雷煜

（軍事醫(yī)學(xué)研究院軍事認(rèn)知與腦科學(xué)研究所，北京 100850）

腦機(jī)接口（brain-computer interface，BCI）是一種實(shí)現(xiàn)人腦和計(jì)算機(jī)或其他設(shè)備之間通信的系統(tǒng)。BCI系統(tǒng)通過(guò)在人腦和計(jì)算機(jī)之間建立直接的信息傳輸通道，實(shí)現(xiàn)大腦與外部世界的直接交互。BCI的概念是在1973年由 Vidal［1］首次提出，初衷是幫助身體有嚴(yán)重運(yùn)動(dòng)障礙的人實(shí)現(xiàn)對(duì)外部設(shè)備的控制，為他們創(chuàng)建一個(gè)和外界交互的全新通道。近20年來(lái)，隨著計(jì)算機(jī)科學(xué)、材料科學(xué)和神經(jīng)生物學(xué)等學(xué)科的快速發(fā)展，來(lái)自不同領(lǐng)域的研究者共同推動(dòng)BCI的研究取得了突破性的進(jìn)展。

根據(jù)電極的不同，BCI系統(tǒng)可以分為3大類。第一類是將微電極陣列直接植入大腦內(nèi)，通過(guò)電極直接記錄細(xì)胞的放電信號(hào)；第二類是將電極放置于大腦皮質(zhì)的表面，記錄大腦皮質(zhì)電位信號(hào)；第三類是將電極置于大腦頭皮上，記錄大腦頭皮電信號(hào)。前兩類方法都是侵入式的BCI系統(tǒng)，雖然能夠獲得高空間分辨率、高信噪比的神經(jīng)電信號(hào)，但是因?yàn)樾枰秩氪竽X，因此，難以進(jìn)行長(zhǎng)期穩(wěn)定的記錄，并且還存在感染的風(fēng)險(xiǎn)。第三類方法記錄到的雖然是大量神經(jīng)元的群體電活動(dòng)信號(hào)，而且由于顱骨對(duì)電信號(hào)傳播的阻礙，記錄到的信號(hào)空間分辨率、信噪比都很低，但是頭皮腦電作為3類BCI中唯一具有無(wú)創(chuàng)性的方法，采集方便、安全性高、成本較低?；陬^皮腦電的BCI系統(tǒng)應(yīng)用范圍更廣且適用場(chǎng)景更多，是研究最多的一種BCI系統(tǒng)。本文提到的BCI系統(tǒng)特指基于頭皮腦電的BCI。

1 腦機(jī)接口系統(tǒng)的組成

基于頭皮腦電的BCI系統(tǒng)主要由3部分組成，分別是信號(hào)采集模塊、信號(hào)處理模塊和交互控制模塊。其中信號(hào)采集模塊主要包括采集電極、信號(hào)放大、模數(shù)轉(zhuǎn)換和信號(hào)傳輸?shù)炔糠?。信?hào)處理包括信號(hào)預(yù)處理、特征提取與模式識(shí)別等部分。交互控制則是將不同的腦電特征轉(zhuǎn)換成控制指令，實(shí)現(xiàn)對(duì)外部設(shè)備的控制。

BCI系統(tǒng)中最核心的問(wèn)題是找到不同的穩(wěn)定腦電特征信號(hào)，并將其轉(zhuǎn)換成不同的指令，從而與外部設(shè)備進(jìn)行交互。BCI系統(tǒng)能提取的不同特征模式越多，產(chǎn)生的指令也就越多。目前，BCI系統(tǒng)面臨的挑戰(zhàn)主要包括突破現(xiàn)有的材料限制，實(shí)現(xiàn)長(zhǎng)時(shí)間的穩(wěn)定信號(hào)采集，并開發(fā)有效的特征提取算法，從極低信噪比的頭皮腦電信號(hào)中獲取有用的大腦活動(dòng)信息。

2 常見腦機(jī)接口控制模式

用于BCI控制的腦電信號(hào)主要分為2類，分別是外源性成分和內(nèi)源性成分。外源性成分是指由外部刺激誘發(fā)的腦電信號(hào)，主要有視覺和聽覺誘發(fā)電位等。內(nèi)源性成分是指大腦自發(fā)產(chǎn)生的腦電信號(hào)，例如在執(zhí)行某種認(rèn)知任務(wù)時(shí)或被試者通過(guò)自我調(diào)節(jié)都可以產(chǎn)生。常見的BCI控制信號(hào)主要有以下幾種。

