基於腦電的無創腦機介面研究進展
近20年來，腦機介面（brain computer interface，BCI）迅速成為研究和應用的熱點。自1973年Vidal首次提出腦機介面這一術語以來，腦機介面在神經科學、神經工程和臨床康復等領域受到越來越多的關注。腦機介面研究的最初目的是提供一種非肌肉控制的信息交流通道，以幫助嚴重運動障礙患者實現與外界的交流。腦電圖、腦磁圖、功能磁共振成像、近紅外光譜功能成像及神經元記錄等監測大腦活動的方法均可為腦機介面提供輸入信號。在所有方法中，腦電（electro-encephalogram，EEG）因無創、使用方便、設備價格低廉等優點成為腦機介面研究最常採用的信號。一個典型的腦機介面系統由信號採集、信號處理和設備控制3部分組成（圖1）。本文僅關注基於腦電的無創腦機介面方法。
圖1 基於腦電的無創腦機介面系統框圖
腦機介面研究先驅在20世紀的早期工作為腦機介面領域奠定了重要的基礎。1977年，Vidal開發了基於視覺事件相關電位（event-related potentials，ERPs）的腦機介面系統，通過注視同一視覺刺激的不同位置實現了對4種控制指令的選擇。1988年，Farwell和Donchin提出並設計了P300拼寫器，將字元排列成6×6的字元矩陣，該矩陣中的字元按行或列隨機閃爍以誘發P300成分。20世紀90年代初，出現了基於感覺運動節律的腦機介面。Woplaw等訓練用戶自我調節mu節律的幅值，通過mu節律幅值的變化實現游標的一維控制。Pfurtscheller等構建了基於感覺運動節律的事件相關去同步（event-related desynchronization，ERD）的腦機介面系統，從ERD的時空模式區分想像左/右手運動。與此同時，基於事件相關電位的腦機介面範式也得到了進一步擴展。1992年，Sutter開發了一種基於偽隨機序列調製的視覺誘發電位（visual evoked potentials，VEPs）的腦響應介面，該系統利用視覺誘發電位可在一個8×8視覺鍵盤上識別用戶注視的方向。1999年，Birbaumer等利用慢皮層電位（slow cortical potentials，SCPs）幅度變化控制游標一維運動，實現了名為思維翻譯器（thought translation device，TTD）的文字拼寫腦機介面。
21世紀後的近20年，腦機介面研究取得快速發展，參與腦機介面研究的機構和相關科學出版物的數量都大大增加，這一點在2000年以來該領域同行評審的論文數量中得以證明（圖2）。
圖2 以EEG和BCI為關鍵詞，在Scopus中檢索到2000—2017年發表論文的數量
腦機介面研究在演算法、範式、應用3個方面均取得了很大的進步。在演算法研究方面，先進的腦電信號處理和機器學習演算法應用於早期的腦機介面範式（例如，基於P300電位和感覺運動節律的腦機介面）取得了顯著的性能提升。在系統範式方面，基於穩態視覺誘發電位（steady-state visual evoked potential，SSVEP）的腦機介面、基於運動起始時刻視覺誘發電位（motion onset VEPs，mVEP）的腦機介面等諸多新範式相繼湧現並日益成熟。基於事件相關電位的各種視聽覺腦機介面被證實具有較高的信息傳輸率（information transfer rate，ITR）。將其他生理信號加入到傳統的腦機介面中進而形成的混合腦機介面（hybrid BCI）範式在腦機介面的性能和系統靈活性方面均顯現出優勢。在系統應用方面，各種腦機介面的應用不斷湧現，大大拓展了腦機介面的應用範圍。專為交流和運動康復設計的輔助型/康復型腦機介面已被廣泛應用於實驗研究和臨床試驗，並驗證了這些系統適用於肌萎縮側索硬化症、中風和脊髓損傷患者。此外，利用腦機介面技術針對健康人群的非醫學領域應用呈穩定增長趨勢，涉及安全、教育、遊戲、狀態監測以及身體、感覺或認知能力增強等眾多領域。
