脑机接口技术 脑机接口技术论文

　　脑机接口技术不依赖于常规大脑信息输出通路，该技术建立了一种直接的信息交流和控制通道，为人脑和外界之间提供了一种全新的交互方式。下面小编给大家分享一些脑机接口技术论文，大家快来跟小编一起欣赏吧。

　　脑机接口技术论文篇一

　　脑机接口技术研究综述

　　摘要：脑机接口技术(brain computer interface，BCI) 不依赖于常规大脑信息输出通路，该技术建立了一种直接的信息交流和控制通道，为人脑和外界之间提供了一种全新的交互方式。简要介绍了BCI技术的定义和基本组成及发展现状，并对皮层慢电位、视觉诱发电位、眼动产生的α波、P300电位和基于运动想象的μ节律及β波5种脑机接口技术的研究方向作了简要阐述，最后指出目前BCI研究面临的挑战及未来的应用前景。

　　关键词：脑机接口技术; 脑电信号;信息处理

　　中图分类号：TN914文献标识码：A文章编号：10053824(2013)04000504

　　0引言

　　人类在不断地探索了解大脑活动的奥妙，尤其是脑电信号被发现以来，科学家试图通过脑电信号了解大脑的活动规律。随着计算机技术、自动控制技术、通信技术、电子技术、人体解剖学、心理学等学科的发展，出现了一个新的研究领域――脑机接口技术[1]。BCI 的研究涉及的领域广泛，主要涉及生物学、计算机、通信工程、心理学、临床医学、数学等学科。作为一项跨学科的技术，BCI系统的研究与开发需要各行各业专业人员的配合，同时随着BCI 技术研究的不断深入，也必将推动这些学科的融合与发展。

　　1脑机接口技术简介

　　1.1脑机接口技术的内涵

　　早在1999年，BCI国际会议对BCI含义进行了界定，即“脑机接口技术是一种不依赖于正常的由外周神经和肌肉组成的输出通路的通讯系统”[2]，它绕开了外周神经和肌肉组织，直接为大脑提供一种新的信息交流和控制通路，为那些不能通过说话或肢体动作来表达想法或操作设备的人提供一种与外界环境进行交流和沟通的途径。

　　1.2脑机接口技术的组成

　　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[3]。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。脑机接口的结构框图如图1所示。

　　脑机接口技术信号处理结构框图1)信号采集部分。此部分负责通过相关设备采集大脑活动产生的电信号。目前，对脑电信号的采集主要有2种方法：侵入式和非侵入式。侵入式方法是将电极插入脑皮层下，该方法采集的大脑神经元上的脑电信号具有较高的精度，而且噪声较小。缺点是无法保证脑内的电极长时期地保持结构和功能的稳定，而且将电极植入脑皮层内存在安全问题。非侵入式方法测量的是头皮表面的脑电信号，通过将电极贴附在头皮上，就可直接获得人大脑活动产生的脑电信号，易采集、无创性等特点使之成为 BCI 技术研究的主要方向。

　　2)信号处理部分。脑电信号的处理主要包括预处理、特征提取和特征分类3部分。预处理主要用于去除脑电信号中具有工频的杂波、眼电、心电以及肌电等信号的伪迹。特征提取的主要作用是从脑电信号中提取出能够反映受试者不同思维状态的脑电特征，将其转换为特征向量作为分类器的输入。特征提取是脑电信号处理中十分重要的一步，提取出的特征的好坏将直接影响脑电信号的识别率。特征分类主要是寻找一个以特征向量为输入的判别函数，并且该分类器能识别出不同的脑电信号。

　　3)控制设备部分。控制设备主要是把经过处理的脑电信号转换为外部设备的控制指令输出，从而控制外部设备实现与外界进行交互的目的。

　　4)反馈环节。反馈主要是把外部设备的运行情况等信息反馈给使用者，以便使用者能实时地调整自己的脑电信号。

　　2脑机接口技术的国内外研究现状

　　自20世纪70年代起，学者们就已经开始了对BCI技术的研究。近年来，随着计算机科学、认知脑科学、神经科学等技术的飞速发展，加之残疾患者需求意识的不断提高，越来越多的科学家和研究者对BCI技术产生了浓厚的兴趣。随着BCI技术研究的不断发展，研究机构也在不断增多，国际一些著名的BCI研究小组组织了BCI竞赛，进一步促进了BCI的研究以及各国在BCI研究方面的经验交流。目前，脑机接口的研究主要有以下几个方向。