2.1 穩(wěn)態(tài)視覺誘發(fā)電位

視覺誘發(fā)電位是由外界視覺刺激所引起的視覺皮質(zhì)的電活動(dòng)，Regan［2］在1979年首先發(fā)表了關(guān)于視覺誘發(fā)電位的開創(chuàng)性工作。隨后的研究發(fā)現(xiàn)，利用固定頻率的視覺刺激對(duì)被試者進(jìn)行刺激，視皮質(zhì)就會(huì)產(chǎn)生受到刺激頻率調(diào)制的腦電信號(hào)。例如，當(dāng)被試者注視一個(gè)以7 Hz閃爍的視覺刺激時(shí)，在其大腦的視覺皮質(zhì)區(qū)域就可以記錄到一個(gè)7 Hz的信號(hào)成分；此外，還可以記錄到很多諧波成分，例如14 Hz和21 Hz等，這種明顯受到刺激頻率調(diào)制的腦電信號(hào)就被稱為穩(wěn)態(tài)視覺誘發(fā)電位（steady state visually evoked potentials，SSVEP）。最常見的SSVEP BCI系統(tǒng)就是通過(guò)SSVEP攜帶的頻率信息判斷被試注視的屏幕位置，從而確定被試者注視的視覺刺激。

2.2 運(yùn)動(dòng)想象節(jié)律信號(hào)

當(dāng)大腦處于沒有處理感覺信息或運(yùn)動(dòng)控制的放松狀態(tài)時(shí)，在感覺運(yùn)動(dòng)皮質(zhì)區(qū)域能夠記錄到頻率為8～12 Hz的節(jié)律性腦電信號(hào)，也被稱作mu節(jié)律。當(dāng)被試者執(zhí)行運(yùn)動(dòng)任務(wù)或者想象運(yùn)動(dòng)時(shí)，運(yùn)動(dòng)皮質(zhì)區(qū)域的這種mu節(jié)律信號(hào)就會(huì)發(fā)生改變，出現(xiàn)增強(qiáng)或者減弱。通過(guò)識(shí)別mu節(jié)律信號(hào)的變化模式就可以識(shí)別不同的運(yùn)動(dòng)想象任務(wù)，進(jìn)而實(shí)現(xiàn)腦機(jī)交互。具體來(lái)說(shuō)，當(dāng)我們想象單側(cè)手部運(yùn)動(dòng)時(shí)，表現(xiàn)出同側(cè)運(yùn)動(dòng)皮層區(qū)域mu節(jié)律升高，對(duì)側(cè)運(yùn)動(dòng)皮質(zhì)區(qū)域mu節(jié)律下降的特點(diǎn)，這種mu節(jié)律的下降和升高分別稱作大腦運(yùn)動(dòng)皮質(zhì)區(qū)域mu節(jié)律的事件相關(guān)去同步化和同步化（event-related desynchronization/synchronization，ERD/ERS）［3］。除了想象手的運(yùn)動(dòng)之外，當(dāng)我們想象腳動(dòng)時(shí)，頭頂中央?yún)^(qū)域也會(huì)出現(xiàn)明顯的ERD現(xiàn)象［4］。通過(guò)算法識(shí)別腦電信號(hào)中ERD/ERS的空間分布，就可以實(shí)現(xiàn)對(duì)大腦運(yùn)動(dòng)想象任務(wù)的識(shí)別，進(jìn)而產(chǎn)生控制指令和外部設(shè)備進(jìn)行交互。

2.3 P300電位

P300電位是一種事件相關(guān)電位，由Sutton等［5］最早在oddball實(shí)驗(yàn)中發(fā)現(xiàn)，是出現(xiàn)在新奇事件之后250～450 ms之間的一個(gè)正波，屬于內(nèi)源性成分。研究表明，P300電位的強(qiáng)弱和新奇事件出現(xiàn)的概率直接相關(guān)，新奇事件出現(xiàn)的概率越小，其所誘發(fā)的P300電位成分越強(qiáng)。但是，如果新奇事件出現(xiàn)的概率太小，其誘發(fā)P300電位成分的時(shí)間就越長(zhǎng)，從而影響B(tài)CI系統(tǒng)的實(shí)時(shí)性。最常見的基于P300電位的BCI系統(tǒng)是腦控打字機(jī)［6］，其基本原理是利用字符矩陣的隨機(jī)閃爍，利用被試者想要輸入的字符誘發(fā)P300電位信號(hào)，從而實(shí)現(xiàn)腦控字符輸入?；赑300電位的BCI系統(tǒng)最大的優(yōu)點(diǎn)是使用者不需要進(jìn)行專門的訓(xùn)練，大大擴(kuò)展了系統(tǒng)的適用范圍。