近年來，腦機介面技術取得了飛速的發展，眾多新範式和腦電編碼解碼新方法不斷湧現。儘管腦機介面性能得到了顯著提高，目前將腦機介面系統從實驗室研究推向實際日常生活應用仍面臨諸多挑戰。本文重點關注基於腦電的無創腦機介面，從腦機介面的類型、應用及其面臨的挑戰3個方面介紹基於腦電的腦機介面的研究現狀。
腦機介面的類型
腦機介面的分類不僅有利於總結當前腦機介面所處的水平，而且還有助於建立系統設計的通用性框架。為了對當前腦機介面系統進行有針對性的概述，本文根據腦電信號的特點將現有基於腦電的無創腦機介面系統分為3大類：1）基於事件相關電位的腦機介面；2）基於感覺運動節律的腦機介面；3）混合腦機介面。本文重點介紹腦機介面研究中廣泛使用的腦電信號及相應的系統範式（表1）。需要指出的是，除腦電信號外，混合腦機介面還研究包含肌電、眼電等其他類型的生理信號，也包括近紅外光譜（near-infrared spectroscopy，NIRS）等其他神經活動檢測方法。
表1 基於腦電的腦機介面系統的分類
基於事件相關電位的腦機介面
1）用於腦機介面研究的事件相關電位信號。事件相關電位（ERP）原稱誘發電位（evoked potential，EP），是由刺激誘發產生的腦電活動。事件相關電位的波形通常由多個波峰和波谷組成，稱為事件相關電位成分。有兩類事件相關電位信號在腦機介面系統中得到了廣泛應用。第一類是視覺誘發電位，包括了瞬態視覺誘發電位（transient VEP，TVEP）、穩態視覺誘發電位、運動起始時刻視覺誘發電位和編碼調製視覺誘發電位（code-modulated VEP，cVEP）。視覺誘發電位是由視覺刺激引起的事件相關電位，在大腦枕區具有最強響應。另一類為P300電位，它是一種在相關事件刺激後300~400 ms內出現的正向波，在大腦的中央區和頂區具有較強響應，在oddball實驗範式里反映了刺激評估、選擇性注意和意識區分的過程。除了上述兩類事件相關電位信號，也有少許研究採用其他類型的事件相關電位信號，如聽覺誘發電位（auditory evoked potential，AEP）、N2pc、錯誤相關負波（error-related negativity，ERN）及N400等。如圖3所示，基於事件相關電位的視聽覺腦機介面通過注意和心理任務調節視聽覺刺激誘發的事件相關電位，用於解碼感覺、知覺、和認知活動。
圖3 基於事件相關電位的視聽覺腦機介面範式
2）事件相關電位的刺激編碼。事件相關電位腦機介面中的刺激編碼方法可以通過引入通信領域的多址（multiple access，MA）技術進行系統分類。這種分類有助於促進對系統範式的理解，使其可以統一到信號調製的框架下。事件相關電位腦機介面系統中的信號調製方法可以分為時分多址（time-division multiple access, TDMA）、頻分多址（frequency- division multiple access，FDMA）、碼分多址（code division multiple access，CDMA）和空分多址（space-division multiple access，SDMA）。首先，時分多址允許多用戶通過將信號分成不同的時隙來共享相同的通信信道。在基於事件相關電位的腦機介面中，時分多址是最為常見的多目標編碼方法。基於視覺P300電位、mVEP、tVEP的腦機介面均採用時分多址方法進行調製。其次，頻分多址將整個頻帶劃分為多個獨立的頻帶，每個頻帶用於不同的用戶。基於穩態視覺誘發電位的腦機介面是一種典型的頻分多址系統。相比於時分多址方法，頻分多址方法具有更高的編碼效率。再次，碼分多址通過分配不同的序列來調製用戶的信號。基於偽隨機序列調製視覺誘發電位的腦機介面是典型的碼分多址系統。碼分多址的腦機介面系統與頻分多址具有相當的性能。最後，空分多址將地理空間劃分為多個用戶的較小空間。基於空分多址的腦機介面系統可以利用視野中不同刺激位置的視網膜視圖映射來誘發tVEP或SSVEP的不同空間模式。空分多址中目標數量通常受到基於腦電的視網膜定位的低空間解析度的限制。
