楊紅宇 徐 鵬 陳 彥

1(電子科技大學(xué)自動(dòng)化工程學(xué)院，成都 611731)

2(電子科技大學(xué)生命科學(xué)與技術(shù)學(xué)院，成都 611731)

3(電子科技大學(xué)空天科學(xué)技術(shù)研究院，成都 611731)

引言

腦機(jī)接口(brain-computer interface，BCI)是在人腦與計(jì)算機(jī)或其他電子設(shè)備之間建立的直接交流和控制的通道，它不依賴于腦的正常輸出通路，是一種全新的對(duì)外信息交流和控制方式。異步腦機(jī)接口是腦機(jī)接口中重要的一類，使用者可以在任何時(shí)刻通過控制大腦的活動(dòng)發(fā)出指令，控制外部設(shè)備。當(dāng)使用者沒有控制意圖時(shí)，無論其處于任何一種非控制狀態(tài)(發(fā)呆、冥想或者和別人交談等)，系統(tǒng)都維持當(dāng)前的輸出不變。相對(duì)于同步腦機(jī)接口中使用者需受設(shè)備制約的情況，異步腦機(jī)接口完全由使用者控制，因此是腦機(jī)接口實(shí)用化產(chǎn)品的最佳形式，可廣泛地應(yīng)用于包括殘疾人的康復(fù)訓(xùn)練、輪椅控制、假肢控制、虛擬環(huán)境的控制及文字輸入等場(chǎng)合。

1 異步腦機(jī)接口概述

異步腦機(jī)接口是相對(duì)同步腦機(jī)接口而言的。在同步腦機(jī)接口中，被試者在測(cè)試系統(tǒng)發(fā)出提示信息(Cue)后固定長度的時(shí)間窗口內(nèi)，利用腦波發(fā)出指令控制外部設(shè)備，窗口以外的任何思維活動(dòng)都被認(rèn)為無意義，因此使用者并不是完全意義上的控制者。在異步腦機(jī)接口中，使用者發(fā)送控制指令的時(shí)間是自主支配(self-paced)的，無需系統(tǒng)的干預(yù)。系統(tǒng)在使用者有控制意圖(intentional control，IC)時(shí)處于工作狀態(tài)，在無控制意圖(no control，NC)時(shí)處于空閑(idle)狀態(tài)。為了實(shí)現(xiàn)上述功能，系統(tǒng)需要連續(xù)不斷地監(jiān)測(cè)使用者的意圖，并有效區(qū)分控制狀態(tài)和空閑狀態(tài)。異步腦機(jī)接口和同步腦機(jī)接口的區(qū)別如圖 1 所示[1]。

圖1 同步和異步腦機(jī)接口工作狀態(tài)Fig.1 The operating status scheme of synchronous and asynchronous BCI

異步腦機(jī)接口的特性，對(duì)腦電信號(hào)采集、處理的硬件結(jié)構(gòu)及軟件算法提出了較高的要求。在很長一段時(shí)間內(nèi)，相對(duì)于同步腦機(jī)接口技術(shù)被廣泛研究的狀況，異步腦機(jī)接口沒有引起人們足夠的關(guān)注，其研究方式多采用離線、仿真的方法。最早關(guān)于異步腦機(jī)接口實(shí)驗(yàn)的報(bào)道見文獻(xiàn)[2-5]。

2 異步腦機(jī)接口的生理基礎(chǔ)

實(shí)現(xiàn)異步腦機(jī)接口所基于的生理基礎(chǔ)包括事件相關(guān)電位(event-related potentials，ERP)、視覺誘發(fā)電位 (visual evoked potential，VEP)、心理任務(wù)(mental task)及肢體的實(shí)際運(yùn)動(dòng)等，現(xiàn)階段較多采用的是基于肢體運(yùn)動(dòng)、視覺誘發(fā)電位和心理任務(wù)的異步腦機(jī)接口。

2.1 事件相關(guān)電位

事件相關(guān)電位是大腦對(duì)某種事件進(jìn)行信息加工時(shí)誘發(fā)產(chǎn)生的一系列電活動(dòng)，在人們記憶、期望、注意或者改變精神狀態(tài)時(shí)產(chǎn)生。P300是事件相關(guān)電位中使用較多的一種，最早由 Sutton等人使用oddball實(shí)驗(yàn)方法記錄得到[6]。P300出現(xiàn)在新奇事件刺激后250～450 ms內(nèi)，是一種內(nèi)源性誘發(fā)電位，通常采用相干平均的方法提取，需要進(jìn)行多次平均才能得到其波形。使用P300實(shí)現(xiàn)的異步腦機(jī)接口見文獻(xiàn)[7]。