2.4 混合腦機(jī)接口

近年來(lái)，為了提升腦機(jī)接口的應(yīng)用范圍，研究者提出了混合BCI的概念［7］。其定義是指不同腦信號(hào)或者不同BCI類型的混合，混合的方式主要有串聯(lián)混合和并聯(lián)混合2種（圖1）?；旌螧CI的目的主要是通過(guò)多種信號(hào)或范式的混合，提升解碼準(zhǔn)確率或效率。Pfurtscheller等［7］通過(guò)將 SSVEP和運(yùn)動(dòng)想象結(jié)合，實(shí)現(xiàn)了對(duì)工作和休息狀態(tài)的檢測(cè)，并在顯著提升系統(tǒng)分類正確率的同時(shí)減少了假陽(yáng)性錯(cuò)誤率。近年來(lái)，大量研究者對(duì)SSVEP和運(yùn)動(dòng)想象結(jié)合的腦機(jī)接口系統(tǒng)進(jìn)行了深入研究，提出了多種結(jié)合范式，提升了BCI系統(tǒng)的易用性［8］?；赟SVEP和P300電位的混合BCI系統(tǒng)主要用于改善字符輸入效率，提高字符識(shí)別準(zhǔn)確率［9-11］。李遠(yuǎn)清教授團(tuán)隊(duì)［12］將運(yùn)動(dòng)想象和P300電位結(jié)合，成功實(shí)現(xiàn)了電腦光標(biāo)在二維空間的自由移動(dòng)。

除了將不同的BCI系統(tǒng)進(jìn)行混合之外，研究者還嘗試將生理信號(hào)與BCI系統(tǒng)進(jìn)行混合。Leeb等［13］通過(guò)將肌電信號(hào)與腦電信號(hào)進(jìn)行融合，提高了左右手運(yùn)動(dòng)意圖解碼的穩(wěn)定性和正確率。

3 腦機(jī)接口系統(tǒng)中的信號(hào)處理

3.1 信號(hào)預(yù)處理

腦電信號(hào)是一種低信噪比的生物電信號(hào)，信號(hào)中包含大量的噪聲和偽跡，因此在數(shù)據(jù)處理中需要首先對(duì)信號(hào)進(jìn)行預(yù)處理，盡量保留原始信號(hào)中的有用信息并去除噪聲。針對(duì)不同的噪聲和偽跡，常用的預(yù)處理方法包括主成分分析、獨(dú)立成分分析、帶通濾波、典型相關(guān)分析和回歸等。對(duì)于ERP信號(hào)，還可以通過(guò)疊加平均的方法提高信噪比。

圖1 混合腦機(jī)接口（BCI）的不同模式［7］.EEG：頭皮腦電圖；ERD：事件相關(guān)去同步化；SSVEP：穩(wěn)態(tài)視覺誘發(fā)電位

3.2 特征提取

特征提取是BCI系統(tǒng)的核心部分，目的是為了提取特定的特征用于進(jìn)行外部控制。針對(duì)不同的BCI類型，提取的特征有很大差別。例如，基于P300電位的BCI系統(tǒng)主要提取的是時(shí)域特征，基于運(yùn)動(dòng)想象的BCI系統(tǒng)主要提取的是頻率特征，基于穩(wěn)態(tài)視覺誘發(fā)電位的BCI系統(tǒng)主要提取的是頻率成分的幅度、相位等信息。對(duì)于時(shí)域特征，常用的分析方法包括峰值檢測(cè)、波形面積計(jì)算等。對(duì)于頻域特征的提取，常用的方法包括譜分析、神經(jīng)網(wǎng)絡(luò)和自回歸（autoregressive，AR）［14］等。對(duì)于空間信息的提取，共空間模式分析（common spatial pattern，CSP）是應(yīng)用最廣泛的一種特征提取方法［15］。這種方法通過(guò)訓(xùn)練數(shù)據(jù)得到使得2類信號(hào)方差最大的空間濾波器，然后再將得到的空間濾波器應(yīng)用于在線數(shù)據(jù)分析，得到差異最大化的腦電特征。由于CSP方法具有良好的效果，研究者們又進(jìn)行了深入研究，并提出了多種改進(jìn)的CSP算法，進(jìn)一步提升了算法的魯棒性和抗噪能力［16-18］。此外，很多研究者還嘗試在不同的信號(hào)域進(jìn)行聯(lián)合特征提取，例如，基于小波變換的時(shí)頻特征提?。?9］，基于空間自適應(yīng)的時(shí)空特征提?。?0］和基于經(jīng)驗(yàn)?zāi)B(tài)分解的特征提取方法［21］等。

