其他分享
首页 > 其他分享> > 2021脑机接口机遇与挑战

2021脑机接口机遇与挑战

作者：互联网

关注“心仪脑”查看更多脑科学知识

关键词：文献综述、脑机接口

​

01介绍

脑机接口 (BCI) 是一种大脑与计算机或外部设备之间直接且双向通信的技术，这种技术不涉及肌肉刺激。

脑机接口技术可以用作运动障碍患者的康复训练、增强身体和认知能力。基于脑电图(EEG)的脑机接口，于1973年第一次完整颅骨中大脑皮层的诱发电活动。另一个比较知名的应用是于1988年第一次记录到了事件相关电位P300。经过多年发展，脑机接口技术应用已不限于康复训练、测谎、游戏等方面。本文将介绍脑机接口领域的发展和趋势

1. 脑机接口技术概况

脑机接口可以按照使用方式分为主动和被动两种。主动脑机接口需要使用者有意识的参与，而被动脑机接口不要求使用者主动参与。

例如，基于运动想象(Motor Imagery)的脑机接口是主动式的，而基于视觉刺激的P300是被动式的。

根据信号获取方式，脑机接口分为非侵入式和侵入式。非侵入式的脑机接口包括脑电图(EEG)，功能性近红外光谱 (fNIRS)、脑磁图 (MEG)、功能性磁共振成像(fMRI)和功能性经颅多普勒超声检查。侵入式的脑机接口包括皮层脑电图(ECoG)。

最新的技术进步允许解码神经活动和将外部信号传递到目标大脑区域以改变大脑可塑性，支撑这种应用的技术包括经颅磁(transcranial magnetic stimulation)和经颅直流电(transcranial direct current stimulation)。

2. 影响脑机接口准确性的因素

采集信号的信噪比是至关重要的，侵入式采集的信号质量远高于非侵入式采集的信号，这是显然的。信噪比会很大的影响使用者与设备的通信效率。不过对于拥有完整神经功能的人来说一般不会考虑植入侵入式设备。

考虑到潜在的皮层-皮层下网络至关重要。例如，MI 诱发的信号最好从运动前区和运动区记录。因为运动前皮层、初级运动皮层和辅助运动区以及皮层下区域的基底神经节和丘脑是MI期间最活跃的区域。虽然 EEG 可以捕获运动前区和运动区的激活，但皮质内电极可以记录来自基底神经节和丘脑的信号。

​02挑战

1. 心理学和神经科学挑战

情绪和心理过程、与认知和神经学因素（即功能、解剖学）相关的神经生理学在 BCI 性能中发挥着至关重要的作用，并导致显着的个体内部和个体间差异。心理因素，如注意力、记忆负荷、疲劳和竞争性认知过程以及用户的基本特征，如生活方式、性别和年龄影响瞬时大脑动力学。例如，同理心较低的个体在 P300-BCI 范式中的情感参与较少，并且可以比同理心参与度较高的受试者产生更高幅度的P300波。另外动机也与P300-BCI性能有关。

除了心理特征外，静息态生理参数，例如静息态心率变异性的频域特征与 BCI 性能相关。

此外，大约 15-30% 的人天生无法产生足够强大的大脑信号来操作 BCI。考虑神经生理现象可能会降低BCI文盲率。已有研究提出了一种结合神经生理学和心理特征的自适应机器学习方法来减少BCI文盲。BCI文盲的原因并不仅仅取决于用户产生信号的能力。有时，技术限制可能会阻碍个人成功进行BCI操作的基本特征提取。例如，由于个体的皮层折叠或头皮到皮层的距离，头皮EEG/MEG的测量可能无法显示出良好的特定任务信号。

​2. 技术挑战

事件相关电位 (ERP), 稳态视觉诱发电位 (SSVEP), 听觉诱发电位 (AEP)、稳态体感诱发电位 (SSSEP)和运动想象(MI)被用作脑机接口的信号特征，不过对于脑机接口的应用来说没有一种是完美的。

例如，ERP 和 SSVEP 是针对特定目标的，由外部刺激引发；SSVEP 技术的局限性还包括长时间观看闪烁的显示器引起的视觉疲劳；对于控制来说，运动想象处理过于缓慢，因此不适合控制虚拟现实环境或视频游戏。

​

大脑动力学内在的神经生理学不稳定性对脑机接口的效率提出了严峻挑战。脑机接口系统的主要组成部分是信号采集、信号处理和有效的设备。各种神经成像技术已被用于通过电磁学或血流动力学特征来探索皮层活动，但没有一种方法表现出满足脑机接口设计的四个基本标准：低成本、便携性、易于维护、很少或不涉及手术。