2.2 視覺誘發(fā)電位

視覺誘發(fā)電位是大腦對(duì)視覺刺激(如圖像或閃光刺激)所產(chǎn)生的特定電活動(dòng)，信號(hào)穩(wěn)定性較好，誘發(fā)電位與刺激有比較固定的時(shí)間間隔，比較容易檢測(cè)，可分為瞬態(tài)和穩(wěn)態(tài)兩類。在異步腦機(jī)接口中，穩(wěn)態(tài)視覺誘發(fā)(steady state visual evoked potential，SSVEP)分析使用較多，通常利用其攜帶的頻率信息來實(shí)現(xiàn)控制功能。

基于視覺誘發(fā)電位的腦機(jī)接口具有操作簡單、速度快、易于實(shí)時(shí)實(shí)現(xiàn)、可識(shí)別的目標(biāo)數(shù)多、訓(xùn)練少等優(yōu)點(diǎn)。由于需要借助眼動(dòng)來選擇目標(biāo)，因此不適用于完全癱瘓的患者;并且長時(shí)間注視閃爍的屏幕，容易使被試者產(chǎn)生疲勞。

2.3 心理任務(wù)

在基于心理任務(wù)(mental task)的腦機(jī)接口中，被試者在需要發(fā)出控制指令時(shí)執(zhí)行某種特定的心理任務(wù)，系統(tǒng)通過檢測(cè)大腦相關(guān)區(qū)域的生理特征變化，對(duì)被試者的意圖進(jìn)行解析。常用的心理任務(wù)有：運(yùn)動(dòng)想像、心算、默想某段旋律、旋轉(zhuǎn)虛擬場(chǎng)景中的物體及用給定的字母組詞等[8-14]。

在基于運(yùn)動(dòng)想像的異步腦機(jī)接口中，數(shù)據(jù)分析主要針對(duì)的是大腦運(yùn)動(dòng)皮層相應(yīng)區(qū)域的事件相關(guān)去同步化和同步化現(xiàn)象(event-related desynchronization/synchronization，ERD/ERS)，表現(xiàn)為一定頻帶范圍內(nèi)腦電信號(hào)能量的下降或上升。在空間分布上，符合大腦感覺皮層的軀體特定區(qū)域分布?，F(xiàn)階段使用較多的是想像左手、右手及腳的運(yùn)動(dòng)[15-16]，個(gè)別情況還使用了舌頭的想像運(yùn)動(dòng)[17-18]。由于想像運(yùn)動(dòng)產(chǎn)生的腦電信號(hào)和實(shí)際運(yùn)動(dòng)相比只在幅度上有區(qū)別，因此兩者采用的處理方法相似。

3 異步腦機(jī)接口關(guān)鍵技術(shù)

3.1 空閑(NC)狀態(tài)檢測(cè)

異步腦機(jī)接口中存在 IC(有控制)和NC(無控制)兩種狀態(tài)，系統(tǒng)只有檢測(cè)到IC狀態(tài)后才轉(zhuǎn)入工作狀態(tài)。能否對(duì)NC狀態(tài)(或者IC狀態(tài))進(jìn)行快速準(zhǔn)確的檢測(cè)，成為系統(tǒng)實(shí)現(xiàn)的關(guān)鍵。在現(xiàn)有腦機(jī)接口的文獻(xiàn)中，對(duì) NC狀態(tài)的檢測(cè)主要采用兩種策略——閾值法和分類器法[19]。

3.1.1 閾值法

在閾值法中，根據(jù)可靠性函數(shù)手動(dòng)設(shè)置若干個(gè)閾值。當(dāng)可靠性函數(shù)的輸出處于不同的閾值區(qū)間時(shí)，可得到相應(yīng)的狀態(tài)。文獻(xiàn)[20]采用離線訓(xùn)練，基于最大化兩類運(yùn)動(dòng)想像正確判別率、最小化空閑狀態(tài)錯(cuò)誤判別率的思想，利用接收機(jī)檢測(cè)特性曲線，尋找最優(yōu)上下閾值，對(duì)應(yīng)上下閾值之間的過程定義為空閑狀態(tài)。文獻(xiàn)[21]以訓(xùn)練集中各類運(yùn)動(dòng)想像樣本的類內(nèi)散度和正確檢測(cè)率為指標(biāo)，并結(jié)合接收機(jī)曲線來確定分類閾值，完成了對(duì)包含NC在內(nèi)的3種狀態(tài)的分類。文獻(xiàn)[18]以樣本特征與各類運(yùn)動(dòng)想像中心的Mahalanobis距離作為判別依據(jù)，當(dāng)某樣本特征到各類中心的距離均大于閾值時(shí)，判定為NC狀態(tài)。