3.3 分類識(shí)別

腦電信號(hào)分類的目的是將腦活動(dòng)轉(zhuǎn)變成計(jì)算機(jī)命令，實(shí)現(xiàn)腦機(jī)之間的交互，是決定BCI系統(tǒng)性能的重要環(huán)節(jié)。在實(shí)際應(yīng)用中需要根據(jù)提取的腦電特征和分類數(shù)目選擇合適的分類器。常用的線性分類器主要有線性支持向量機(jī)和線性判別分析［20］。常用的非線性分類器有神經(jīng)網(wǎng)絡(luò)、非線性支持向量機(jī)和隱馬爾科夫模型等。還有研究者將由多個(gè)分類器組成的組合分類器應(yīng)用于BCI系統(tǒng)并取得了較好的效果［22］。此外，深度學(xué)習(xí)技術(shù)也被應(yīng)用于腦信號(hào)分類，展現(xiàn)出了很好的應(yīng)用前景［23］。

4 腦機(jī)接口系統(tǒng)的典型應(yīng)用分析

4.1 基于穩(wěn)態(tài)視覺誘發(fā)的腦控拼寫系統(tǒng)

清華大學(xué)的高上凱教授等［24］最早將SSVEP應(yīng)用于BCI，成功構(gòu)建了一個(gè)能夠控制光標(biāo)在二維平面中移動(dòng)的BCI系統(tǒng)。他們通過(guò)4個(gè)以不同頻率閃爍的方塊來(lái)編碼上下左右4個(gè)方向，根據(jù)被試者看不同方塊所誘發(fā)的SSVEP信號(hào)來(lái)控制光標(biāo)的移動(dòng)。將不同的字符同時(shí)呈現(xiàn)在屏幕上，并對(duì)每個(gè)字符設(shè)置一個(gè)特定的閃爍頻率，就可以通過(guò)提取SSVEP信號(hào)的特征，判斷被試者正在看的字母，從而實(shí)現(xiàn)利用腦電波進(jìn)行字符輸入。對(duì)于一個(gè)信息輸入BCI系統(tǒng)來(lái)說(shuō)，信息傳輸速率（information transfer rate，ITR）是最重要的評(píng)價(jià)指標(biāo)之一。ITR的具體含義是指1分鐘內(nèi)傳輸?shù)谋忍財(cái)?shù)（bit·min-1），其具體定義如式①所示（M表示識(shí)別任務(wù)的數(shù)目，P表示分類準(zhǔn)確率，T是一次選擇的平均耗時(shí)）。

為了保證較高的識(shí)別正確率，不同字符誘發(fā)的SSVEP必須在特定的變換域上滿足正交或近似正交的性質(zhì)，這也導(dǎo)致SSVEP腦機(jī)接口系統(tǒng)的ITR一直難以滿足實(shí)用化的需要，平均ITR只能達(dá)到大約60 bit·min-1。最近，高小榕、高上凱教授團(tuán)隊(duì)［25］通過(guò)聯(lián)合頻率-相位調(diào)制方法，將SSVEP字符輸入系統(tǒng)的通訊速率提升到了270 bit·min-1的水平，極大的提高了腦控拼寫系統(tǒng)的實(shí)用化水平。

4.2 基于運(yùn)動(dòng)想象的運(yùn)動(dòng)控制系統(tǒng)

