基于EEG的脑机接口的技术和应用-轻识

本文首发在陈锐博客上（7988888.xyz），此文章中所有链接均通过博客进行访问。

简要视频版介绍：

本文基于的文献参考：

Roberto Portillo-Lara, Bogachan Tahirbegi, Christopher A. R. Chapman,Josef A. Goding, and Rylie A. Green, "Mind the gap: State-of-the-art technologies and applications for EEG-based brain–computer interfaces", APL Bioengineering 5, 031507 (2021) https://doi.org/10.1063/5.0047237

针对于脑机接口技术，我在之前的推文中也介绍过很多篇文章，传送门《BCI相关内容》，《脑机接口》，《脑机接口科普文》以及《脑机接口相关资料》

最近也是在查阅相关文献时，发现了这篇针对EEG脑机接口技术的综述文章，我个人觉得很棒，值得分享，在之前刚出来的时候也简要的分享过文章中的图片给大家，今天也是利用周末的有限时间对脑机接口技术再一次进行梳理和整合。

对于BCI原理介绍请参考以上传送门的文章。

实现真实世界的BCI应用的最有前景的方法是使用脑电图 (EEG)技术，它是一种通过脑电活动无创监测大脑的方法之一。它的优势在于其成本相对较低、易于使用、时间分辨率高和无创监测。虽然很难准确理解受试者在使用基于EEG-BCI操作外部设备时的体验过程，但有几件事是确定的。一方面，EEG-BCI可以双向通信，将用户意图转化为功能，这允许受试者控制电子设备，它对于需要帮助控制轮椅的医疗患者特别有用。神经技术在慢慢的塑造我们自己的人类体验和自我意识过程。

1、基于 EEG 的脑机接口的架构

示意图描述了 eBCI 操作涉及的主要阶段。EEG 传感器（电极帽）用于获取大脑皮层神经元产生的电信号。EEG信号从大脑的自发内源性活动中获得的，或由外源性刺激引起的。对原始信号进行预处理，然后提取、选择、分类和翻译特征以解码意图。然后使用数字命令来驱动不同的输出设备，例如假肢、外骨骼、车辆或辅助软件等。

2、侵入性程度

对于BCI的分类：

（1）完全侵入式脑机接口

此类脑机接口通常直接植入到大脑的灰质，因而所获取的神经信号的质量比较高。但其缺点是容易引发免疫反应和愈伤组织，进而导致信号质量的衰退甚至消失。

侵入性脑机接口的特点是使用微电极的网状阵列电极，可提供快速的信息传输速率和较高的空间和时间分辨率。皮层内电极可记录三种类型的大脑信号，即单电位活动 (SUA)、多电位活动 (MUA) 和局部场电位 (LFP)。但是，尽管它们具有高精度和最佳信号保真度，但与外科手术相关的风险相比，它在很大程度上限制了其使用场景。此外，长期植入后电极周围结缔组织的生长和疤痕形成通常会导致信号恶化，并可能导致设备故障。

（2）半侵入性脑机接口

部分侵入性BCI装置植入颅骨内，但在大脑外部而不是在灰质内。与非侵入性BCI相比，它们产生更好的分辨率信号；与完全侵入性BCI相比，在脑中形成愈伤组织的风险较低。例如常见技术：ECoG（皮层脑电）

半侵入性 BCI 可通过放置在皮层表面的硬膜外或硬膜下电极记录皮层电位振荡。但是，在使用场景下还是需要进行开颅手术。

（3）非侵入性脑机接口

这种方式是目前最常见的类型，是置于头皮表面来观测大脑信号的活动变化。虽然这种非侵入式的方式非常方便，但是由于颅骨对信号的衰减作用和对神经元发出的电磁波的分散和模糊效应，记录到信号的分辨率并不高。例如常见技术：EEG/ERP（脑电）、fNIRS（近红外脑成像）以及fMRI（功能性核磁共振）等。

在最近的可穿戴研究中，一种新型的消费级别的BCI产品（如图），基于Ear-EEG 的设计构想。

Ear EEG 基于脑机接口 (BCI) 的研究而构建，是一种消费者友好的可穿戴技术，可检测神经信号并通过蓝牙传输信息。图片来源：neurosciencenews

3、脑电图（EEG）的神经生理基础

这部分内容对于EEG的研究者来说，可以说是很熟悉的内容。

(a) EEG 信号反映大脑皮层锥体神经元群同步激活引起的脑电活动。兴奋性突触后电位 (EPSP) 通过产生垂直于皮层表面的电荷分离来产生偶极子。(b) 神经元之间的交流由突触介质。动作电位到达突触前末梢导致神经递质 (NT) 囊泡释放到突触间隙，然后扩散到达突触后末梢的膜受体并触发 EPSP。(c) 大脑新皮质分为六层 (I-VI)，具有不同的细胞结构特征。大多数 EEG 信号由主要位于 III 层和 V 层的锥体神经元产生。这些神经元在空间上垂直于皮质表面排列，从而产生与头皮表面正交的偶极层。EEG 活动被测量为头皮不同位置记录的电压差异，这构成了每个记录电极附近数千个神经元的突触后电位的总和。(d) 为了到达头皮电极，EEG 信号穿过几层具有不同传导特性的非神经组织，从而衰减信号。(e) 电极以定义的配置放置在头皮上，取决于被监测功能区域。