現(xiàn)階段常見的是兩狀態(tài)分類，如基于SSVEP的異步腦機(jī)接口，此時(shí)只存在一個(gè)閾值。當(dāng)可靠性函數(shù)的輸出大于該閾值時(shí)，判定為IC狀態(tài)，小于該閾值時(shí)判定為NC狀態(tài)。文獻(xiàn)[22]提出了一種被稱為PCC0的方法，以 C0復(fù)雜度作為指標(biāo)，對(duì)基于SSVEP的兩通道腦電信號(hào)進(jìn)行了離線分析，閾值通過訓(xùn)練過程得到。利用該閾值對(duì)測(cè)試數(shù)據(jù)進(jìn)行的分析顯示，空閑狀態(tài)的檢測(cè)辨識(shí)度達(dá)到98%，敏感度達(dá)到95%。文獻(xiàn)[23]采用了相似的復(fù)雜度方法，實(shí)現(xiàn)了NC狀態(tài)檢測(cè)。

其他確定閾值的方法還有：利用能量不對(duì)稱度[24]、利用分離度和緊密度的比率[25]、腦前部和后部腦電(electroencephalogram，EEG)信號(hào)能量的比率等[14]。

3.1.2 分類器法

分類器法采用特殊設(shè)計(jì)的分類器，對(duì)IC和NC狀態(tài)進(jìn)行區(qū)分。在兩類的情況下(IC和NC)，原理上只需要一個(gè)分類器就可完成區(qū)分。為了提高分類的準(zhǔn)確率，往往采用多個(gè)分類器實(shí)現(xiàn)。例如：將基于手指運(yùn)動(dòng)的EEG信號(hào)在5個(gè)不同的頻段上進(jìn)行分解，獲得5個(gè)分量。針對(duì)每個(gè)分量，使用相對(duì)應(yīng)的分類器進(jìn)行分類，最后采取投票的方法進(jìn)行狀態(tài)判別[26]。

在多類的情況下，判斷步驟由兩部分組成：先判斷當(dāng)前狀態(tài)，是 IC或是NC狀態(tài);如果是 IC狀態(tài)，則對(duì)EEG信號(hào)進(jìn)行分類，以獲得實(shí)際的控制命令。Mason等人設(shè)計(jì)的系統(tǒng)就包含了兩個(gè)相似的模塊，分別稱為異步信號(hào)檢測(cè)器(asynchronous signal detector，ASD)和控制信號(hào)分類器(control signal classifier，CSC)。其中：ASD模塊連續(xù)監(jiān)測(cè) EEG信號(hào)，并分析是否有控制信號(hào)出現(xiàn);CSC模塊對(duì) ASD甄選的信息段進(jìn)行分類，判斷使用者想要執(zhí)行的命令[27]。相似的結(jié)構(gòu)也出現(xiàn)在文獻(xiàn)[17，28]中。

多個(gè)分類器投票的方法在多類的判斷中也有使用，Sadeghian等人實(shí)驗(yàn)了兩種方案[18]：一是某一類相對(duì)其余類，二是多重二分類法。當(dāng)多個(gè)分類器投票無法確定其類別時(shí)，判定為NC狀態(tài)。

3.2 控制命令的解析

實(shí)際控制命令的獲得，是異步腦機(jī)接口信號(hào)處理過程的最終目標(biāo)。當(dāng)采用分類器法時(shí)，需要對(duì)IC狀態(tài)下的實(shí)際控制命令進(jìn)行判斷，該過程分為特征提取和特征分類兩個(gè)步驟?，F(xiàn)階段對(duì)異步腦機(jī)接口的信號(hào)處理多采用離線仿真的方式，在未考慮實(shí)時(shí)性的情況下，信號(hào)處理方法和同步腦機(jī)接口相似。

3.2.1 特征提取

特征提取的目標(biāo)，是發(fā)現(xiàn)EEG數(shù)據(jù)的最佳信號(hào)特征，簡化后續(xù)的分類，或者對(duì)大腦的工作模式進(jìn)行檢測(cè)。特征的形式是信號(hào)各種參數(shù)組成的特征向量，常使用的參數(shù)包括自回歸系數(shù)、帶能量、小波系數(shù)、SSVEP的幅度及頻率等。