3）事件相關電位的解碼。事件相關電位的解碼可以看作是一個腦電模式識別問題，包括數據預處理、特徵提取、和分類。信號處理和機器學習是事件相關電位解碼中兩種主要的數據分析技術。信號處理演算法已被廣泛應用於預處理和特徵提取步驟中。數據預處理的目的是通過去除與任務無關的雜訊以提高事件相關電位信號的信噪比。帶通濾波和空間濾波是2種常見的預處理技術。帶通濾波用於保留事件相關電位信號對應的頻率範圍。空間濾波則通過計算多導腦電信號的加權線性組合以找到能最大程度區分不同類別的投影方向。此外，多試次平均是提高事件相關電位信噪比的另一種有效方法。預處理之後，需提取能夠反映事件相關電位信號特點的特徵，通常利用信號的時空信息。除了時域和空域的特徵之外，頻域上的特徵也被用於檢測SSVEP。在特徵提取之後，機器學習演算法被應用於分類。諸如線性判別分析（linear discriminant analysis，LDA）和支持向量機（support vector machine，SVM）的分類器演算法被廣泛應用於對事件相關電位的時空特徵進行分類。
基於感覺運動節律的腦機介面
1）用於腦機介面研究的感覺運動節律。在想像運動時，mu/beta節律的事件相關去同步/同步（event-related desynchronization/synchronization，ERD/ERS）對應於不同狀態（例如左手和右手）顯示出特有的空間模式。大量研究表明，通過反饋訓練人們可以利用想像運動來調節感覺運動節律的幅值（上升或下降）。近年來，基於感覺運動mu/beta節律的腦機介面發展迅速。想像運動是實現感覺運動節律腦機介面的基本策略。例如，在由Wolpaw及其同事開發的Wad-sworth BCI中，受試者利用其mu/beta節律幅值實現一維、二維或三維游標控制。感覺運動節律腦機介面的另一類實現方法則是利用模式分類技術對想像運動狀態（例如左手和右手）進行分類。由Pfurtscheller領導的Graz BCI利用空間濾波器和分類器訓練受試者產生可區分的想像運動狀態，進而建立一個允許同時進行腦機協同學習的腦機介面系統。該系統可區分想像不同身體部位運動時（包括左右手、腳和舌頭）事件相關去同步/同步更為複雜的時空模式。圖4為基於想像運動的腦機介面系統原理示意。
圖4 基於想像運動的腦機介面範式
2）感覺運動節律的特徵提取和分類。檢測mu/beta節律事件相關去同步/同步的常用特徵包括頻帶能量值、Hilbert變換的幅值包絡和自回歸模型。時頻分析因能綜合考慮腦電在時域和頻域的動態變化而能夠提供更為詳細的特徵，進而提高分類性能。除了時域和譜特徵之外，想像運動時事件相關電去同步/同步表現出特定的空間模式，因此空間特徵的提取對於區分想像運動狀態也尤為重要。例如，共空間模式（common spatial pattern，CSP）及其擴展演算法濾波器組共空間模式（Filter bank common spatial pattern，FBCSP）已被證明能夠高效地提取想像運動狀態的任務相關信息。諸如獨立成分分析（independent component analysis，ICA）的無監督方法也已被應用於提取獨立的感覺運動成分，進而實現無需校準的零訓練系統。另外，腦電源成像方法也被用於提取腦電源空間的空間特徵。在對腦機介面的想像運動狀態的分類時，腦電源成像方法顯示出更高的空間解析度和特異性等優點。此外，諸如非線性回歸係數、相位鎖定指數（phase locking value，PLV）的幅度和相位耦合測量等方法也被應用於提取能夠反映想像運動涉及的多皮層區域間連接的大腦同步特徵。特徵提取之後，諸如LDA和SVM的常用分類器將特徵轉換為連續或離散的控制命令以操控外設。
混合腦機介面