通過(guò)提取想象不同肢體部位運(yùn)動(dòng)時(shí)運(yùn)動(dòng)皮質(zhì)節(jié)律信號(hào)的變化特征，可以對(duì)外部設(shè)備進(jìn)行控制。在基于運(yùn)動(dòng)想象的BCI系統(tǒng)中，能夠穩(wěn)定提取的信號(hào)特征數(shù)目決定了外部控制系統(tǒng)的自由度，自由度越高控制就越靈活，應(yīng)用也就越廣。大量研究通過(guò)譜分解［26］、AR模型［27］和空間特征提?。?8］對(duì)運(yùn)動(dòng)想象節(jié)律信號(hào)的解碼進(jìn)行了研究，實(shí)現(xiàn)了基于分類的左右手或腳的想象運(yùn)動(dòng)解碼。另一種運(yùn)動(dòng)想象解碼的思路是通過(guò)運(yùn)動(dòng)想象節(jié)律信號(hào)的線性組合進(jìn)行連續(xù)的運(yùn)動(dòng)控制。Wolpaw等［29-30］通過(guò)將運(yùn)動(dòng)想象節(jié)律信號(hào)進(jìn)行線性組合，實(shí)現(xiàn)了對(duì)不同物體的連續(xù)運(yùn)動(dòng)控制。近年來(lái)，美國(guó)明尼蘇達(dá)大學(xué)的賀斌教授團(tuán)隊(duì)［31］在運(yùn)動(dòng)想象信號(hào)的解碼方面做了大量開創(chuàng)性的工作，首次實(shí)現(xiàn)了利用運(yùn)動(dòng)想象信號(hào)控制無(wú)人機(jī)在三維空間的飛行。2016年，賀斌教授團(tuán)隊(duì)［32］又成功實(shí)現(xiàn)了通過(guò)解碼運(yùn)動(dòng)想象信號(hào)控制虛擬機(jī)械臂在三維空間的移動(dòng)，完成對(duì)物體的抓取和放置。這些研究表明，基于運(yùn)動(dòng)想象的BCI系統(tǒng)具有完成復(fù)雜運(yùn)動(dòng)控制的潛力。

4.3 基于P300電位的圖像檢索系統(tǒng)

P300電位成分是一個(gè)與高級(jí)認(rèn)知加工過(guò)程相關(guān)的神經(jīng)電活動(dòng)，可以反映注意力分配和記憶加工過(guò)程［33］，因此，有研究者提出可以通過(guò)探測(cè)P300電位信號(hào)來(lái)構(gòu)建圖像檢索系統(tǒng)。其基本假設(shè)：是人在看到感興趣的目標(biāo)時(shí)，會(huì)產(chǎn)生P300電位，因此，當(dāng)把很多圖片在被試者眼前進(jìn)行快速連續(xù)呈現(xiàn)時(shí)，如果某一張圖片中含有被試者感興趣的目標(biāo)，就能檢測(cè)到P300電位信號(hào)。但是在構(gòu)建實(shí)用的P300電位圖像檢索系統(tǒng)時(shí)，面臨的一個(gè)挑戰(zhàn)是ERP成分的檢測(cè)需要進(jìn)行多次疊加平均來(lái)提高信噪比，這就需要對(duì)同一個(gè)刺激進(jìn)行反復(fù)呈現(xiàn)，而這并不適用于大規(guī)模圖像的快速檢索。因此，研究者開始探索如何從單次刺激中提取ERP特征，從而構(gòu)建實(shí)用的BCI系統(tǒng)。通過(guò)單次ERP進(jìn)行圖像檢索所依賴的實(shí)驗(yàn)范式被稱作快速序列視覺呈現(xiàn)（rapid serial visual presentation，RSVP）。Gerson 等［34］首先將RSVP范式應(yīng)用于圖像檢索，他們以每秒10張的頻率給被試者呈現(xiàn)自然場(chǎng)景圖片，通過(guò)頭皮腦電圖（electroencephalography，EEG）信號(hào)判斷哪些圖片中有人。結(jié)果表明，單次EEG信號(hào)就能有效識(shí)別目標(biāo)圖像。此外，還有研究者將RSVP范式應(yīng)用于衛(wèi)星圖像中的目標(biāo)搜索。例如，Huang等［35］利用RSVP范式進(jìn)行衛(wèi)星圖像中導(dǎo)彈基地的搜索，Bigdely-Shamlo等［36］利用RSVP范式進(jìn)行衛(wèi)星圖像中飛機(jī)的搜索。研究結(jié)果表明，有時(shí)候被試者并沒有意識(shí)到目標(biāo)的存在，但是通過(guò)EEG信號(hào)得到的圖像檢索正確率仍然很高，表明EEG信號(hào)能夠反映大腦的潛意識(shí)活動(dòng)。

5 腦機(jī)接口技術(shù)面臨的挑戰(zhàn)

