腦機介面技術論文

　　腦機介面技術不依賴於常規大腦資訊輸出通路，該技術建立了一種直接的資訊交流和控制通道，為人腦和外界之間提供了一種全新的互動方式。下面小編給大家分享一些，大家快來跟小編一起欣賞吧。

　　篇一

　　腦機介面技術研究綜述

　　摘要：腦機介面技術***brain computer interface，BCI*** 不依賴於常規大腦資訊輸出通路，該技術建立了一種直接的資訊交流和控制通道，為人腦和外界之間提供了一種全新的互動方式。簡要介紹了BCI技術的定義和基本組成及發展現狀，並對皮層慢電位、視覺誘發電位、眼動產生的α波、P300電位和基於運動想象的μ節律及β波5種腦機介面技術的研究方向作了簡要闡述，最後指出目前BCI研究面臨的挑戰及未來的應用前景。

　　關鍵詞：腦機介面技術; 腦電訊號;資訊處理

　　中圖分類號：TN914文獻標識碼：A文章編號：10053824***2013***04000504

　　0引言

　　人類在不斷地探索瞭解大腦活動的奧妙，尤其是腦電訊號被發現以來，科學家試圖通過腦電訊號瞭解大腦的活動規律。隨著計算機技術、自動控制技術、通訊技術、電子技術、人體解剖學、心理學等學科的發展，出現了一個新的研究領域――腦機介面技術[1]。BCI 的研究涉及的領域廣泛，主要涉及生物學、計算機、通訊工程、心理學、臨床醫學、數學等學科。作為一項跨學科的技術，BCI系統的研究與開發需要各行各業專業人員的配合，同時隨著BCI 技術研究的不斷深入，也必將推動這些學科的融合與發展。

　　1腦機介面技術簡介

　　1.1腦機介面技術的內涵

　　早在1999年，BCI國際會議對BCI含義進行了界定，即“腦機介面技術是一種不依賴於正常的由外周神經和肌肉組成的輸出通路的通訊系統”[2]，它繞開了外周神經和肌肉組織，直接為大腦提供一種新的資訊交流和控制通路，為那些不能通過說話或肢體動作來表達想法或操作裝置的人提供一種與外界環境進行交流和溝通的途徑。

　　1.2腦機介面技術的組成

　　腦機介面技術是通過訊號採集裝置從大腦皮層採集腦電訊號，經過放大、濾波、 A/D 轉換等處理轉換為可以被計算機識別的訊號，然後對訊號進行預處理，提取特徵訊號，再利用這些特徵進行模式識別，最後轉化為控制外部裝置的具體指令，實現對外部裝置的控制。一個典型的腦機介面系統主要包含4個組成部分：訊號採集部分、訊號處理部分、控制裝置部分和反饋環節[3]。其中，訊號處理部分包括預處理、特徵提取、特徵分類3個環節。腦機介面的結構框圖如圖1所示。

　　腦機介面技術訊號處理結構框圖1***訊號採集部分。此部分負責通過相關裝置採集大腦活動產生的電訊號。目前，對腦電訊號的採集主要有2種方法：侵入式和非侵入式。侵入式方法是將電極插入腦皮層下，該方法採集的大腦神經元上的腦電訊號具有較高的精度，而且噪聲較小。缺點是無法保證腦內的電極長時期地保持結構和功能的穩定，而且將電極植入腦皮層記憶體在安全問題。非侵入式方法測量的是頭皮表面的腦電訊號，通過將電極貼附在頭皮上，就可直接獲得人大腦活動產生的腦電訊號，易採集、無創性等特點使之成為 BCI 技術研究的主要方向。

　　2***訊號處理部分。腦電訊號的處理主要包括預處理、特徵提取和特徵分類3部分。預處理主要用於去除腦電訊號中具有工頻的雜波、眼電、心電以及肌電等訊號的偽跡。特徵提取的主要作用是從腦電訊號中提取出能夠反映受試者不同思維狀態的腦電特徵，將其轉換為特徵向量作為分類器的輸入。特徵提取是腦電訊號處理中十分重要的一步，提取出的特徵的好壞將直接影響腦電訊號的識別率。特徵分類主要是尋找一個以特徵向量為輸入的判別函式，並且該分類器能識別出不同的腦電訊號。

　　3***控制裝置部分。控制裝置主要是把經過處理的腦電訊號轉換為外部裝置的控制指令輸出，從而控制外部裝置實現與外界進行互動的目的。

　　4***反饋環節。反饋主要是把外部裝置的執行情況等資訊反饋給使用者，以便使用者能實時地調整自己的腦電訊號。

　　2腦機介面技術的國內外研究現狀

　　自20世紀70年代起，學者們就已經開始了對BCI技術的研究。近年來，隨著電腦科學、認知腦科學、神經科學等技術的飛速發展，加之殘疾患者需求意識的不斷提高，越來越多的科學家和研究者對BCI技術產生了濃厚的興趣。隨著BCI技術研究的不斷髮展，研究機構也在不斷增多，國際一些著名的BCI研究小組組織了BCI競賽，進一步促進了BCI的研究以及各國在BCI研究方面的經驗交流。目前，腦機介面的研究主要有以下幾個方向。