1）混合模態。混合腦機介面是指將腦機介面與其他的生理或技術信號相結合的系統。混合腦機介面的目的是通過整合多個輸入信號以提高腦機介面的性能，進而擴大終端用戶群。在混合腦機介面中，至少有1種腦信號作為腦機介面的意圖輸入以實現實時通信或控制。根據第2種信號的模式，混合腦機介面可以分為純粹混合腦機介面（pure hybrid BCIs）和交叉混合腦機介面（mixed hybrid BCIs）。純粹混合腦機介面通過綜合2種腦電模態各自優勢以提高整體系統的性能。常用的混合腦電模態包括事件相關電位和感覺運動節律的結合（例如SSVEP-想像運動、P300-想像運動）以及2種事件相關電位的結合（例如P300-SSVEP、N2pc-SSVEP、cVEP-SSVEP）。除了腦電信號的結合之外，還可以利用其他類型的腦信號來構建純混合腦機介面。例如，NIRS和腦電相結合的腦機介面能夠顯著提高想像運動的分類精度。交叉混合腦機介面將腦電與其他非腦信號相結合以實現更為精確可靠的控制。控制信號可以是生理信號（如肌電、眼電、心電）或來自其他現有輸入設備（如眼動追蹤系統）的信號。例如，可以通過患者的殘餘肌肉活動調製的肌電信號與各種腦電信號相結合實現混合腦機介面以顯著提高正確率和信息傳輸率。混合腦機介面按不同模態信號的工作時序可以分為串列和並行2種（圖5）。
圖5 基於事件相關電位和感覺運動節律的2種混合範式
2）混合腦電信號。純粹混合腦機介面中有2類不同的方法來形成混合腦電信號。一類方法是設計多個心理任務的混合腦機介面範式，通過誘發不同的腦電信號實現單一或多個維度的控制。例如，頻率編碼的SSVEP刺激能夠疊加到用標準行/列範式編碼的P300刺激上，所注視的目標刺激能夠同時誘發P300和SSVEP，提高目標和非目標刺激的可區分性。同步進行的想像運動任務（想像左手或右手運動）和視覺注意任務（注視左側或右側閃爍刺激）將會同時產生事件相關去同步和SSVEP這2個獨立的特徵，進而提高系統的分類性能。另一類方法則是採用能夠誘發多個腦電信號的單一類型心理任務。事件相關電位和腦節律振蕩相結合能夠提高腦電模式的可區分度。例如，事件相關去同步/同步與單側化準備電位（lateralized readiness potential，LRP）的結合有助於想像運動任務的分類。
信息傳輸率研究進展
在腦機介面研究中，信息傳輸率（ITR）是一個被廣泛用於評估腦機介面性能的指標。信息傳輸率定義為單位時間內傳輸的信息量（單位為bit/min）：
式中，M為目標數量；P為平均分類正確率；T為輸出一個命令所需的時間。提高腦機介面信息傳輸率通常要考慮M、P和T這3個參數及其之間的相互影響。
信息傳輸率的發展
腦機介面系統的信息傳輸率在21世紀初開始得到大幅提高。2002年，Wolpaw等發表的綜述中提及腦機介面的最高信息傳輸率為10~25 bit/min。在過去的十幾年中，研究者主要從增加分類目標數量、提高目標識別演算法精度、減少輸出命令所需時間等方面來提高腦機介面的信息傳輸率。對於基於感覺運動節律的腦機介面而言，雖然高效的信號處理和機器學習演算法能夠提高其信息傳輸率，但因其信號特徵來自於自發腦電活動且可分類目標數量較少等原因，其信息傳輸率通常低於15 bit/min。而基於事件相關電位的腦機介面的信息傳輸率則取得了較大突破。基於事件相關電位的腦機介面的信號特徵來自誘發腦電活動，便於增加分類目標數量。隨著高效的信息編碼和腦電解碼方法應用，與早期相比，當前基於事件相關電位的腦機介面的信息傳輸率已提高了數倍。其中，P300腦機介面、SSVEP腦機介面及cVEP腦機介面的信息傳輸率已超過100 bit/min。與單一模態腦機介面相比，並行範式的混合腦機介面的信息傳輸率能夠獲得明顯提高，但其信息傳輸率依賴於所採用的信號。
高速率SSVEP腦機介面