据估计，人脑包含大约 86 × 10 ^9个神经元细胞，锥体神经元约占大脑皮层所有神经元的三分之二。此外，每个锥体神经元平均建立 7000 个突触连接。突触通信可以通过间隙连接在电突触处发生，间隙连接将大量神经元互连起来以同步它们的反应。

4、eBCI的设计

eBCI 的操作依赖于由不同刺激或任务触发的大脑活动模式，从而能够控制外部设备。

采集阶段：

使用位于头皮上的电极以定义的配置记录大脑信号，通常情况下采用10-20国际标准系统，可参考文章《10-20标准系统》

预处理数据：

提高信号质量并提高系统的准确性，预处理过程可以参考《脑电分析之滤波》，《脑电分析之伪迹剔除》，通过线性和非线性的方法将不需要的噪音信号剔除。

特征选择：

从脑电信号中识别和提取有区别的和非冗余的信息，以产生一组可以对其进行分类的特征。常用的方法：降维处理、频域、时频域，空域等，可参考文章《独立成分分析》《17个机器学习常用算法》

分类选择：

根据选择的特征，使用不同的分类算法，对受试者进行的心理任务的类型进行解码过程。常用的方法：K-mean、支持向量机（SVM）、人工神经网络、聚类分类器以及贝叶斯分类器等。

(1)LDA 分类器

LDA分类器(LinearDiscriminant Analysis，LDA)是一种简单高效的线性分类器，将数据往低维度方向投影，使得投影后的数据具有类内方差最小，类间方差最大的特性。也即是投影后同一类别的数据尽可能接近，不同类别的数据尽可能分开。最后在最可分的数据上通过简单的阈值设置进行分类。LDA 是运动想象系统中最常用的分类器

(2)SVM

支持向量机(SVM)是机器学习里典型的分类器，通过构建一个最优的分割超平面，从而将两类数据尽可能的区分开。

(3)贝叶斯分类器

贝叶斯分类器是利用贝叶斯公式计算出样本属于各个类别的后验概率，然后最大后验概率所对应的类别则为该样本的类别。

(4)人工神经网络

人工神经网络是利用大脑神经元结构和信息传递机理，在此基础上建立大规模的具有自适应能力的网络系统，并且通过拓扑结构连接，按照大型规模的并行方式排列而成。人工神经网络适合非线性分析问题，并且具有较强的学习和归纳能力，自适应性强。人工神经网络的模式有很多种，目前常用的人工神经网络有：感知器、多层感知器、BP神经网络、RBF神经网络等。

(5)聚类分类器

聚类分析是一种具有探索性质的模式分类方法，在分类时不依赖于任何关于分类的先验知识，而是采用相似度量的方法，对具有相同或相似特征的样本进行分类。它在脑电信号分类中的缺点是对脑电信号的特征要求很高，难以处理复杂的分类问题，容易造成分辨率低。

—此内容来源网络资料，仅供参考

信号翻译阶段：

分类的特征被传递给翻译算法，将它们转换成指令。典型的指令范围从字母选择和光标控制到用于操作机器人车辆和假肢的命令。

5、eBCI常用范式

根据用于设备控制的大脑信号的类型有诱发或自发信号。

诱发信号（EP）：是大脑活动的非自愿时间锁定偏转，它是响应外部事件的呈现而发生的。例如，P300和SSVEP两种常用的范式。P300 信号可以由视觉、听觉或体感刺激的呈现引起，它们可以在中央和顶叶区域记录；SSVEP是稳态视觉诱发电位以固定频率的闪烁或者变换模式的视觉刺激时（如，闪光），大脑皮层的电位活动将被调制，从而产生一个连续的且与刺激频率有关（刺激频率的基频或倍频处）的响应，这个响应具有和视觉刺激类似的周期性节律。SSVEP 依赖于正常的注意力和动眼神经功能，但是患有严重神经系统疾病的患者中这些功能通常受到损害。在使用视觉刺激装置来获取SSVEP信号时，在大脑皮层中与枕叶视觉区有关的脑电通道主要有六个（P03,P0Z,P04,01,0Z,02）

自发信号的范式不需要外部刺激就能产生控制动作信号。通过依据自身的心理活动变化进行，EEG 活动可以根据信号的主要频率 (ƒ) 分为 delta (ƒ < 4 Hz)、θ (4 Hz < ƒ < 7 Hz)、α (8 Hz < ƒ < 12 Hz)、β (12 < ƒ < 30 Hz) 和伽马 (ƒ >30 Hz) 波段。