《控制科学与工程前沿讲座》
题
目
脑机接口技术
学
院
信息科学与工程学院 专 姓 业
控制科学与工程
名
郭红杰
学
号
030130653
教
师
侍洪波
2014年1月6日
1、引言
脑一机接口(Brain—Computer Interface．BCI)技术形成于20世纪70年代(1973年，Vidal)。是一种涉及神经科学、信号检测、信号处理、模式识别等多学科的交叉技术。第一次BCI国际会议对BCI的定义是：“脑一计算机接口是一种不依赖于脑的IE常输出通路(外围神经和肌肉)．在人脑与计算机或其他电子设备之问建立的直接交流和控制通道的适时通讯系统”。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．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。
目前全球老龄化趋势越来越严重，我国也面临同样问题。据权威部门预测，2010年，中国60岁及以上老年人口将达到1.74亿，约占总人口的12.78％。其中，80岁以上老人将达到2132万，占老年人口总数的12.25％。全国老龄工作办公室提供的调查资料表明，60岁以上老年人在生命期内，平均有1/4左右时间处于肌体功能受损状态，需要不同程度的照料和护理。中国约有3250万老年人需要不同形式的长期护理，而我国目前为老年人提供服务的设施严重不足。同时，
由于各种灾难和疾病造成的残障人士也逐年增加，这更加大了对服务设施的需求。目前许多发达国家采用服务机器人为老年人与残疾人士提供服务，提高他们的生活质量。但是由于大多数服务机器人与人的交互方式都是通过声音、按钮等传统方式，很多老年人及残障人士部分或完全丧失了自主控制肌肉的能力，甚至吞咽、说话都困难，这些人控制此类服务机器人的难度非常大。如何使这部分人群重新恢复对外部世界的控制能力以及与外部世界交流的能力，帮助他们重新返回现代社会是目前研究的热点。脑机接口技术为该问题的解决提供了一个良好 的可选择方案。
2、脑机接口的研究现状
在过去的十几年中，脑机接口的研究群体迅速壮大。第一次和第二次脑机接口国际研讨会分别于1999和2002召开。第一次会议有来自六个国家的22个研究组参加，第二次会议有来自北美、欧洲和中国的38个研究组参加。目前，世界上已经有很多家实验室实现了真正意义上的脑机接口，下面我们分别加以介
绍。
2.1 视觉诱发电位(Visual evoked potentialS，VEP) 视觉诱发电位是人眼经过“集中注视”活动诱发大脑视觉皮层神经的特定电活动在头皮电位的反映 。基于VEP的BCI系统依赖于使用者控制眼睛注视方向的能力。实验通过对操作者进行生物反馈训练，可获得稳定的视觉诱发响应(Steady-state VEP，SSVEP)。Middendorf等开发了基于VEP的BCI系统，他们在屏幕上设置了几个以不同频率闪烁的按钮，使用者注视其中的一个按钮，系统分析VEP的频率，如果匹配于某个按钮闪烁的频率，就可确定使用者希望选择的按钮。他们还利用SSVEP控制飞机模拟器，其准确率高达96％。
在我国，清华大学程明、高上凯教授带领的团队设计了基于SSVEP的环境控制系统，测试结果显示该系统能区分至少48个目标，并且已成功实现了对周围电子设备的控制 。此外，他们还设计了基于SSVEP的电话拨号实验系统。
此类BCI特点是：仅需很少的信号记录电极，且训练周期很短，只需适应视觉刺激信号。 2.2 事件相关电位P300 P300是一种事件相关电位(ERP)，出现在事件发生后300ms左右，呈正向峰值。它反映了大脑对稀少事件的认知，相关事件出现概率越小，所引起的P300越显著。
Farwell和Donchin在1988年就利用P300设计虚拟打字机，后来经过不断改进， 当满足80 的准确率时，通信速度达到每分钟7.8个字符 。Serby等设计的BCI采用了不同的信号处理方法也达到了92.1％的准确率（通信速度为每分钟5.45个字符）。使用者无需训练就可以产生P300，但它也可能随着事件发生变化。目前研制的BCI都是短期操作的，如果长时间操作的话，使用者会由于对小概率刺激的适应使产生的P300变得不显著而影响BCI的性能。因而，对于这类BCI而言具有自适应调节能力是非常重要的。
2.3 慢皮层电位(Slow Cortica1 potentialS，SCPs) 慢皮层电位是头皮记录EEG信号中频率最低的，其持续时间从几百毫秒到几十秒，是具有较大正负电位差异的低频脑电信号。健康人以及严重瘫痪病人通过生物反馈训练学习能够学会控制他们的SCPs，其电位在期望方向上的变化能获得明显增强。负的电位变化主要与神经元兴奋性的增加相关，而正的电位变化则与皮层活动减少相关。研究者们设计了一种称为“思想翻译器” (Thought Translation Device，TTD)的装置，那些因为疾病而完全瘫痪的病人，通过操作TTD能写出相当长度的语句、控制开关、甚至上网 。对这类BCI来说， 目前通信速度为有限的每分钟二到三个字，信息传输率最大能达到15bits/min。 2.4 心理作业