5.1 提升信息傳輸速率

目前BCI系統(tǒng)的平均ITR只有60～70 bit·min-1，遠(yuǎn)遠(yuǎn)不能滿足日常交流的需要。因此，如何提升信息傳輸速率是BCI系統(tǒng)真正實(shí)現(xiàn)實(shí)用化面臨的巨大挑戰(zhàn)。從ITR的定義可以看出，提升ITR主要的途徑包括：①提升分類準(zhǔn)確率；②增加識(shí)別任務(wù)的數(shù)目；③減少單次選擇的時(shí)間。其中提升分類正確率潛在的方法包括：通過(guò)改善預(yù)處理方法，提高腦電信號(hào)的信噪比；通過(guò)改進(jìn)BCI范式，提高信號(hào)的信噪比。改進(jìn)機(jī)器學(xué)習(xí)算法，提升分類正確率。增加識(shí)別任務(wù)的數(shù)目需要對(duì)BCI范式進(jìn)行改進(jìn)，充分利用信號(hào)的時(shí)間空間和頻率空間。減少單次選擇的時(shí)間可以通過(guò)自適應(yīng)算法，自動(dòng)調(diào)整每次選擇的時(shí)間實(shí)現(xiàn)。

5.2 開發(fā)真正實(shí)用的腦機(jī)接口系統(tǒng)

目前的BCI系統(tǒng)大部分還局限于實(shí)驗(yàn)室條件，在易用性、成本控制和系統(tǒng)魯棒性方面仍然與實(shí)際應(yīng)用存在較大差距。首先，采集系統(tǒng)不夠便攜。對(duì)于腦電信號(hào)的采集目前最常用的還是濕電極，其主要的缺點(diǎn)是準(zhǔn)備時(shí)間長(zhǎng)，導(dǎo)電介質(zhì)的導(dǎo)電特性會(huì)隨著時(shí)間改變，無(wú)法進(jìn)行長(zhǎng)時(shí)間采集。雖然現(xiàn)在已經(jīng)有人將干電極應(yīng)用于BCI系統(tǒng)，但是干電極在信號(hào)穩(wěn)定性、信噪比上還有很多不足，仍需進(jìn)行改進(jìn)完善。其次，因?yàn)槟X電信號(hào)屬于弱信號(hào)，需要放大器進(jìn)行信號(hào)放大，目前的商用腦電采集系統(tǒng)放大器都比較大，不利于攜帶，離實(shí)用化還有一段距離。最后，實(shí)用化的BCI系統(tǒng)所處的環(huán)境要比實(shí)驗(yàn)室環(huán)境復(fù)雜很多，腦電信號(hào)會(huì)受到各種干擾源的影響，而現(xiàn)有的去噪算法往往只針對(duì)幾種特定噪聲，因此很難有效去除腦電中的所有噪聲，給后期的特征提取帶來(lái)了很大的困難。

5.3 個(gè)體差異

腦電信號(hào)的表征模式具有極大的個(gè)體差異性，而且同一個(gè)人在不同的狀態(tài)下腦電信號(hào)的差異也非常大。很多BCI中的特征提取算法都是針對(duì)不同的被試者進(jìn)行構(gòu)建的，不具有普適性，很難推廣應(yīng)用。因此，開發(fā)具有無(wú)監(jiān)督或半監(jiān)督特性的自適應(yīng)算法，根據(jù)不同腦電特征自動(dòng)選擇合適的特征提取算法是提高BCI系統(tǒng)適用范圍的重要方向。此外，大量研究還發(fā)現(xiàn)，20%～30%被試者BCI的識(shí)別率＜70%，這種被試者也被稱作“BCI盲”。對(duì)于BCI盲來(lái)說(shuō)很難通過(guò)BCI系統(tǒng)實(shí)現(xiàn)交互，目前也沒有很好的辦法能夠有效減少BCI盲。如何通過(guò)有效的方法，降低BCI盲的比例是一個(gè)重要的研究方向。

6 結(jié)語(yǔ)

BCI技術(shù)給我們提供了一種全新的人機(jī)交互方式，具有廣闊的應(yīng)用前景。但是目前大多數(shù)的BCI技術(shù)仍然還處于實(shí)驗(yàn)室研究階段，距離真正的應(yīng)用還有很多問(wèn)題亟待解決。但是隨著材料科學(xué)、神經(jīng)科學(xué)和信息科學(xué)等相關(guān)學(xué)科的發(fā)展，BCI技術(shù)必將取得突破性進(jìn)展，并應(yīng)用于現(xiàn)實(shí)。

［1］Vidal JJ.Toward direct brain-computer communication［J］.Annu Rev Biophys Bioeng，1973，2：157-180.