目前的異步腦機(jī)接口絕大部分是基于運(yùn)動(dòng)想像或者實(shí)際運(yùn)動(dòng)，特征提取大多利用和ERD/ERS相關(guān)的信息。ERD/ERS主要集中反映在 mu節(jié)律的改變，其空間分布和運(yùn)動(dòng)方式有固定的對(duì)應(yīng)關(guān)系，因此和 mu節(jié)律相關(guān)的帶能量(band power)法[10-12，16-19，29-30]及和空間濾波相關(guān)的CSP法[15，18，22，25]得到了較多的應(yīng)用。

帶能量法，是指將EEG信號(hào)某個(gè)頻帶內(nèi)的能量信息作為特征的一類方法。常用的處理方法有如下兩種：一是先將信號(hào)分成較短的時(shí)間片段，計(jì)算各段的功率譜，然后根據(jù)功率譜估算帶信號(hào)的能量;二是先對(duì)信號(hào)進(jìn)行帶通濾波，挑選出感興趣頻段的信號(hào)，再將該信號(hào)分為多個(gè)較短的片段，對(duì)各段信號(hào)計(jì)算其帶能量[31-33]。其中，第二種方法被較多采用。針對(duì)運(yùn)動(dòng)想像來說，ERD/ERS相關(guān)的 mu節(jié)律為8～12 Hz，因此在實(shí)現(xiàn)的異步腦機(jī)接口中，較多采用該頻段的帶通濾波器來對(duì)信號(hào)進(jìn)行預(yù)處理。

共空間模式(common spatial pattern，CSP)法的數(shù)學(xué)本質(zhì)，是運(yùn)用正交變換和白化變換對(duì)兩個(gè)矩陣同時(shí)對(duì)角化，找到兩個(gè)矩陣的共同投影子空間，使得兩個(gè)矩陣在該子空間變換的映射下方差差異最大。針對(duì)傳統(tǒng)CSP法存在的問題，改進(jìn)的算法不斷被提出，如空頻聯(lián)合方法、結(jié)合流形學(xué)習(xí)和核函數(shù)的方法、自適應(yīng) CSP、正則化 CSP以及 CSPE 等[34]。但鑒于CSP所需的電極數(shù)較多[15]、計(jì)算量較大，多使用在EEG信號(hào)的預(yù)處理及離線仿真中。

小波變換是一種時(shí)頻信號(hào)處理方法，在缺乏先驗(yàn)知識(shí)的條件下能有效檢測(cè)出腦電信號(hào)中短時(shí)、低能量的瞬態(tài)脈沖。該方法在各類型異步腦機(jī)接口中都有使用，區(qū)別在于選擇的核函數(shù)不同。

其他常用的特征提取的方法還有自回歸模型法及獨(dú)立分量分析(independent component analysis，ICA)法等。

3.2.2 特征分類

特征分類，就是設(shè)計(jì)分類器將輸入的特征向量映射為某個(gè)類別標(biāo)號(hào)(或者實(shí)際的控制指令)。特征分類的方法多種多樣，如統(tǒng)計(jì)學(xué)方法(最大似然估計(jì)和貝葉斯估計(jì)等)、非參數(shù)技術(shù)、線性判別函數(shù)、神經(jīng)網(wǎng)絡(luò)及機(jī)器學(xué)習(xí)方法等。在異步腦機(jī)接口中，由于線性分類方法具有較低的計(jì)算復(fù)雜度和不易過擬合的優(yōu)點(diǎn)，因此得到了最廣泛的應(yīng)用。常用的線性分類方法包括Fisher法、支持向量機(jī)等。

3.3 訓(xùn)練過程

在分類器設(shè)計(jì)過程中，訓(xùn)練是非常重要的一步。利用樣本數(shù)據(jù)對(duì)原始分類器進(jìn)行訓(xùn)練，可以優(yōu)化分類器參數(shù)，提高分類的準(zhǔn)確度。從原理上來說，為了得到盡可能高的分類準(zhǔn)確率，需要盡可能多的訓(xùn)練樣本，但實(shí)際情況是訓(xùn)練樣本非常有限甚至沒有。所以如何從現(xiàn)有的樣本數(shù)據(jù)中挖掘出盡可能多的有用信息變得非常重要。在實(shí)踐中，各種方法被提出，如有監(jiān)督、半監(jiān)督和無監(jiān)督的訓(xùn)練等[7，34]。

4 異步腦機(jī)接口性能評(píng)估

4.1 信息傳輸率

信息傳輸率的含義為單位時(shí)間內(nèi)傳送的信息量，單位為bit/s。進(jìn)行一次試驗(yàn)(trial)所傳送信息的位數(shù)B可由下式計(jì)算得到，即

