摘 要
脑机接口( Brain- Computer Interface, BCI)是在大脑和计算机或其他电子设备之间建立的不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的一种全新通讯和控制技术。脑机接口作为当前神经工程领域中最活跃的研究方向之一，在生物医学、神经康复和智能机器人等领域具有重要的研究意义和巨大的应用潜力，近10年来，脑机接口技术得到了长足的进步和飞速的发展，应用领域也在逐渐扩大。本文概述了基于脑电信号( EEG )的BCI系统的组成和基本原理、涉及的关键技术和研究现状, 最后分析了脑-机接口技术目前存在的问题与应用前景。
关键词：脑机接口；脑电信号；特征提取；特征分类
一、引 言
脑机接口是一种不依赖大脑外周神经与肌肉正常输出通道的控制系统，通过采集和分析人脑生物电信号，在人脑与计算机或其他电子设备间建立起直接交流和控制的通道，这样人就可以直接通过大脑来表达意愿或操纵设备，而不需要语言或肢体的动作[1-2]。研究和发展脑机接口技术可以帮助肌肉萎缩、脊髓损伤等神经肌肉方面的患者以及交流障碍者有效地完成对外界交流和控制[3]。
脑机接口技术形成于20世纪70年代，是一门涉及纳米技术、生物技术、信息技术、心理认知科学、计算机科学、生物医学工程和应用数学等多学科的交叉技术，20多年来，随着人们对神经系统功能认识的提高和计算机技术的发展，BCI技术的研究呈明显的上升趋势，特别是1999年和2002年两次BCI国际会议的召开为BCI技术的发展指明了方向。目前,BCI技术已引起国际上众多学科科技工作者的普遍关注，成为生物医学工程、计算机技术、通信等领域一个新的研究热点。BCI技术的核心是把用户输入的脑电信号转换成输出控制信号或命令的转换算法。BCI研究工作中相当重要的部分就是调整人脑和BCI系统之间的相互适应关系，也就是寻找合适的信号处理与转换算法,使得神经电信号能够实时、快速、准确地通过BCI系统转换成可以被计算机识别的命令或操作信号。BCI技术的发展目前还存在着很多问题，有待于更多的科技工作者致力于深入的研究。为促进BCI技术的发展，本文在查阅有关资料的基础上，对BCI的原理、结构做了较为详细的综述，并对其应用前景、存在的问题以及评价标准进行了探讨。
二．BCI系统的工作原理及其基本结构
2.1 BCI系统的工作原理
神经科学的研究表明，在大脑产生动作意识之后和动作执行之前，或者受试主体受到外界刺激之后，其神经系统的电活动会发生相应的改变.。神经电活动的这种变化可以通过一定的手段检测出来，并作为动作即将发生的特征信号.。通过对这些特征信号进行分类识别，分辨出引发脑电变化的动作意图，再用计算机语言进行编程，把人的思维活动转变成命令信号驱动外部设备，实现人脑在没有肌肉和外围神经直接参与的情况下对外部环境的控制.。这就是BCI的基本工作原理.。
2.2 脑机接口的基本结构
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。
图1 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。
三、基于EEG的脑机接口研究方法
人和动物的大脑,特别是皮层细胞，存在着频繁的自发电活动，无需任何外界刺激。从脑电极记录到的电位是对脑部大量神经元活动的反应，低至微伏级，这种电活动的电位随时间的波动称为脑电波(EEG) 。EEG反应了大脑组织的电活动及大脑的功能状态，脑的复杂活动反应在头皮上的电位活动就是EEG轨迹[ 5 ] 。所以理论上，人的意图通过脑电应该可以被探测识别出来。BCI的前驱曾经指出“在理论上,脑的感觉、运动及认知意识在自发EEG中应该是可辨识的”，,因此EEG成为BCI研究的首选工具。BCI技术就是要通过识别这种意图，将之表达为对外部设备的直接控制。由于脑电信号的本质还未知,难以确定一种特定的信号识别方法。假设脑电信号是线性的，那么大多数BC I使用的线性识别方法足以应用。反之，则线性识别算法对于希望被识别的信号可能是最糟糕的描述。但无论何种情况，BCI技术的首要任务就是从EEG中识别出人的主观操作意识,并将之表达为对外部设备的直接控制。