与fMRI相比，由于非侵入性头皮记录，EEG 提供了相对较差的空间分辨率，但具有更好的时间分辨率。采用高密度EEG可提高空间分辨率，但会导致计算成本高，并且需要在所有通道上保持合理的信噪比。由于 EEG 仅捕获与电场相关的认知过程，因此对血氧水平依赖性 (BOLD) 活动的监测会改善脑机接口性能。BOLD活动通常用fMRI捕获，但设备的尺寸和成本难以控制。fNIRS为记录BOLD活动提供了一种安全、非侵入性、相对便宜且便携的神经成像替代方案。将fNIRS与EEG集成可以显着提高分类表现。

03神经可塑性、传感器、信号处理、模型与应用

探索神经可塑性、设计高保真和可定制的神经传感器、先进的信号处理和机器学习技术是设计高性能脑机接口的关键方面。

1. 神经可塑性

复杂神经网络中突触的时变行为是大脑可塑性特征的基础。神经可塑性不仅有助于认知和感知学习，而且也是神经康复的内在基础。脑机接口诱导的神经可塑性程度包括几个因素：

(1) 信号采集模态的选择，

(2) 与神经信号分类有因果性的反馈设计，

(3) 对于特定应用反馈延迟的考虑

(4) 适当的反馈模式。

使用 EEG、MEG、fNIRS 和 fMRI 等信号的联合采集已经成为主导。神经活动分布在皮层-皮层下的网络中，并且无法被单种模态的技术手段所捕获。

2. 信号采集、信号处理和建模

现在有大量研究涉及结合多模态信号采集模式以增强当前的脑机接口。例如，同步EEG 和 fMRI 通过利用 EEG 的良好时间分辨率和 fMRI 的良好空间分辨率产生互补特征。最近的趋势是将不同的信号采集方式结合在一起以提高脑机接口效率。

信号处理和机器学习方法的结合在将任何大脑信号转换为计算机或其他外部设备的命令方面起着至关重要的作用。现在流行的模型是共空间模式，这是一种空间滤波器，用来提取具有空间信息的信号。

3. 神经传感器

开发高性能传感器以推进大脑信号采集方式。神经传感器可以以不同的形式构建，如电气、光学、化学和生物。对于非侵入式设备来说，为了提高 EEG 的空间分辨率，科学家提出了一个由700-800个电极组成的超密集传感器阵列，信噪比是具有多达256个镀金电极的高密度 EEG 的两倍。

侵入式传感器必须具有生物相容性。一种基于有机电化学晶体管的新型传感器能够直接从大脑表面收集神经信号。该传感器具有生物相容性和机械灵活性，基于晶体管的设计可在本地放大捕获的信号，从而提供比传统ECoG更高的信噪比。

除了像EEG和MEG这样的大规模记录方式外，非常小规模的神经元活动记录对于理解大脑回路的功能以及神经元内和神经元间的相互作用至关重要。将任何认知任务表示为小规模和大规模神经元相互作用的功能对于神经工程和 BCI 的发展至关重要。在这方面，由硅探针制成的高密度神经传感器阵列与光遗传学相结合，可以实现单个神经细胞信号采集。

4. 情感计算、游戏、机器人和其他应用

假设未来的计算机具有情感和感知能力，这不仅可以将用途扩展到帮助人类，还可以扩展到做出决策。计算机可能能够根据生理和行为变量识别和解释潜在的情感状态。

​

虚拟/增强现实 (V/AR) 技术与 BCI 一起可以提供身临其境的体验，并具有许多潜在的应用，包括艺术和神经反馈。大脑绘画允许用户通过大脑信号在虚拟画布上画线，这为患有麻痹运动功能的人提供了另一种交流渠道。

虽然BCI驱动的机器人控制器可以为行动受限的人提供先进的辅助技术，但它也可以增强健康使用表现。基于脑电图驱动的移动机器人或轮椅控制器已经证明了该技术在机器人行业中的可能性。

​

最近，脑对脑接口（BBI）涉及解码发送者的认知意图并将其转化为刺激接收者大脑的命令。2013年，研究人员实施了直接BBI系统，其中一只老鼠能够与另一只老鼠分享感觉运动信息。

04展望

神经传感器和计算工具等方面许多突破性进展预示着更复杂和用户友好的脑机接口。除了采集高保真信号之外，信号处理和机器学习工具的重大进步、高计算能力和计算机移动性的提高也促进脑机接口的发展。脑机接口的未来将在很大程度上依赖于解决以下关键方面：

原文：[1] Saha, S. , Mamun, K. A. , Ahmed, K. , Mostafa, R. , Naik, G. R. , & Khandoker, A. , et al. (2019). Progress in brain computer interfaces: challenges and trends.

全文完结，整理不易，看不完记得收藏，最后希望点赞支持一下！

了解更多，请关注“心仪脑”公众号！

标签：BCI,脑机,接口,2021,信号,神经,EEG
来源： https://blog.csdn.net/psybrain/article/details/122705341