式中，N為腦機(jī)接口的選項(xiàng)數(shù)，p為正確選擇的概率。

假設(shè)一次試驗(yàn)持續(xù)的時(shí)間為C，則信息傳輸率(information transfer rate，ITR)為

信息傳輸率是衡量腦機(jī)接口性能的重要指標(biāo)，通過它可以將不同實(shí)驗(yàn)范式、不同神經(jīng)機(jī)制的腦機(jī)接口問題統(tǒng)一到實(shí)際可比較的標(biāo)準(zhǔn)中來，因此得到廣泛使用。較高的信息傳輸率可以使系統(tǒng)更快速地將使用者的控制意圖轉(zhuǎn)變?yōu)閷?shí)際的操作，提高腦機(jī)接口的實(shí)用性。

4.2 誤動(dòng)作率

誤動(dòng)作率(false activation rate，F(xiàn)PR)是指在系統(tǒng)輸入為非控制信號(hào)時(shí)輸出判斷為控制狀態(tài)的比率(只有兩個(gè)狀態(tài)時(shí)稱為假陽率)。在異步腦機(jī)接口中，系統(tǒng)持續(xù)進(jìn)行空閑狀態(tài)檢測(cè)，不準(zhǔn)確的檢測(cè)結(jié)果將極大地影響誤動(dòng)作率。研究表明，較高的 FPR(超過2%)容易使被試產(chǎn)生挫折感[1]，在某些實(shí)際應(yīng)用場(chǎng)合，系統(tǒng)的誤動(dòng)作將帶來一定的危險(xiǎn)(如輪椅控制)，因此常被用來作為評(píng)價(jià)異步腦機(jī)接口性能的指標(biāo)之一。

4.3 正確率

正確率是指腦機(jī)接口正確地選擇某個(gè)選項(xiàng)的概率(即式(1)中的 p)，因此被隱含在信息傳輸率的指標(biāo)中。在某些應(yīng)用場(chǎng)合，正確率被單獨(dú)地提出作為衡量腦機(jī)接口性能的指標(biāo)之一。

上述較常用的指標(biāo)從某些方面對(duì)腦機(jī)接口的性能進(jìn)行評(píng)價(jià)，不夠全面客觀。文獻(xiàn)[35]使用效用矩陣(utility matrix)，將腦機(jī)接口所包含的變換器(transducer)和控制接口(control interface)作為一個(gè)整體進(jìn)行評(píng)估，可以得到更全面、準(zhǔn)確的結(jié)果。

5 發(fā)展趨勢(shì)

5.1 實(shí)時(shí)性要求

1)異步腦機(jī)接口需要連續(xù)不斷地監(jiān)控EEG信號(hào)并實(shí)時(shí)判斷大腦的狀態(tài)，如何滿足信號(hào)處理的實(shí)時(shí)性要求成為必須面對(duì)的問題。

減少電極數(shù)量可以大大降低原始數(shù)據(jù)量，提高信號(hào)處理速度，但在一定程度上影響分類精度。文獻(xiàn)[8，17，22-23，36-37]所使用的方法都使用了較少的電極(1～3個(gè))，取得了較好的效果(較低的FPR或者較高的TPR)。

從CSP法的原理可知，經(jīng)過濾波后所獲得的空間信息能夠減少使用電極的數(shù)量，并具有較高的可辨識(shí)度，因此可以作為預(yù)處理步驟對(duì)系統(tǒng)進(jìn)行優(yōu)化。

如何在使用較少電極的情況下保證較高的分類準(zhǔn)確度，將成為一個(gè)重要的研究方向。

2)算法的改進(jìn)也是實(shí)現(xiàn)實(shí)時(shí)信號(hào)處理的有效途徑。相對(duì)于CSP、ICA等計(jì)算量較大的方法，一些較新穎的算法被提出。例如，使用信號(hào)復(fù)雜度作為分類依據(jù)[22-23]，使用能量不對(duì)稱度作為類別判定標(biāo)準(zhǔn)[24]，等等。這些算法具有較小的運(yùn)算量及較好的分辨效果，有助于實(shí)時(shí)異步腦機(jī)接口的實(shí)現(xiàn)。

5.2 特征聯(lián)合

特征的聯(lián)合是特征提取的另一個(gè)方向，兩個(gè)相互獨(dú)立或者相關(guān)性不大的特征聯(lián)合，往往可以得到更好的結(jié)果[12]。特征之間的互補(bǔ)(如表征空間能量分布的帶通能量信息和表征空間同步情況的相位信息結(jié)合在一起[38])，能提供更為完整的信息，可以實(shí)現(xiàn)更好的分類[34]。