这是目前采用最多的方法。人在进行不同的心理作业(mental task)时，脑电信号是不同的。比较容易区分的两种心理作业是想象左右运动和想象右手运动，它们会在对侧的感觉运动皮层产生相关同步事件。奥地利Graz技术大学对这种现象进行了长期研究，利用该现象设计的脑机接口，分类正确率为80％~100％，信息传输率Ni~17bits/min。欧洲几个国家联合开展的自适应脑机接口计划，可以在线区分三种心理作业，正确率不低于70％ 。其他采用类似方法的研究者还有：Cincotti利用表面拉普拉斯方法和线性分类器区分想象运动，正确率为75％～95；Kostov 仅利用2～4个电极实现了二维光标控制；Penny利用想象运动和心算数学题控制光标一维移动。目前，在离线情况下可区分五种心理作业，而在线隋况下只能区分三种。
2.5 自发EEG的α波、μ节律和β节律信号
α波频率为8～13Hz是自发脑电信号主要成分之一，在几乎所有正常人清醒闭眼时都能出现，在枕区最强。当睁眼、思考问题或受其他刺激时，α波消失，这一现象称为α波阻断，人们重新闭眼时，α波又会重新出现。
μ节律出现在8～12Hz频率段，在感觉运动皮层区可检测到，它与人的运动行为相关。当人们进行运动或准备运动时，μ节律消失。
β节律的频率为13~30Hz，在睁眼视物或进行思考时可出现，反映了大脑皮
层在兴奋。
利用α波幅值变化可设计控制外部设备开关的BCI系统，该系统的一大优点就是无需学习训练。科学家们研究的基于μ节律或β节律的BCI实现了指针在一维和二维方向上的移动瞳 。另外，通过调控μ节律或β节律，选择“YES”和“N0”来回答简单问题，准确率达到了95％。
3、BCI系统的原理及其基本组成
3.1
BCI系统的基本原理
大脑在进行思维活动、产生动作意识或受外界刺激时， 神经细胞将产生几十毫伏的微电活动，大量神经细胞的电活动传到头皮表层形成脑电波( Electroence phalogram，EEG )，此EEG将体现出某种节律和空间分布的特征， 并可以通过一定的方法加以检测，再通过信号处理（主要是特征提取和信号分类）从中辨析出人的意图信号，而将其转换为控制命令。来实现对外部设备的控制和与外界的交流。
3.2
BCI系统的基本结构
BCI系统通常由4 个部分组成：信号采集、特征提取、选择分类和外部控制装置。
当前，BCI系统的输出设备多是计算机， 输出形式也各异， 例如在计算机屏幕上显示光标运动、字符选择、计算机仿真模拟， 或者产生对神经假肢、轮椅的控制信号等。
4、BCI系统的关键技术
4.1
信号采集
当前，BCI 系统的两种常用的信号采集方式是侵人式和非侵入式。侵入式需专业医生进行手术把电极内置于大脑， 检测脑皮层电图( Electrocorticogram ， ECoG ) 等信号， 具有一定危险性， 而且还存在心理和伦理问题。非侵入式就
是将电极帽戴在头上检测脑电图( EEG ) 等信号，检测方法简单， 但电极距离神经元较远，测得的信号信噪比低，给后继处理带来麻烦。目前，脑电图应用较多。采集到的信号，经过放大器放大，再经过预处理，最后转化为数字信号存储于计算机中。目前，BCI 系统采集的信号有视觉诱发电位( Visual Evoked Potentials ，VEP ) 、事件相关电位(Event—Related Potentials，ERP)P300、慢皮层电位(Slow Cortical Potentials，scP)、自发EEG的α波、μ节律和β节律信号等。
4.2 特征提取
预处理和数字化处理后的脑电信号经特征提取，提取出反映使用者意图的信号特征。目前，BCI系统常用的特征提取方法有自回归AR模型、小波变换和小波包分解、独立分量分析等。特征提取时，可根据信号的特点选择相应的时域或频域特征提取方法，如：由于P300信号在300ms附近频混严重，需要采用CWT (Continuous Wavelet Transform，连续小波变换)进行提取， 主要提取其时域特性；SSVEP(Steady—State Visual Evoked Potential，稳态视觉诱发电位)频域特性好，可采用FFT(Fast Fourier Transform，快速傅里叶变换)进行提取；μ节律和β节律的事件相关去同步电位(Event—Related Desvnchronizatlon，ERD)的特征提取，需采用大脑运动的对侧效应将其空域特性提取出来。但是，由于EEG信号信噪比低，且某些干扰成分与信号具有相似的时频特性，单纯的时频特征提取因区分度不够，会影响分类效果，因此需求助于更为复杂的时域一空域分析方法对信号进行综合处理。 4.3 信号分类
信号分类是通过分类器来实现的，包括线性和非线性两种类型。线性分类器包括线性判别分析(Linear Discrim—inant Analysis，LDA)、Fisher判别分析等；非线性分类器包括二次判别分析、支持向量机(Suppoa Vector Machine，SVM)、贝叶斯～卡尔曼滤波(Bayesian—Kalman Filter)、人工神经网络(Artificial Neural Nets，ANN)、遗传算法(Genetic Algorithm，GA)、模糊算法(Fuzzy Algorithm，FA)等。其中线性分类器学习简单。在特征维数低的情况下分类精度高，目前应用多。
但对于维数高的非线性数据，线性分类器不再适用，此时应选用非线性分类器。 4.4 人机交互