3.1 脑机接口研究中所使用的脑神经信号
⑴ P300 (诱发电位)
P300是一种事件相关电位(ERP)，在时间相关刺激300～400ms后出现的正电位，主要位于中央皮层区域，其峰值大约出现在时间发生后300ms,相关事件发生的概率越小，所引起的P300越显著。基于P300的BCI的优点是P300属于内部相应,使用者无需通过训练就可产生P300[ 6 ] 。
⑵ 视觉诱发电位(诱发电位)
视觉诱发电位是指从视觉通路的不同水平区域记录的不同生物电反应,其诱发刺激可以是荧光、闪光刺激。视觉诱发电位又可以分成短时视觉诱发电位和稳态视觉诱发电位两种。
⑶ 时间相关同步或时间相关去同步电位(自发脑电)
单边的肢体运动或想象运动，大脑同侧产生事件相关同步电位( ERS) ，大脑对侧产生时间相关去同步电位( ERD)。ERS、ERD是与运动相关的,主要位于感觉运动皮层。
⑷ 皮层慢电位(自发脑电)
皮层慢电位也称慢波电位( Slow Cortical Poten2tials, SCPs) ,是皮层电位的变化,是脑电信号中从300 ms持续到几秒钟的大的负电位或正电位,能反应皮层Ⅰ和Ⅱ层的兴奋性,个人可以通过生物反馈训练产生这种电位[ 7 ] 。
⑸ 自发脑电信号(自发脑电)
在不同的知觉意识下，人们脑电中的不同节律呈现出各异的活动状态。这些节律是受不同动作或思想的影响。按照所在频段的不同分类，一般采用希腊字母(α、β、γ、δ)来表示不同的自发EEG信号节律。比如α节律在8～13 Hz频段,而β节律则在13～22 Hz频段。
采用以上几种脑电信号作为BC I输入信号，具有各自的特点和局限。P300和视觉诱发电位都属于诱发电位，不需要进行训练,其信号检测和处理方法较简单且正确率高。不足之处是需要额外的刺激装置提供刺激，并且依赖于人的某种知觉(如视觉) 。其它几类信号的优点是可以不依赖外部刺激就可以产生,但需要大量的特殊训练。
3. 2 特征提取和转换方法
特征提取涉及如何从EEG中提取少量的有用的信息，分别利用这些信息进行不同脑状态的区分。常用的特征提取的算法如:：FFT ( Fast Fourier Transform Algorithm)、相关性分析、AR (Auto Regression)、参数估计、CSP ( Common Spatial Patterns)、Butter2worth低通滤波、遗传算法等。算法的选择与所利用的信号特征及电极位置有关。
信号处理的目标是最终从信号中识别出使用者的意图并执行，系统的首要任务就是最大化。信噪比，尤其是当噪声和信号极为相似的时候就显得更为重要。提高信噪比的技术有很多，具体有空间及时间滤波方法、信号平均以及单次识别方法。BCI转换算法把信号特征(如节律幅值或神经元放电率)转换为具体的控制命令。
四、脑机接口的研究进展
近些年来，脑机接口技术得到了飞速发展。1995年不到6个研究小组，到1999 年研究小组的数量已超过了20个，现在世界各地有近百个研究小组。1999年，2000年和2006年3次脑机接口国际会议的召开为脑机接口的发展推波助澜。下面是近些年一些较有影响的脑机接口小组研究成果：
奥地利 Graz 大学：Pfurtscheller 等进行了一系列基于ERD的脑机接口系统研究，并实现了Graz I 和GrazII 两个代表性的脑机接口系统。目前研究的重点是时域内两种不同的想象运动的分类问题。
德国 Tubingen 大学：wolpaw 等[7]设计了一个名为思想翻译器的装置，通过慢皮质电位的变化来实现对外界的控制，使用视觉反馈，实现了字母拼写等功能。
美国 Wadsworth 中心：Wadsworth 中心一直研究如何用从运动感觉皮质测得的脑电信号控制指针的一维或二维运动。另外，为了便于比较和评估，他们研制BCI-2000通用系统，该系统已在世界上200多个实验室中使用[7]。
中国清华大学：高上凯等人深入分析了稳态视觉诱发电位（SSVEP）的特征和提取方法，设计了具有高传输速率的基于稳态视觉诱发电位的脑机接口系统，可用于残疾人的动作控制或环境设备控制等领域。