［2 ］Regan D.Electrical responses evoked from the human brain［J］.Sci Am，1979，241（6）：134-146.

［3 ］Pfurtscheller G，Lopes da Silva FH.Event-related EEG/MEG synchronization and desynchronization：basic principles［J］.Clin Neurophysiol，1999，110（11）：1842-1857.

［4 ］Pfurtscheller G，Brunner C，Schl?gl A，Lopes da Silva FH.Mu rhythm（de）synchronization and EEG single-trial classification of different motor imagery tasks［J］.Neuroimage，2006，31（1）：153-159.

［5 ］Sutton S，Braren M，Zubin J，John ER.Evokedpotential correlates of stimulus uncertainty［J］.Science，1965，150（3700）：1187-1188.

［6 ］Farwell LA，Donchin E.Talking off the top of your head：toward a mental prosthesis utilizing eventrelated brain potentials［J］.Electroencephalogr Clin Neurophysiol，1988，70（6）：510-523.

［7 ］Pfurtscheller G，Allison BZ，Brunner C，Bauernfeind G，Solis-Escalante T，Scherer R，et al.The hybrid BCI［J/OL］.Front Neurosci，2010，4：30（2010-04-21）.https：//www.ncbi.nlm.nih.gov/pmc/articles/PMC2891647/

［8 ］Yu T，Xiao J，Wang F，Zhang R，Gu Z，Cichocki A，et al.Enhanced motor imagery training using a hybrid BCI with feedback［J］.IEEE Trans Biomed Eng，2015，62（7）：1706-1717.

［9］Xu M，Qi H，Wan B，Yin T，Liu Z，Ming D.A hybrid BCI speller paradigm combining P300 potential and the SSVEP blocking feature［J/OL］.J Neural Eng，2013，10（2）：026001（2013-01-31）.http：//iopscience.iop.org/article/10.1088/1741-2560/10/2/026001/meta

［10 ］Yin E，Zhou Z，Jiang J，Chen F，Liu Y，Hu D.A novel hybrid BCI speller based on the incorporation of SSVEP into the P300 paradigm［J/OL］.J Neural Eng，2013，10（2）：026012（2013-02-21）.http：//iopscience.iop.org/article/10.1088/1741-2560/10/2/026012/meta

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

［12］Li Y，Long J，Yu T，Yu Z，Wang C，Zhang H，et al.An EEG-based BCI system for 2-D cursor control by combining Mu/beta rhythm and P300 potential［J］.IEEE Trans Biomed Eng，2010，57（10）：2495-2505.

［13 ］Leeb R，Sagha H，Chavarriaga R，Millán Jdel R.A hybrid brain-computer interface based on the fusion of electroencephalographic and electromyographic activities［J/OL］.J Neural Eng，2011，8（2）：025011（2011-03-24）.http：//iopscience.iop.org/article/10.1088/1741-2560/8/2/025011/meta

［14］D′Croz-Baron D，Ramirez JM，Baker M，Alarcon-Aquino V,Carrera O.A BCI motor imagery experiment based on parametric feature extraction and fisher criterion［C］.International Conference on Electrical Communications and Computers,Cholula，2012：257-261.

［15 ］Müller-Gerking J，Pfurtscheller G，F(xiàn)lyvbjerg H.Designing optimal spatial filters for single-trial EEG classification in a movement task［J］.Clin Neurophysiol，1999，110（5）：787-798.

［16 ］Lu H，Eng HL，Guan C，Plataniotis KN，Venetsanopoulos AN.Regularized common spatial pattern with aggregation for EEG classification in small-sample setting［J］.IEEE Trans Biomed Eng，2010，57（12）：2936-2946.

［17 ］Lotte F，Guan C.Regularizing common spatial patterns to improve BCI designs：unified theory and new algorithms［J］.IEEE Trans Biomed Eng，2011，58（2）：355-362.

［18 ］Wang H， Zheng W.Localtemporalcommon spatial patterns for robust single-trial EEG classification［J］.IEEE Trans Neural Syst Rehabil Eng，2008，16（2）：131-139.