BCI系统主要的交互手段是生物反馈，其不同于传统控制系统中的反馈。该反馈是系统将输出结果反馈给使用者，使用者将结果与期望进行对比，然后对自身思维意识进行合理调节，使得系统的输出结果更接近于期望值。对于特定的BCI系统是否需要反馈，怎样反馈，如何选择适用的反馈方法等一系列问题有待研究。
5、脑机接口技术所面临的挑战
经过多年的努力，BCI的研究取得了不少令人欣慰的成果，但不可否认的是尚处于发展的初期。目前BCI系统所能达到的最大通信速率约为25bits/min，大多数BCI仍然处于实验室阶段，大部分测试在正常人中进行，在残疾人中测试较少。BCI要进入实际应用阶段，还有很多问题等待解决 划，如：
(1)提高BCI系统的信息传输率，降低误差率；
(2)如何更有效地剔除噪声，获取清晰的脑电信号，寻求有效的信号特征、最优的特征提取和转换算法：
(3)提高用户使用时的自动化程度；
(4)设计出更为合理的学习训练方法，让使用者在尽可能短的时间内最有效地控制其脑电信号特征；
(5)降低BCI对常规运动和感觉输出通道的依赖程度； (6)增强使用者与BCI系统的相互适应性：
(7)BCI的开发要注重个性化、多样化，以满足使用者个体的差异和BCI应用广泛性的要求：
(8)减少电极的数量，降低使用的复杂程度，增强BCI系统的稳定性和兼容性；
(9)制定出科学的规范，准确客观地评估BCI的性能。随着对这些问题的充分认识和逐步解决，BCI最终将走出实验室，进入人们的生活。
6、脑机接口的应用前景
脑机接口研究最初的想法是为残疾人提供一个与外界进行交流的通信方式，让他们通过这样的系统用自己的思维操控轮椅、假肢等。但随着脑机接口技术的日益成熟、社会对智能机器人的需求逐渐增加，脑机接口机器人的概念应运而生。 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。 6.1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。
6.2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。
7、结论
BCI为人们提供了全新的与外界进行交流和控制的方式，人们可以不通过语言和动作来交流，而是直接用脑电信号来表达思想、控制设备，这为智能机器人的发展提供了一个更为灵活的信息交流方式。至今，大多数BCI系统仍然处于实验室研究阶段，真正投入实际使用的很少，BCI的研究和开发还有很多问题需要解决。但是，我们相信，随着计算机科学、神经生物学、数学、智能控制等各个相关学科的不断发展与融合，随着世界各研究小组交流和合作的日益紧密，BCI技术将日趋成熟。形式多样、稳定、可靠、高速、操作简便的BCI机器人一定能在不久的将来进入人们的生活。
BCI技术、基于BCI技术的康复机器人技术都处于研究初级阶段，难免问题重重，但是随着研究的深入，一个个问题终将被解决。其发展前景是模块化和集成化，模块化是集成化的基础，集成化是推广使用的前提。识别率高、信号处理速度快、采集功能通用化、算法处理功能系统化、适应性强、反馈被合理引人、评判标准化的BCI技术有待进一步研究，继而使之模块化。其能处理多种或者大部分信号， 机构设计绿色且实用、响应迅速、控制精准、运动模式多样、评价系统科学的康复机器人技术也有待进一步研究。继而使之模块化。如果模块化的BCI和康复机器人之间能够合理的柔性组合，就像电脑组装一样，那时BCI的时代就来临了，人类思维世界的物质化时代就来临了。
参考文献
[1]Wolpaw JR，Birbaumer N，McFarland DJ．Brain—ComputerInterfaces for Communication and Control[J]．Clinical Neu—rophysiology，2002，113(6)：767—791．
[2]Wolpaw JR，Birbaumer N，Heetderks WJ，et a1．Brain—com—purer Interface Technology：A Review of the Fimt Intema—tional Meeting[J]．IEEE Trans
RehaEng，2000，8 (2)：164—173．
[3]Blankertz B，Dornhege G，Schafer C．Boosting Bit Rates and Error Detection for the Claifyca—tion of Fast-paced MotorCommands Based on Single Trial EEGAnalysis[J]．IEEE Transaction on Neural Systems and Rehabilitation Engineering，2003，11(2)：127—130．
[4]杨瑞霞．脑机接口技术研究[j]．山东轻工业学院学报，2009，23 (2)：46—49． [5]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．
[6] 葛瑜．脑一机接口技术的研究概述[J]．许昌学院学报，2008，27 (5)：53—57．
[7 ]罗尚清，杨浩．脑一机接口系统工作原理综述[J]．医疗卫生装备，2008，29(8)：33—35．
[8]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．