　　2.1慢皮层电位

　　慢皮层电位(slow cortical potential，SCP)是大脑皮层脑电信号中最慢的频率部分，它的时间序列中持续时间为 300 ms到几秒之间的正负电位偏移。思维活动显著时，大脑皮层的兴奋性增强，SCP 发生负向变换;思维活动减弱时，大脑皮层的兴奋度降低，SCP 发生正向变换。研究表明，几乎所有人均能自主地调节慢皮层电位，因此慢皮层电位可以作为脑机接口的控制信号。

　　2.2视觉诱发电位

　　视觉诱发电位(visual evoked potential，VEP)是指神经系统接受视觉刺激(如图形翻转、颜色交替或闪光等刺激)所产生的特定电活动。根据视觉刺激模式的频率不同，视觉诱发电位可以分为稳态视觉诱发电位(steadystate visual evoked potential， SSVEP)和瞬态视觉诱发电位(transient visual evoked potential， TVEP)。稳态视觉诱发电位是指在较高频率刺激下，上一次刺激引起的反应还未消失，下一次刺激就已经出现所引起的现象。瞬态视觉诱发电位是指在较低频率刺激下，上一次刺激引起的反应消失后，下一次刺激才出现时产生的诱发电位。

　　目前使用较多的是SSVEP，典型的研究机构有美国 Wright Patterson 空军基地和清华大学。Wright Patterson空军基地的McMillan和Calhoun对SSVEP进行了研究，并利用SSVEP实现了对飞行模拟器的控制。国内清华大学在VEP这方面取得了一定的成绩，开发了基于SSVEP的BCI系统，该系统能够通过脑电信号控制空调和电视，甚至启动语音播放器和拨打电话等;他们又利用VEP成功开发出一套“脑控电话拨号系统”。Sutter等人在1992年建立了脑反应界面(brain response interface)系统[6]。国内重庆大学何庆华等人[7]设计了基于同频次复合刺激方式的脑机接口系统。 　　2.3眼动产生的α波

　　人在闭眼放松时，脑电信号的α波的幅值会升高，而睁眼时脑电信号的α波的幅值会降低甚至消失，这种现象称为α波阻断。α波阻断现象在大脑枕区视觉皮层表现最明显。据此可以通过对睁眼和闭眼的控制，调节α波振幅的大小，进而输出特定控制信号。

　　Dewan最早实现了利用眼球运动对α波幅度的调节，并把其应用于Morse电报码的发送。国内，王黎等[8]利用α波对人疲劳状态进行了评估，其准确率接近100%;李凌等[9]对闭眼和睁眼静息状态下脑电α波的差异进行了研究，经研究得到闭眼情况下α波功率明显高于睁眼情况下α波功率。

　　2.4P300电位

　　P300是主要位于中央皮层区域的一种与大脑认知加工过程有关的内源性诱发电位，其波形是一个具有正电位的波峰，其潜伏期大约为300 ms。研究表明，P300电位与相关事件出现的概率联系紧密。通常，出现概率越小的相关事件，其产生的P300电位越显著。但是如果相关事件出现的概率越小，其诱发一次P300电位的时间将会越长，进而严重影响BCI系统的实时性。

　　最早记录到P300电位的是Sutton通过oddball实验实现的。较典型的脑机接口有美国Illinois大学的Farwell和Donchin等[10]人设计的基于P300电位的虚拟打字机。2010年，Rebsamen等[11]利用P300电位实现了智能轮椅在已知环境下的自主导航。该方案首先是在一个已知的环境里做好路径规划后，把这些位置以图标形式显示在电脑界面上，使用者就可根据诱发出P300电位的相关事件，选择自己想去的位置，在选择完成后，智能轮椅将根据预先规划好的路径自动到达该位置。此外，基于 P300 还开发了如屏幕上的鼠标移动、思维游戏和大脑画家(brain painter)等[12]装置。