五、脑机接口存在的问题及应用前景
5.1 脑机接口存在的问题
BCI是一门新兴的研究领域，涉及计算机科学、神经科学、心理认知科学、生物医学工程、数学、信号处理、临床医学、自动控制等多个领域，仍有大量的问题尚待解决,目前主要存在以下问题：
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［9］。
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%［10］，3类任务得到其识别率在80%左右［11］。对4类运动得到的识别率仅有70%左右［12］。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［13］，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［14］。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。
5.2 脑机接口机器人的应用前景
脑机接口机器人采用BCI进行人机交互，由人的思维控制机器人从事各种工作。脑机接口机器人不仅在残疾人康复、老年人护理方面具有显著的优势，而且在军事、人工智能、娱乐等方面也具有广阔的应用前景[15]。
1. 在医学方面的应用
在医学领域，脑机接口机器人可以帮助肢体障碍患者提高他们的生活质量，如：
（1）与周围环境进行交流：BCI机器人可以帮助残疾人使用电脑、拨打电话等；
（2）控制周围环境：BCI机器人可以帮助残疾人或老年人控制轮椅、家庭电器开关等；
（3）运动康复：BCI康复机器人可以帮助残疾人或失去运动能力的老年人进行主动康复训练，BCI护理机器人可以从事基本护理工作，提高残疾人或老年人的生活质量。
2. 在其他方面的应用
虽然目前BCI机器人的研究主要应用于医学领域，特别是为残疾人与老年人提供帮助，但是BCI机器人的用途决不仅仅限于医学领域，在其他诸多领域都可以得到广泛应用。
（1）特殊环境作业：BCI特种机器人可以在危险或不适宜人工操作的环境中工作；
（2）无人驾驶汽车或飞机：BCI机器人可以帮助我们实现无人驾驶汽车与飞机的梦想，这不仅在军事领域意义巨大，同时为残疾人开辟了更广阔的活动空间；
（3）为电子游戏增加娱乐功能：用“思想”控制电子游戏是传统鼠标、键盘控制电子游戏的有益补充，会增加游戏的娱乐效应。
脑机接口机器人是智能机器人的有力补充，有效的人机交互方式会提高智能机器人的智能化与灵活性，因此脑机接口机器人的研究潜力和应用潜力十分巨大。
六、BCI的评价标准
由于不同BCI系统的输入、输出、转换算法等存在很大的差异，因此，要做到对不同的BCI系统进行客观的科学评价是比较困难的.。可能某一种系统针对某一种应用比较有效，对另外的应用场合其性能往往并不理想,甚至不能使用.。对不同的BCI系统进行比较和评价将有利于BCI的发展。因此，寻求一种有效的、合理的、实用的评价方法作为BCI系统性能评定的标准，是BCI 发展中不可缺少的重要环节。
通信系统普遍采用的一种性能评价标准是波特率，即单位时间内的信息传输量.。在BCI系统中，波特率既和速度及准确度有关，同时也和操作的复杂程度有关.。程明等人的研究表明,在从两个选项中进行选择的系统中，准确率由80 %提高到90 % ，其信息传输率能提高一倍；如果从两个选项中选取目标时的准确率是90 % ，从四个选项中选取目标时的准确率是65 % ，两者信息传输率将大致相同。 以信息传输率为标准来评价BCI的性能是比较客观和公正的，也许能够被大多数研究者所接受。但由于BCI的应用和对其性能要求的千差万别，要应用统一的、适合于各种BCI系统的标准进行评估，并不是一件容易的事情,还要对其作进一步的研究。
七、结束语
