 基于腦電信號的腦機(jī)接口 第 5 頁 共 29 頁 圖 2 1020 系統(tǒng)模型 （ 2） 單極導(dǎo)聯(lián)與雙極導(dǎo)聯(lián) 將頭皮上一個電極的電位設(shè)置為零，這個電極稱為參考電極。另外一個或多個電極與參考電極的電位差即 是 該電極的電位值。這些電極叫做記錄電 極。采用一個公共參考電極與多個記錄電極的方法叫做單極導(dǎo)聯(lián)法，腦電記錄常采用此法。記錄兩個電極之間的相對電位差，稱作雙極導(dǎo)聯(lián)法，例如眼電信號通常采用雙極導(dǎo)聯(lián)法。 EEG 信號降噪處理 當(dāng)我們獲取到原始的 EEG 信號之后，收集到的信號中還包含了很多干擾信號（ artifact），如眼電（ EOG）和肌電信號（ EMG）等，因而必需對 EEG 信號進(jìn)行降噪處理。 基于腦電信號的腦機(jī)接口 第 6 頁 共 29 頁 對 EEG 信號的降噪處理最簡單的方法是 直接從收集到的信號中去除含有眼電或肌電的部分，但 往往這些信號中還包 含 部分腦電信號， 因此 這樣 做勢必會 造成原始 EEG 信號的缺失。如果 干擾信號 的 出現(xiàn)頻率不高， 我們所要求的精度也不高，腦電信號的損失并不會對結(jié)果造成很大影響。 但如果干擾信號出現(xiàn)的頻率較高，這種直接去除的方法，對整個腦 — 計算機(jī)接口系統(tǒng)的性能 和精確度 將產(chǎn)生嚴(yán)重影響。 為了提高降噪處理的精度，很多新的降噪處理方法被提出。 Benjamin J. Culpepper 和 Robert M. Kelle 在訓(xùn)練分類不同的心理作業(yè)時，使用 ICA 的方法將干擾信號從腦電信號中分離，通過訓(xùn)練好的多層神經(jīng)網(wǎng)絡(luò)模型對 12 個通道的腦電信號進(jìn)行分類。實驗結(jié)果表明，用ICA 分離干擾信號的時間遠(yuǎn)少于對信號特征 進(jìn)行分類的時間 ，而對分類而言，用 的時間對兩個不同的心理作業(yè)分類可以達(dá)到 85%的精度，用 的時間，可以將分類精度提升到 95%[4] 。 Lucas C. Parra 等人在他們的試驗中發(fā)現(xiàn)，對于從腦電信號中分類干擾信號， ICA 方法在系統(tǒng)實時處理過程中，櫓棒性不是很好，而 PCA 方法在實時系統(tǒng)中進(jìn)行從腦電信號中分離干擾信號表現(xiàn)出了良好的性能。由于用戶在操作的時候會做出錯誤的反應(yīng)，他們結(jié)合 PCA方法通過使用一個自適應(yīng)的線性與處理和分類算法檢測 singletrial 中的錯誤相關(guān)否定（ error related negativity, ERN），然后通過 ERN 的檢測對用戶的錯誤進(jìn)行校正，試驗結(jié)果表明，通過 ERN 對用戶的錯誤進(jìn)行校正，提高了用戶的操作正確率，用戶的錯誤率平均減少了 21% [5]。 通過 ICA、 PCA 或兩種方法結(jié)合，將干腦信號分離出去，最大程度的保留原來的腦電信號 ，這樣既可以提高信息的傳送速率，又可以盡量保證 EEG 信號完整，提高后續(xù)工作的精確度。 目前 研究腦電信號的獨立源在頭皮電極上的分布情況，已發(fā)現(xiàn)當(dāng)相同的人多次進(jìn)行同一心理作業(yè)時，腦電信號中始終存在比較穩(wěn)定的獨立源成分。在郭曉靜等人的試驗中 ，選取同一個實驗者進(jìn)行兩個不同的心理作業(yè)（構(gòu)思寫信，數(shù)學(xué)乘法運算）測試。采用擴(kuò)展 Infomax算法對一混有心電 ( ECG) 偽跡、眼電 ( EOG) 偽跡的腦電信號進(jìn)行分離。雖每次經(jīng)過 ICA 分析后所得到的獨立分量的次序是不定的 , 但相同的心理作業(yè)所得獨立分量在頭皮電極上的能量分布情況是非常相似的。實驗結(jié)果表明 ,ICA 方法能有效的將這些偽跡濾除掉，成功的提取出獨立分量 [6]。 EEG 信號的特征提取 EEG 信號在去除噪音后，還要進(jìn)行特征提取。 以便下面的分類處理 。 常用的特征提取的方法包括：自回歸（ Autoregressive），傅立葉變換（ Fourier transform），表面拉普拉斯變換（ surfaceLaplacian），小波變換 (Wavelet transform)等。 在 Dave P. Burke 等人的實驗中， 通過線性判別分析的參數(shù)模型對用戶自主步調(diào)的左右手打字進(jìn)行區(qū)分。傳統(tǒng)的方法通過 AR 模型對腦電信號進(jìn)行特征提取，分類的精度僅為 %177。 %。但他們 設(shè)計了一種基于 AR 模型的 ARX 模型用來對原始信號進(jìn)行 特征提取 ，這種模型把全體平均的 Bereitschaftspotential（一種在動作開始 之前產(chǎn)生的事件相關(guān)電位）作為AR 模型的一個外因輸入，從而對 AR 模型進(jìn)行改進(jìn)，將系統(tǒng)的分類性能提升到了 %177。%。這個結(jié)果說明 ARX 模型在基于誘發(fā)電位或事件相關(guān)電位的 BCI 系統(tǒng)的特征提取中，將發(fā)揮巨大作用 [7]。 Febo Cincotti 等人在實驗中 根據(jù)腦電信號的功率普的差別對用戶不同的動作意象進(jìn)行