　　2.5基于运动想象的μ节律和β波

　　当人想象肢体运动时，这些区域产生的脑电信号将出现显著的变化，尤其是μ节律和β波变化最为显著：当想象右手运动时，左脑运动区域皮层的脑电信号变化明显;当想象左手动作时，右脑运动区域皮层的脑电信号变化明显;当想象脚运动时，大脑中央运动区域的脑电信号变化明显。因此，基于运动想象的μ节律和β波可以作为脑机接口的控制信号。

　　Tanaka等人[13]通过对想象左右臂运动实现了智能轮椅左转和右转。CanoIzquierdo等[14]研究三类运动想象脑电信号其识别率在80%左右。Barachant等[15]研究对4类运动想象脑电信号，得到的识别率仅有70%左右。沈继忠等人[16]对想象左右手运动产生的脑电信号进行识别，平均识别率达到86%左右。徐宝国等[17]研究左右手运动想象脑电信号实现对机器人的控制，在线平均识别率达到89.5%。目前对基于运动想象的μ节律和β波的研究中，存在对两类运动想象脑电信号的识别率较高，而对三类或者更多类运动想象脑电信号的识别率很低的问题。

　　3脑机接口技术发展面临的挑战

　　尽管大量实验和研究已经表明通过脑电信号建立BCI系统的可行性，但BCI技术还有许多亟待解决的问题。

　　1)信号处理和信息转换速度慢。目前，BCI系统的最大信息转换速度可达68 bit/min，此速度与正常交流时所需的速度相差甚远[18]。

　　2)信号识别精度低。目前，基于自发脑电的BCI系统，对运动想象脑电信号进行的研究，2类思维任务的识别率约为90%[19]，3类任务得到其识别率在80%左右[14]。对4类运动得到的识别率仅有70%左右[15]。控制指令多时，识别率低的问题使得BCI系统在实际应用中受到了严重的限制。

　　3)信号采集和处理方法需改进。脑电信号采集过程中，夹杂着不少干扰成分，如肌信号干扰等[18]，因此设计抗干扰能力强的脑电信号采集设备等问题有待解决;如何改善信号处理方法使之系统化、通用化，从而快速、精确、有效地设计出实用BCI系统的问题也有待研究。

　　4)自适应性较差。自适应性包括随时间和空间变化的自适应性和随自身变化的自适应性[19]。目前，BCI的自适应性还比较差。

　　5)缺乏能对BCI系统的性能进行科学评价的评价标准。

　　总之，作为一种新兴的、复杂的、涉及多学科的通信技术，BCI的发展还很不完善，存在的问题还很多，有待于科研工作者们下大气力研究解决。

　　4脑机接口技术的应用前景

　　脑机接口技术以其巨大的实用价值在全球内得到广泛的重视，随着 BCI的发展，它将在越来越多的领域得到应用。

　　首先，BCI技术在医疗检测和康复医学中有着巨大的应用前景，如麻醉医师通过观测脑电信息掌握病人麻醉深度的信息，进行手术麻醉深度监护，以此来减少药物对病人大脑的损伤;用在癫痫和多动症的治疗过程，可有效避免药物损害。BCI 技术还为肢体障碍患者提供生活便利，利用 BCI系统可实现轮椅控制、计算机操作、开关控制等操作;帮助残疾人或失去运动能力的老年人进行主动康复训练等。

　　其次，在交通及军事领域中，可以利用脑机接口来实现无人驾驶等技术。通过远程发送脑电控制信号来驾驶汽车、飞机、火车等交通工具，不但可以准确无误地驾驶与飞行，还可以避免交通事故的发生并降低伤亡率。

　　再次，在休闲娱乐领域，通过脑机接口技术，可以通过思维控制来遥控电子游戏，实现前所未有的休闲娱乐方式。

　　此外，BCI 技术研究更重要的研究意义和价值在于它可以为大脑提供一种新的信息输出渠道，实现大脑和外界环境的交流，有助于人们深入了解和研究复杂的大脑神经活动，并极大地丰富人类在脑认知科学研究领域的研究内容。

　　5结束语

　　BCI技术为人类提供了一种全新的与外界进行交流的方式，但是目前大多数BCI研究仍然处于实验室探索阶段，真正投入实际使用的很少，同时BCI技术的研究和开发还有很多问题需要解决。但是随着计算机科学、神经生物学、智能控制等各个相关学科的不断发展与融合，BCI技术必将逐步应用于现实，造福人类。 　　参考文献：

　　[1]WOLPAW J R，MCFARLAND D J，NEAT G W，et al. An EEGbased braincomputer interface for cursor control[J].Electroencephalography and Clinical Neurophysiology，1991，78 (3)：252259.