　　2.1慢皮層電位

　　慢皮層電位***slow cortical potential，SCP***是大腦皮層腦電訊號中最慢的頻率部分，它的時間序列中持續時間為 300 ms到幾秒之間的正負電位偏移。思維活動顯著時，大腦皮層的興奮性增強，SCP 發生負向變換;思維活動減弱時，大腦皮層的興奮度降低，SCP 發生正向變換。研究表明，幾乎所有人均能自主地調節慢皮層電位，因此慢皮層電位可以作為腦機介面的控制訊號。

　　2.2視覺誘發電位

　　視覺誘發電位***visual evoked potential，VEP***是指神經系統接受視覺刺激***如圖形翻轉、顏色交替或閃光等刺激***所產生的特定電活動。根據視覺刺激模式的頻率不同，視覺誘發電位可以分為穩態視覺誘發電位***steadystate visual evoked potential， SSVEP***和瞬態視覺誘發電位***transient visual evoked potential， TVEP***。穩態視覺誘發電位是指在較高頻率刺激下，上一次刺激引起的反應還未消失，下一次刺激就已經出現所引起的現象。瞬態視覺誘發電位是指在較低頻率刺激下，上一次刺激引起的反應消失後，下一次刺激才出現時產生的誘發電位。

　　目前使用較多的是SSVEP，典型的研究機構有美國 Wright Patterson 空軍基地和清華大學。Wright Patterson空軍基地的McMillan和Calhoun對SSVEP進行了研究，並利用SSVEP實現了對飛行模擬器的控制。國內清華大學在VEP這方面取得了一定的成績，開發了基於SSVEP的BCI系統，該系統能夠通過腦電訊號控制空調和電視，甚至啟動語音播放器和***等;他們又利用VEP成功開發出一套“腦控電話撥號系統”。Sutter等人在1992年建立了腦反應介面***brain response interface***系統[6]。國內重慶大學何慶華等人[7]設計了基於同頻次複合刺激方式的腦機介面系統。 　　2.3眼動產生的α波

　　人在閉眼放鬆時，腦電訊號的α波的幅值會升高，而睜眼時腦電訊號的α波的幅值會降低甚至消失，這種現象稱為α波阻斷。α波阻斷現象在大腦枕區視覺皮層表現最明顯。據此可以通過對睜眼和閉眼的控制，調節α波振幅的大小，進而輸出特定控制訊號。

　　Dewan最早實現了利用眼球運動對α波幅度的調節，並把其應用於Morse電報碼的傳送。國內，王黎等[8]利用α波對人疲勞狀態進行了評估，其準確率接近100%;李凌等[9]對閉眼和睜眼靜息狀態下腦電α波的差異進行了研究，經研究得到閉眼情況下α波功率明顯高於睜眼情況下α波功率。

　　2.4P300電位

　　P300是主要位於中央皮層區域的一種與大腦認知加工過程有關的內源性誘發電位，其波形是一個具有正電位的波峰，其潛伏期大約為300 ms。研究表明，P300電位與相關事件出現的概率聯絡緊密。通常，出現概率越小的相關事件，其產生的P300電位越顯著。但是如果相關事件出現的概率越小，其誘發一次P300電位的時間將會越長，進而嚴重影響BCI系統的實時性。

　　最早記錄到P300電位的是Sutton通過oddball實驗實現的。較典型的腦機介面有美國Illinois大學的Farwell和Donchin等[10]人設計的基於P300電位的虛擬打字機。2010年，Rebsamen等[11]利用P300電位實現了智慧輪椅在已知環境下的自主導航。該方案首先是在一個已知的環境裡做好路徑規劃後，把這些位置以圖示形式顯示在電腦介面上，使用者就可根據誘發出P300電位的相關事件，選擇自己想去的位置，在選擇完成後，智慧輪椅將根據預先規劃好的路徑自動到達該位置。此外，基於 P300 還開發瞭如螢幕上的滑鼠移動、思維遊戲和大腦畫家***brain painter***等[12]裝置。

　　2.5基於運動想象的μ節律和β波

　　當人想象肢體運動時，這些區域產生的腦電訊號將出現顯著的變化，尤其是μ節律和β波變化最為顯著：當想象右手運動時，左腦運動區域皮層的腦電訊號變化明顯;當想象左手動作時，右腦運動區域皮層的腦電訊號變化明顯;當想象腳運動時，大腦中央運動區域的腦電訊號變化明顯。因此，基於運動想象的μ節律和β波可以作為腦機介面的控制訊號。

　　Tanaka等人[13]通過對想象左右臂運動實現了智慧輪椅左轉和右轉。CanoIzquierdo等[14]研究三類運動想象腦電訊號其識別率在80%左右。Barachant等[15]研究對4類運動想象腦電訊號，得到的識別率僅有70%左右。沈繼忠等人[16]對想象左右手運動產生的腦電訊號進行識別，平均識別率達到86%左右。徐寶國等[17]研究左右手運動想象腦電訊號實現對機器人的控制，線上平均識別率達到89.5%。目前對基於運動想象的μ節律和β波的研究中，存在對兩類運動想象腦電訊號的識別率較高，而對三類或者更多類運動想象腦電訊號的識別率很低的問題。