現(xiàn)階段異步腦機(jī)接口的研究多針對(duì)單一的生理現(xiàn)象，如能將基于不同生理現(xiàn)象的研究對(duì)象結(jié)合在一起，有望獲得性能的提高及功能的擴(kuò)展[39]。例如，將腦電和肌電、穩(wěn)態(tài)視覺誘發(fā)電位以及P300電位兩兩相互結(jié)合，其中一個(gè)用于狀態(tài)檢測(cè)或功能選擇，另一個(gè)用于實(shí)現(xiàn)分類，均取得了較好的效果[29，40-43]。

5.3 系統(tǒng)優(yōu)化

由于被試者個(gè)體差異很大，系統(tǒng)需要針對(duì)不同的使用者進(jìn)行參數(shù)優(yōu)化，如電極位置及意識(shí)任務(wù)類型的選擇等[44]。對(duì)于同一個(gè)被試者來說，由于EEG信號(hào)的非平穩(wěn)性，在較長時(shí)間內(nèi)其狀態(tài)會(huì)發(fā)生變化。為了取得最好的分辨效果，也需要對(duì)系統(tǒng)參數(shù)自適應(yīng)地進(jìn)行調(diào)整，常采用基因算法對(duì)最優(yōu)參數(shù)進(jìn)行選擇。文獻(xiàn)[45]提出了一種稱為自適應(yīng)加權(quán)頻譜空間模型(adaptively weighted spectral-spatial patterns，AWSSP)的方法，可以自適應(yīng)地選擇具有最佳分辨效果的頻率分量，使腦機(jī)接口的性能得到顯著提高。

5.4 降低誤動(dòng)作率

由于較高的誤動(dòng)作率(false activation rate，F(xiàn)PR)(超過2%)容易使被試者產(chǎn)生挫折感，因此在保證性能不降低的情況下盡可能地降低FPR，成為異步腦機(jī)接口需要解決的問題之一。經(jīng)過研究發(fā)現(xiàn)，F(xiàn)PR發(fā)生的時(shí)刻較集中，因此采用去抖(debounce)的方法可以降低 FPR[1]。

6 結(jié)論

異步腦機(jī)接口作為最具有實(shí)用性的腦機(jī)接口形式，正受到越來越多研究者的關(guān)注。雖然采用的形式多種多樣，但其生理基礎(chǔ)及系統(tǒng)的結(jié)構(gòu)形式卻基本相同。目前，異步腦機(jī)接口的研究還處于實(shí)驗(yàn)室階段，采用的方法多為基于運(yùn)動(dòng)想像或者視覺誘發(fā)電位的方式。前者實(shí)現(xiàn)方便，但是存在分類數(shù)量少、需要訓(xùn)練等缺點(diǎn);后者無需訓(xùn)練，分類數(shù)目多，但是需要外源性刺激。要使異步腦機(jī)接口真正達(dá)到實(shí)用化的程度，需要在操作的安全性、信號(hào)處理的實(shí)時(shí)性、分類的準(zhǔn)確性及系統(tǒng)的易用性上不斷改進(jìn)。

[1]Borisoff JF，Mason SG，Birch GE.Brain interface research for asynchronous control applications[J].IEEE Trans Rehabil Eng，2006，14(2)：160-164.

[2]Scherer R，Müller GR，Neuper C，et al.An asynchronously controlled EEG-based virtual keyboard：Improvement of the spelling rate[J].IEEE Trans Biomed，2004，51(6)：979-984.

[3]Pfurtscheller G.Müller GR，Pfurtscheller J，et al.Thought-control of functional electrical stimulation to restore hand grasp in a patient with tetraplegia[J].Neurosci Lett，2003，351：33-36.

[4]Müller-Putz GR，Scherer R，Pfurtscheller G，et al.EEG based neuroprosthesis control：A step towards clinical practice[J].Neurosci Lett，2005，382：169-174.

[5]Graimann B，Huggins JE，Schl?gl A，et al.Detection of movement-related desynchronization patterns in ongoing singlechannel electrocorticogram [J]. IEEE Trans Neural Syst Rehabil，2003，11(3)：276-281.

[6]Sutton S，Braren M，Zubin J，et al.Evoked correlates of stimulus uncertainty[J].Science，1965，150：443-446.