　　[2]WOLPAW J R，BIRBAUMER N，HEETDERKS W J，et a1.Braincompurer interface technology： a review of the fimt intemational meeting[J].IEEE Transaction on Rehabilitation Engineering，2000，8 (2)：164173.

　　[3]罗明伟.基于小波和共同空间模式的脑机接口研究及在智能轮椅中的应用[D].重庆：重庆邮电大学，2013.

　　[4]KUBLER A，KOTCHOUBEY B，HINTERBERGER T，et al.The thought translation device：aneurophysiological approach to communication in totalmotorparalysis[J].Experimental Brain Earch，1999，124(2)：223232.

　　[5]BIRBAUMER N，COHENLG.Braincomputer terfaces：communication and restoration and estoration of movement in paralysis[J].Journal of Physiol(Lond)，2007，579(3)：621636.

　　[6]SUTTER E. The brain response interface：communication through visuallyinduced electrical brain response[J]. Journal of Microcomputer Applications，1992，15(1)：3145.

　　[7]何庆华.基于视觉诱发电位的脑机接口实验研究[D].重庆：重庆大学，2003.

　　[8]王黎，于涛，闻邦椿. 基于脑电α波的非线性参数人体疲劳状态判定[J].东北大学学报：自然科学版，2005，26(12)： 11741177.

　　[9]李凌，张金香. 闭眼与开眼静息状态下脑电α波的差异研究[J].电子科技大学学报， 2010，39(3)： 450453.

　　[10]FARWELL L A，DONCHIN E. Talking off the top of your head： toward a mental prothesis utilizing eventrelated brain potentials [J]. Electroenceph Clin Neurophysiol，1988，70(6)： 510523.

　　[11]REBSAMEN B，GUAN G T，ZHANG H H，et al. A brain controlled wheelchair to navigate in familiar environments [J]. IEEE Transactions on Neural System and Rehabilitation Engineering，2010，18(6)： 590598.

　　[12]PASQUALOTTO E，FEDERICI S，BELARDINELLI M O.Toward functioning and usable braincomputer interfaces(BCIs)： a literature review[J].Informa Healthcare，2012，7(2)：89103.

　　[13]TANAKA K，MATSUNAGA K，WANG H. Electroencephalogrambased control of an electric wheelchair [J]. IEEE Transactions Robotics，2005，21(4)： 762766.

　　[14]CANO IZQUIERDO J M， IBARROLA J，ALMONACID M. Improving motor imagery classification with a new BCI design using neurofuzzy SdFasArt [J]. IEEE Transactions on Neural System and Rehabilitation Engineering，2012，20(1)： 27.

　　[15]BARACHANT A，BONNET S，CONGEDO M，et al. Multiclass braincomputer interface classification by riemannian geometry [J]. IEEE Transaction on Biomedical Engineering，2012，59(4)： 920928.

　　[16]王攀，沈继忠，施锦河.想象左右手运动的脑电特征提取[J]. 传感技术学报， 2010，23(9)： 12201225.

　　[17]徐宝国，宋爱国，费树岷.在线脑机接口中脑电信号的特征提取与分类方法[J].电子学报， 2011，39(5)： 10251030.

　　[18]罗尚清，杨浩.脑机接口系统工作原理综述[J].医疗卫生装备，2008，29(8)：3335.

　　[19]杨帮华.自发脑电脑机接口技术及脑电信号识别方法研究[D].上海：上海交通大学，2006.

　　作者简介：

　　李勃(1986)，男，内蒙古突泉县人，硕士研究生，主要研究方向为脑机接口技术研究。Braincomputer interface technology research review

点击下页还有更多>>>脑机接口技术论文