国内外脑机交互技术研究现状及趋势

现代制造技术与装备

822020第11期　总第288期国内外脑机交互技术研究现状及趋势

战中才

（山东省泰山科学院，泰安 271000）

摘 要：脑机交互的关键技术是脑电波（EEG）信号的解码，而人的大脑信号具有随时间改变的非稳态本质，探索EEG相对稳定的优秀特征表达非常关键。基于此，通过小波包分解、自适应带通滤波共空间模式、时-频-空多模态分析等人工智能等算法，提高特征表达鲁棒性。

关键词：脑机交互；EEG；人工智能；鲁棒性

Research Status and Trend of Brain Computer Interaction Technology at Home and Abroad

ZHAN Zhongcai

(Shandong Taishan Academy of Sciences, Taian 271000)

Abstract: The key technology of brain-computer interaction is EEG signals decoding, and human brain signals have an unsteady nature that changes with time, so it is very important to explore the relatively stable excellent feature representation of EEG. By means of wavelet packet decomposition, adaptive bandpass filter common spatial pattern, time-frequency-space multi-mode analysis and other artificial intelligence algorithms, the robustness of feature representation is improved.

Keywords: brain-computer interaction; EEG; artificial intelligence; robustness

脑卒中患者发病后的幸存患者中，有70%以上会患有肢体、言语、认知等功能障碍。现有康复治疗技术对脑卒中患者肢体进行预定模式的训练，对于肌萎缩、血液循环不畅等症状具有一定的效果，但由于主动参与的患者和反馈的信息缺乏，更缺乏直接参与大脑神经系统支配肢体运动，无法直接给予中枢神经系统的刺激，可以说是治标不治本标而不治本。基于脑机交互技术的康复产品，一方面可帮助患者本体的干细胞向卒中病灶区域迁移，修复受损神经；另一方面借助脑机接口，人工搭建一条体外的神经通路，实现患者主动参与的康复训练，促进受损神经功能重塑，作用于脑卒中后遗症，对于降低脑卒中致残率、降低康复技师劳动轻度必将发挥重要作用，有利于“健康中国2030”和“人人享有健康”的宏伟目标早日实现。

1 脑机交互信号采集方式研究现状

1.1 侵入式脑机交互研究

基于皮质脑电的脑机交互，即在头部皮层中植入计算机设备（芯片），实现脑机交互。同时，记录信号较EEG 记录振幅更大，频谱更宽，空间分辨率更高，具有非常精确的功能定位，与特定的运动、言语、认知高度相关并与单神经元放电频率及血氧水平相关信号有关，而且因为不用穿透皮层，可以把良好的信号保真和长时间稳定性结合起来。

侵入式脑机脑机接口技术的研究在动物实验中取得了诸多进展，但在人体中实现应用难度更大，而传统技术强国美国在人用研究方面已实现了突破，处于行业前列，已为几十位瘫痪病人提供了帮助，荷兰、美国等科学家在侵入式脑机脑机接口技术发展领域所取得的成果备受世界瞩目。2012年，美国西北大学实现了功能性电刺激控制瘫痪肌肉；同一年，美国匹兹堡大学实现人脑ECoG信号控制机械手，该大学研发的一款机械手，使得一位高截瘫患者在与美国总统奥巴马握手时，能够通过其大脑收到机械手回传来的信号，使患者感到两手相握的触感；2015年，加州理工大学的研究团、荷兰乌特勒支大学的科研团队通过读取病人脑区的神经活动信号协同脑机交互技术，使瘫痪的高位截瘫病人通过意念控制独立的机械手臂完成诸如喝水等较为精细的任务，并实现了其通过意念在计算机上打字，准确率达到95%，使植入式脑机接口技术应用水平又向前迈了一大步。

1.2 非侵入式脑机交互的研究

非侵入式信号是利用无损的方式在头皮表面控制信号，目前研究最多的是基于表面脑电图的信号来源的脑机接口（Brain-Computer Interface，BCI）。EEG是认知神经科学中最常用的电生理技术，表面EEG信号是在头皮表面记录到的脑电活动，它是大量神经元放电过程中突触后电位的总和，依据提取信号产生的方式不同分为诱发EEG和自发EEG两种。

非侵入式因其操作相对简便而受到更多研发团队的青睐，主要有脑电图（EEG）、脑磁图（MEG）、近红外光谱（NIRS）、功能性磁共振成像（FMRI）等研究方式，一些商用脑机交互产品已经被开发和出现在市场上。，目前主要有以下几种产品：一是意念机器人，通过意念想象肢体运动来控制机器人完成相应的动作，如走路、伸展四肢等；二是虚拟机器人，通过P300信号控制虚拟现实场景中的一些物体，例如开关灯或者操纵虚拟轿车等；三是意念“猫耳朵”脑机交互设备，这款猫耳朵可以检测人脑电波，