[7]Aloise F，Schettini F，Arico P，et al. P300-based braincomputer interface for environmental control：an asynchronous approach[J].J.Neural Eng，2011，8(2)：025025.1-025025.10.

[8]Faradji F，Ward RK，Birch GE.Design of a mental task-based brain-computer interface with a zero false activation rate using very few EEG electrode channels[C]//Proceedings of 4 th IEEE EMBS Conference on Neural Engineering. Antalya：IEEE Computer Society，2009：403-406.

[9]Chiappa S，Barber D.Generative temporal ICA for classification in asynchronous BCI systems[C]//Proceeding of the 2 nd IEEE EMBS Conference on Neural Eng.Virginia：IEEE Computer Society，2005：514-517

[10]Besserve M， Martinerie J， Garnero L. Non-invasive classification of cortical activities for brain computer interface：a variable selection approach[C]//Proceedings of the 5 th IEEE International Symposium on Biomedical Imaging：From Nano to Macro.Paris：IEEE Computer Society，2008：1063-1066.

[11]Dyson M，Sepulveda F，Gan JQ.Mental task classification against the idle state： a preliminary investigation[C]//Proceedings of the 30 th IEEE EMBS Conference.Vancouver：IEEE Computer Society，2008：4473-4477.

[12]Sepulveda F，Dyson M，Gan JQ，et al.A comparison of mental task combinations for asynchronous EEG-based BCIS[C]//Proceedings of the 29 th IEEE EMBS Conference.Lyon：IEEE Computer Society，2007：5055-5058.

[13]Faradji F，Ward RK，Birch GE.A self-paced BCI using stationary wavelet packets[C]//Proceedings of the 31 th IEEE EMBS Conference， Minneapolis： IEEE Computer Society，2009：962-965.

[14]Millan JR，Mourino J.Asynchronous BCI and local neural classifiers：an overview of the adaptive brain interface project[J].IEEE Trans Rehabil Eng，2003，11(2)：159-161.

[15]Satti A，Coyle D，Prasad G.Continuous EEG classification for a self-paced BCI[C]//Proceedings of IEEE EMBS Ponference on Neural Engineering.Antalya：IEEE Computer Society，2009：315-318.

[16]Geng T，Dyson M，Chun ST，et al.A 3-class asynchronous BCI controlling a simulated mobile robot[C]//Proceedings of the 29 th IEEE EMBS conference.Lyon：IEEE，2007：2524-2527.

[17]Scherer R，Lee F，Schlogl A，et al.Toward self-paced braincomputer communication：navigation through virtual worlds[J].IEEE Trans Biome Eng，2008，5(2)：675-682.

[18]Sadeghian EB，Moradi MH.Continuous detection of motor imagery in a four-class asynchronous BCI[C]//Proceedings of the the 29 th IEEE EMBS Conference.Lyon：：IEEE Computer Society，2007：3241-3244.

[19]Lotte F，Mouchere H，Lecuyer A.Pattern rejection strategies for the design of self-paced EEG-based brain-computer interfaces[C]//Proceedings of the 19 th International Conference on Pattern Recognition，Tampa：IEEE，2008：1-5.

[20]Townsend G，Grainmann B，Pfurtscheller G.Continuous EEG classification during motor imagery-simulation of an asynchronous BCI[J].IEEE Trans Rehabili Eng，2004，12(2)：258-265.

[21]劉美春，謝勝利.異步腦 -機(jī)接口的空閑狀態(tài)檢測(cè)新方法[J]. 計(jì)算機(jī)應(yīng)用研究，2010，27(1)：151-153.

[22]Ren Ran，Bin，Guangyu Gao Xiaorong.Idle state detection in SSVEP-based brain-computer interfaces[C]//Proceedings of the 2 nd International Conference on Bioinformatics and Biomedical Engineering.Shanghai： IEEE Computer Society，2008：2012-2015.

[23]Dat TH，Zhang Haihong，Wang Chuanchu，et al.Selective subband entropy for motor imagery detection in asynchronous brain computer interface[C]//Proceedings of the 3 rd IEEE EMBS Conference on Nerual Eng.Hawaii：IEEE Computer Society，2007：358-361.

[24]Kok-Meng O，Paramesran R.A study of power asymmetry ratio of singe trial EEG during finger movement[C]//Melbourne：IEEE，2005：1-4.

[25]Lu Jun.Adaptive detection of idle state in motor imagery-based brain computer interface[C]//2010 International Conference on Intelligent Computation Technology and Automation.Changsha：：IEEE Computer Society，2010：417-420.