　　3腦機介面技術發展面臨的挑戰

　　儘管大量實驗和研究已經表明通過腦電訊號建立BCI系統的可行性，但BCI技術還有許多亟待解決的問題。

　　1***訊號處理和資訊轉換速度慢。目前，BCI系統的最大資訊轉換速度可達68 bit/min，此速度與正常交流時所需的速度相差甚遠[18]。

　　2***訊號識別精度低。目前，基於自發腦電的BCI系統，對運動想象腦電訊號進行的研究，2類思維任務的識別率約為90%[19]，3類任務得到其識別率在80%左右[14]。對4類運動得到的識別率僅有70%左右[15]。控制指令多時，識別率低的問題使得BCI系統在實際應用中受到了嚴重的限制。

　　3***訊號採集和處理方法需改進。腦電訊號採集過程中，夾雜著不少干擾成分，如肌訊號干擾等[18]，因此設計抗干擾能力強的腦電訊號採集裝置等問題有待解決;如何改善訊號處理方法使之系統化、通用化，從而快速、精確、有效地設計出實用BCI系統的問題也有待研究。

　　4***自適應性較差。自適應性包括隨時間和空間變化的自適應性和隨自身變化的自適應性[19]。目前，BCI的自適應性還比較差。

　　5***缺乏能對BCI系統的效能進行科學評價的評價標準。

　　總之，作為一種新興的、複雜的、涉及多學科的通訊技術，BCI的發展還很不完善，存在的問題還很多，有待於科研工作者們下大氣力研究解決。

　　4腦機介面技術的應用前景

　　腦機介面技術以其巨大的實用價值在全球內得到廣泛的重視，隨著 BCI的發展，它將在越來越多的領域得到應用。

　　首先，BCI技術在醫療檢測和康復醫學中有著巨大的應用前景，如麻醉醫師通過觀測腦電資訊掌握病人麻醉深度的資訊，進行手術麻醉深度監護，以此來減少藥物對病人大腦的損傷;用在癲癇和多動症的治療過程，可有效避免藥物損害。BCI 技術還為肢體障礙患者提供生活便利，利用 BCI系統可實現輪椅控制、計算機操作、開關控制等操作;幫助殘疾人或失去運動能力的老年人進行主動康復訓練等。

　　其次，在交通及軍事領域中，可以利用腦機介面來實現無人駕駛等技術。通過遠端傳送腦電控制訊號來駕駛汽車、飛機、火車等交通工具，不但可以準確無誤地駕駛與飛行，還可以避免交通事故的發生並降低傷亡率。

　　再次，在休閒娛樂領域，通過腦機介面技術，可以通過思維控制來遙控電子遊戲，實現前所未有的休閒娛樂方式。

　　此外，BCI 技術研究更重要的研究意義和價值在於它可以為大腦提供一種新的資訊輸出渠道，實現大腦和外界環境的交流，有助於人們深入瞭解和研究複雜的大腦神經活動，並極大地豐富人類在腦認知科學研究領域的研究內容。

　　5結束語

　　BCI技術為人類提供了一種全新的與外界進行交流的方式，但是目前大多數BCI研究仍然處於實驗室探索階段，真正投入實際使用的很少，同時BCI技術的研究和開發還有很多問題需要解決。但是隨著電腦科學、神經生物學、智慧控制等各個相關學科的不斷髮展與融合，BCI技術必將逐步應用於現實，造福人類。 　　參考文獻：

　　[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]羅明偉.基於小波和共同空間模式的腦機介面研究及在智慧輪椅中的應用[D].重慶：重慶郵電大學，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]何慶華.基於視覺誘發電位的腦機介面實驗研究[D].重慶：重慶大學，2003.

　　[8]王黎，于濤，聞邦椿. 基於腦電α波的非線性引數人體疲勞狀態判定[J].東北大學學報：自然科學版，2005，26***12***： 11741177.

　　[9]李凌，張金香. 閉眼與開眼靜息狀態下腦電α波的差異研究[J].電子科技大學學報， 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，沈繼忠，施錦河.想象左右手運動的腦電特徵提取[J]. 感測技術學報， 2010，23***9***： 12201225.

　　[17]徐寶國，宋愛國，費樹岷.線上腦機介面中腦電訊號的特徵提取與分類方法[J].電子學報， 2011，39***5***： 10251030.

　　[18]羅尚清，楊浩.腦機介面系統工作原理綜述[J].醫療衛生裝備，2008，29***8***：3335.

　　[19]楊幫華.自發腦電腦機介面技術及腦電訊號識別方法研究[D].上海：上海交通大學，2006.

　　作者簡介：

　　李勃***1986***，男，內蒙古突泉縣人，碩士研究生，主要研究方向為腦機介面技術研究。Braincomputer interface technology research review

點選下頁還有更多>>>