设 计 与 研 究83

进而转动猫耳来表达不同情绪；四是脑电波编译设备，能够帮助残障人士用来控制轮椅或计算机。

2 脑机交互智能解码技术现状及趋势

脑机交互的标准主要考虑神经信号的采集涉及采集脑神经信号的设备标准以及所采集信号数据的表征标准；信号的解码涉及预处理、训练、测试等步骤，对应着解码算法的输入标准和解码算法标准；智能机器的控制涉及控制输入数据标准以及控制的设备和控制接口标准等。脑机交互的核心是脑电波的解码，EEG信号里面包含着人的想法和意图信息，如何准确捕捉极微弱的EEG信号，进行提取、分析和解读人的意图是一个国际难题。人脑头皮上采集的电信号在微伏级水平，不到一节1.5V电池电压的十万分之一。而且即使很小的活动，肌肉产生的电信号都比EEG大得多。所以，EEG信号中往往带有大量的干扰和噪声，信噪比很低，处理起来非常困难。EEG信号处理就是基于大脑的某些生理现象产生的信号变化，挖掘脑信号中反映脑活动的信息，对于残疾人，就可以解读出他们大脑里难以用语言和动作表达的想法。算法设计是EEG解析的关键，算法设计得好，提取用户的信息才可靠，才能更好地挖掘出用户的真实意识。如果算法设计得不好，后面的控制过程也就无从谈起。解析EEG算法一般包括预处理、特征提取、分类识别3个环节。

2.1 EEG预处理现状

EEG通常包含眼电（Electrooculogram，EOG）、肌电、心电、工频干扰、出汗等伪迹，以EOG伪迹最严重，在提取特征之前，首先要通过预处理来去除伪迹。现有方法要取得良好效果，或需要额外记录EOG信号，或需要足够多的EEG电极，不适合本项目的面向医疗康复实用化系统要求。

2.2 EEG特征提取现状

EEG信号中包含着人的想法和意图信息，然而人的大脑受环境、心情等因素影响以及大脑自身的可塑性，很难长时间地绝对保持一种状态。据研究表明，EEG活动估计只有在4～60s的短暂时间内，其性能可认为是静态。个体在运动想象时，脑状态、新的脑皮层活动、记录位置、疲劳程度、注意力水平和想象策略等的变化将引起EEG随时间改变，即同一个个体同一种想象任务的EEG信号很难是一个固定模式，使得在训练阶段产生的模型应用于之后的在线阶段，识别效果远远不如训练阶段。如何在面向实用的较少记录电极下捕捉微弱EEG信号相关特征从而解读人的意图，同时建立鲁棒的特征模型，准确预测未知意图是一个难题。目前，主流的特征提取方法或需要多个EEG 电极，或需要人工经验，实用性不好。深度学习作为最新机器学习方法在很多领域取得了很好效果，非常适合解释大脑产生的EEG信号，为神经信号特征提取提供新思路。

2.3 EEG分类识别现状

分类方法总体分为有监督、半监督。有监督最常用的分类器有线性分类器LDA、支持向量机SVM、人工神经网络以及多分类器的组合，这些分类器也在EEG识别中得到了广泛的应用。然而，这些分类器伴随EEG特征的变化不能实时更新，因而不能较好地适应未来的样本变化。半监督可以从未标记样本中选择有用信息样本来改善有监督学习，用于EEG分类已经成为一个研究热点。有监督学习通过有标记样本建立较好分类器，半监督学习具有很大优点，但如果对未知样本估计不可靠，也会使脑电识别性能恶化。3 结语

开展小波包分解与现有共空间模式结合、自适应带通滤波共空间模式、时-频-空多模态分析、卷积神经网络深度学习、乘法递归神经网络深度学习、半监督学习分类等新型人工智能脑信息解码算法研究，通过脑电大数据分析，探索大脑活动信息包含的科学规律是未来发展的趋势。

参考文献

[1]王崴，赵敏睿，高虹霓，等.基于脑电和眼动信号的人机交互

意图识别研究[J/OL].航空学报：1-13[2020-07-23].http://kns.

/kcms/detail/11.1929.V.20200723.1134.002.html.

[2]向宪文，朱家莹，孙远标，等.脑机接口康复训练系统治疗缺

血性脑卒中恢复期上肢功能障碍的临床研究[J].中国医学创新，2020（20）：154-158.

[3]Sudlow CL，CP Warlow. Comparable Studies of the Incidence of

Stroke and Its Pathological Types Results from an International Collaboration[J].Stroke，1997（3）：491-499.

[4]L i u M，Wu B，Wa n g W Z，e t a l.S t r o k e i n C h i n a：

Epidemiology，Prevention，and Management Strategies[J].

Lancet Neurol，2007（5）：456-464.

[5]Lindvall O，Z. Kokaia. Stem Cells for the Treatment of

Neurological Disorders[J].Nature，2006（7097）：1094-1096.

[6]Jin KL，Zhu YH，Sun YJ et al. Vascular Endothelial Growth

Factor（VEGF）Stimulates Neurogenesis in Vitro and in Vivo[J].

Proc Natl Acad Sci USA，2002（18）：11946-11950.

[7]Campbell BC. Thrombolysis and Thrombectomy for Acute

Ischemic Stroke：Strengths and Synergies[J].Semin Thromb Hemost，2017（2）：185-190.