[26]Faradji F，Ward RK，Birch GE.Self-paced BCI using multiple SWT-based classifiers[C]//Proceedings of the 30 th Annual International IEEE EMBS Conference. Vancouver：IEEE Computer Society，2008：2095-2098.

[27]Mason SG，Extraction of single-dial index finger flexions from continuous spatiotemporal EEG[D].Vancouver：University of British Columbia，1996.

[28]Bashashati A，Ward RK，Birch BE.Comparison of using Monopolar and Bipolar EEG electrodes for detection of right and left hand movements in a self-paced BCI[C]// Canadian Conference on Electrical and Computer Engineering，CCECE.Vancouver：IEEE，2007：725-728.

[29]Chang BC， Seo BH.Development of new brain computer interface based on EEG and EMG.[C]//IEEE Robotics and Biomimetics.Bangkok：IEEE Computer Society，2009：1665-1670.

[30]Chen Guangming，Zhang Jiacai，Yao Li.An improved feature extraction method for self-paced brain-computer interface application[C]//International Conference on Complex Medical Engineering.Tempe：IEEE Computer Society，2009：1-6.

[31]McFarland DJ. Lefkowicz AT， Wolpaw JR. Design and operation of an EEG-based brain-computer interface with digital signal processing technology[J]. Behav Res Meth InstrumComput，1997，29(3)：337-345.

[32]Pfurtscheller G，Neuper C，F(xiàn)lotzinger D，et al.EEG-based discrimination between imagination of right and left hand movement[J].Electroencephalogr.Clin.Neurophysiol，1997，103：642-651.

[33]Pfurtscheller G.，Neuper C，Schlogl A，et al.Separability of EEG signals recorded during right and left motor imagery using adaptive autoregressive parameters[J].IEEE Trans Rehab Eng，1998，6(3)：316-325.

[34]堯德中，劉鐵軍，雷旭，等.基于腦電的腦 -機(jī)接口：關(guān)鍵技術(shù)和應(yīng)用前景[J].電子科技大學(xué)學(xué)報(bào)，2009，38(5)：550-554.

[35]Bernardo Dal Seno，Matteo Matteucci，Luca T.Mainardi.The utility metric：a novel method to assess the overall performance of discrete brain-computer interfaces[J].IEEE Tran Neural System and Rehabil Eng，2010，18(1)：20-28.

[36]Obermaier B，Muller GR，Pfurtscheller G.“Virtual keyboard”controlled by spontaneous EEG activity[J].IEEE Trans Rehabil Eng，2003，11(4)：422-426.

[37]Vidaurre C，Schlogl A，Cabeza A，et al.A fully on-line adaptive BCI[J].IEEE Trans Biomed Eng，2006，53(6)：1214-1219.

[38]Pfurtscheller G.，Muller GR，Schlogl A，et al.15 Years of BCI research at Graz university of technology：current projects[J].IEEE Trans Rehabil Eng，2006，14(2)：205-210.

[39]Brunner C，Allison BZ，Altstatter C，et al.A comparison of three brain-computer interfaces based on event-related desynchronization，steady state visual evoked potentials，or a hybrid approach using both signals[J].J Neural Eng，2011，8(2)：025010.1-025010.7.

[40]Pfurtscheller G.，Escalante TS，Ortner R，et al.Self-paced operation of an SSVEP-based orthosis with and without an imagery-based“Brain Switch：” a feasibility study towards a hybrid BCI[J].IEEE Trans Rehabil Eng，2010，18(4)：409-414.

[41]Li Yuanqing，Long Jinyi，Yu Tianyou，et al.A hybrid BCI system for 2-D asynchronous cursor control[C]//Proceedings of 32nd Annual International Conference of the IEEE EMBS.Buenos Aires：IEEE，2011：4205-4208.

[42]Panicker RC， Puthusserypady S， Pryana AP， et al. An asynchronous P300 BCI with SSVEP-based control state detection[J].IEEE Trans Biomed Eng，2011，58(6)：1781-1788.

[43]Riechmann H，Hachmeister N，Ritter H，et al.Asynchronous，parallel on-line classification of P300 and ERD for an efficient hybrid BCI[C]//Proceedings of the 5 th International IEEE EMBS Conference on Neural Engineering， Cancun： IEEE，2011：412-415.

[44]Palaniappan R.Brain computer interface design using band powers extracted during mental tasks[C]//IEEE EMBSConference on Nerual Eng.Arlington：IEEE Computer Society，2005：321-324.

[45]Kavitha PT，Guan Cuntai，Lau CT，et al.Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain-computer interface[J].J Neural Eng，2011，8(3)：036007.1-036007.15.