［19 ］Hsu WY.Assembling a multi-feature EEG classifier for left-right motor imagery data using waveletbased fuzzy approximate entropy for improved accuracy［J］.Int J Neural Syst，2015，25（8）：1550037（2015-10-30）.https：//doi.org/10.1142/S0129065715500379

［20 ］Ince NF，Goksu F，Tewfik AH，Arica S.Adapting subject specific motor imagery EEG patterns in space-time-frequency for a brain computer interface［J］.Biomed Signal Process Control，2009，4（3）：236-246.（請(qǐng)核對(duì)于雜志名縮寫）

［21 ］Park C，Looney D，Naveed ur Rehman，Ahrabian A，Mandic DP.Classification of motor imagery BCI using multivariate empirical mode decomposition［J］.IEEE Trans Neural Syst Rehabil Eng，2013，2211（1）：10-22.

［22］Gao L，Cheng W，Zhang J，Wang J.EEG classification for motor imagery and resting state in BCI applications using multi-class Adaboost extreme learning machine［J/OL］.Rev Sci Instrum，2016，87（8）：216-219.

［23 ］An X，Kuang DP，Guo XJ,Zhao YL,He LH，A deep learning method for classification of EEG data based on motor imagery［C］.International Conference on Intelligent Computing,Springer，2014：203-210.

［24 ］Ming C，Shangkai G.An EEG-based cursor control system［C］.Proceedings ofthe First Joint BMES/EMBS Conference，1999 IEEE Engineering in Medicine and Biology 21st Annual Conference and the 1999 Annual Fall Meetring of the Biomedical Engineering Society,Altanta,1999,669.

［25］Chen X，Wang Y，Nakanishi M，Gao X，Jung TP，Gao S.High-speed spelling with a noninvasive brain-computer interface［J］.Proc Natl Acad Sci USA，2015，112（44）：E6058-E6067.

［26 ］Pregenzer M，Pfurtscheller G.Frequency component selection for an EEG-based brain to computer interface［J］.IEEE Trans Rehabil Eng，1999，7（4）：413-419.

［27 ］Pfurtscheller G，Neuper C，Schl?gl A，Lugger K.Separability of EEG signals recorded during right and left motor imagery using adaptive autoregressive parameters［J］.IEEE Trans Rehabil Eng，1998，6（3）：316-325。

［28 ］Guger C，Ramoser H，Pfurtscheller G.Real-time EEG analysis with subject-specific spatial patterns for a brain-computer interface（BCI）［J］.IEEE Trans Rehabil Eng，2000，8（4）：447-456.

［29］McFarland DJ，Sarnacki WA，Wolpaw JR.Electroencephalographic（EEG） control of three-dimensional movement［J/OL］.J Neural Eng，2010，7（3）：036007（2010-05-11）.https：//www.ncbi.nlm.nih.gov/pmc/articles/PMC2907523/

［30 ］McFarland DJ，Wolpaw JR.Sensorimotor rhythmbased brain-computer interface（BCI）：model order selection for autoregressive spectral analysis［J］.J Neural Eng，2008，5（2）：155-162.

［31］LaFleur K，Cassady K，Doud A，Shades K，Rogin E，He B.Quadcopter control in three-dimensional space using a noninvasive motor imagery-based brain-computer interface［J/OL］.J NeuralEng，2013，10（4）：046003（2013-06-04）.https：//www.ncbi.nlm.nih.gov/pmc/articles/PMC3839680/

［32 ］Meng J，Zhang S，Bekyo A，Olsoe J，Baxter B，He B.Noninvasive electroencephalogram based control of a robotic arm for reach and grasp tasks［J/OL］.Sci Rep，2016，6：38565（2016-12-04）.https：//www.ncbi.nlm.nih.gov/pmc/articles/PMC5155290/

［33］Polich J，Kok A.Cognitive and biological determinants of P300：an integrative review［J］.Biol Psychol，1995，41（2）：103-146.

［34］Gerson AD，Parra LC，Sajda P.Cortically coupled computer vision for rapid image search［J］.IEEE Trans Neural Syst Rehabil Eng，2006，14（2）：174-179.

［35 ］Huang YH，Erdogmus D，Pavel M，Mathan S，Kenneth EHⅡ.A Framework for rapid visual image search using single-trialbrain evoked responses［J］.Neurocomputing，2011，74（12-13）：2041-2051.

［36 ］Bigdely-Shamlo N， Vankov A， Ramirez RR，Makeig S.Brain activity-based image classification from rapid serial visual presentation［J］.IEEE Trans Neural Syst Rehabil Eng，2008，16（5）：432-441.

［37 ］WolpawJR， BirbaumerN， McFarlandDJ，Pfurtscheller G，Vaughan TM.Brain-computer interfaces for communication and control［J］.Clin Neurophysiol，2002，113（6）：767-791.