在过去的十几年中，BCI 的研究发展得十分迅猛，目前BCI的研究主要是为某些患者（一般指思维正常但有运动障碍的病人）提供一种与外界交流的手段或控制外界的方式，并协助其康复。随着对人脑结构与功能认识愈加清晰，提取脑电信号技术手段不断提高，以及高效率、低成本计算机的出现，BCI 研究人员将研究出“更快、更准、更易”的BCI 技术。当然，在BCI 的发展中仍存在着诸多挑战。比如，目前尚无一个BCI系统可以做到既精确又能实现快速控制，还没有真正的商业化产品问世。总之，BCI 研究有着广阔的前景，不仅加强对人自身的认识，同时也将改变人类的生活方式。
参考文献
[ 1 ] Schalk G, Brunner P, Gerhardt LA, et al. Brain-computer interfaces (BCIs): detection instead of classification. J Neurosci Methods. 2008.Jan 15:167(1):51-62
[ 2 ] 沈敏. 脑-机接口技术综述[ J ]. 重庆邮电大学学报(自然科学版) ，2007 (6) ：147 - 150.
[ 3 ] 肖首柏，胡剑锋. 脑机接口研究概述[ J ]. 科技广场， 2007(9) ：229 - 232.
[ 4 ] 刘辉，杜玉晓，彭杰等.脑机接口技术发展[ J ].电子科技，2011；24(5)：116 - 119.
[ 5 ] Serruya M D, Hatsopoulos N G, Paninskil, Fellows M R, et al.Brain2machine interface: Instant neural control of a movement signal[ J ]. Nature, 2002, 416: 141-142.
[ 6 ] 程明，高上凯，张琳. 基于脑电信号的脑计算机接口[ J ]. 北京生物医学工程,，2000,，19 (2)： 113 - 118.
[ 7 ] 孟飞，黄军友，高小榕. 基于脑—机接口技术的上肢康复训练系统[ J ]. 中国康复医学杂志,，2004， 19 (5) ：327 - 329.
[ 8 ] 杨立才，李佰敏，李光林等.脑机接口技术综述[ J ].电子学报.2005(7)：1234-1241.
[ 9 ] 高诺，鲁守银，张运楚等.脑机接口技术的研究现状及发展趋势[ J ].机器人技术与应用.2008(4)：16-19.
[ 10 ] Wolpaw JR, Birbaumer N, Mcfarland DJ. Brain-computer interfaces for communication and control. Clin Neurophysiol 2002;113(6):767-791.
[ 11 ] 伍亚舟，吴宝明，何庆华.基于脑电的脑-机接口系统研究现状[ J ].中国临床康复.2006，10(1)：147-150.
[ 12 ] 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].上海交通大学.2006．
[ 13 ] 孙进，张征，周宏甫.基于脑机接口技术的康复机器人综述[ J ].机电工程技术.2010，39(4)：13-16.
[ 14］云晓，王喜太，闰和平.康复机器人技术研究［A］．第一届北京国际康复医学论坛论文集［C］.2009：172-175．
[ 15 ] 高上凯.无创高通信速率的实时脑－机接口系统.中国基础科学，2007（3）：25-26.
[ 16 ] 王裴，张育中，宁庭会等.脑-机接口研究进展[ J ]..智能系统学报.2011，6(3).189-199.
[ 17 ] 王新光，邹凌，段锁林等.脑机接口技术的研究与进展[ J ],中国组织过程研究与临床康复.2008，12（39)：7722-7724.
[ 18 ] 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．
[ 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．
[ 20 ] 尧德中，刘铁军，雷旭等. 基于脑电的脑-机接口[ J ].关键技术和应用前景． 电子科技大学学报，2009，38 ( 5) : 550 -554．