近年來，SSVEP腦機介面的信息傳輸率從過去60~75 bit/min的水平逐步提高到300 bit/min以上。2014年，Chen等利用採樣正弦編碼方法開發了一套45目標的文字輸入系統並獲得了105bit/min的信息傳輸率，通過濾波器組典型相關分析方法，信息傳輸率進一步提升至151 bit/min。Nakanishi等將個體校準數據引入SSVEP檢測，並結合頻率和相位混合編碼方法，獲得了166 bit/min的信息傳輸率。2015年，Chen等提出頻率和相位聯合編碼方法，並以1字元/s的拼寫速度，將信息傳輸率提高至267 bit/min。2018年，Nakanishi等開發了基於任務相關成分分析的SSVEP檢測方法，獲得了325 bit/min的信息傳輸率，為目前無創腦機介面報導的最高信息傳輸率。
腦機介面的應用
在電子、計算機、通信等信息技術快速發展的推動下，腦機介面正從實驗室走向實際應用。現有的腦機介面應用主要關注於用戶意圖的解碼和輸出，即用戶主動執行一定心理任務編碼意圖，經腦電解碼方法解讀後轉換為指令，從而實現與環境的通信交流以及對設備的控制。腦機介面連接的設備通常是輔助或康復類的設備，可以用於醫學和非醫學領域。除通信和控制外，腦機介面也被用於用戶精神狀態的實時監測。
醫學領域的應用
腦機介面研究的初衷是幫助運動障礙患者。迄今為止，腦機介面的主要應用仍集中於醫學領域。基於事件相關電位的腦機介面可能是最受歡迎的腦機介面系統，可作為嚴重運動障礙患者（例如，肌萎縮側索硬化症患者）的輔助通信和控制方法。與感覺運動節律腦機介面相比，基於事件相關電位的腦機介面的主要優點是相對容易獲取可靠的信號且所需訓練較少。肌萎縮側索硬化症患者能夠利用視覺P300腦機介面在家居環境里長時間使用各種軟體和家用電器。然而，對於喪失眼動控制能力的完全鎖定綜合症（complete locked-in syndrome，CLIS）患者而言，腦機介面應用仍存在挑戰。與輔助通信和控制的應用不同，感覺運動節律腦機介面被認為是一種有效的神經康復方法，腦機介面康復訓練有望幫助病人加速恢復喪失的運動功能，在中風患者人群中應用最為廣泛。感覺運動節律腦機介面在假肢或功能性電刺激（functional electrical stimulation，FES）的幫助下，通過檢測患者的運動意圖並將其轉換為實際的肢體運動。這種由大腦主動參與的康復訓練被認為有助於神經迴路的重組，從而加速受損運動功能的恢復。
非醫學領域的應用
基於事件相關電位和感覺運動節律的腦機介面可作為一種新型的人機交互方法應用於非醫學領域，特別是在娛樂和遊戲行業。用於遊戲開發的腦機介面可以靈活依賴於腦電信號與其他類型信號的混合控制以實現一種新穎的人機交互方式。對於健康用戶而言，一個新興重要的腦機介面應用方向是實時監測用戶的心理狀態（例如警覺性、注意力、壓力、認知負荷、情緒等）。這一類型的腦機介面也被稱為被動式腦機介面，通常可以採用混合腦機介面的形式，在必要時還包括其他生理或環境信號，以更全面地了解用戶的狀態。被動式腦機介面可為駕駛安全、教育、用戶體驗或神經營銷等領域提供更客觀的評價。儘管還處於實驗室研究的早期階段，腦機介面在非醫學領域的應用數量呈現出穩定上升的趨勢，並且具有更為廣泛的應用人群。
無創腦機介面研發麵臨的挑戰
儘管各種腦機介面範式的可行性已得到驗證，但是將現有的腦機介面技術由實驗室研究階段推向實用化階段仍面臨諸多挑戰。首先，腦機介面的性能尚待提高，腦電編解碼技術的突破是提高系統信息傳輸率的關鍵。其次，腦機介面的實用化很大程度上依賴於移動式腦機介面平台的開發。此外，腦機介面的廣泛應用將對融合人腦和機器的新型腦機交互和腦機融合技術提出更高的要求。
腦電編解碼技術
腦機介面的性能是實現腦機介面實際應用的關鍵因素。由於腦電技術的局限性，通訊速率瓶頸問題尚未解決。特別是在複雜的環境下，較低的信息傳輸率仍是腦機介面應用的主要障礙。腦電編解碼技術的改進是提高腦機介面信息傳輸速率的關鍵，所面臨的挑戰主要包括以下2個方面。
1）分類正確率在信息傳輸率的估算中至關重要。通過腦電編解碼技術提高分類正確率的研究可歸納為2個方向：（1）提高任務相關腦電信號的信噪比。先進的信號處理演算法已被應用於去除偽跡、空間濾波以及特徵提取。（2）最大化多個目標的可分性。為此，基於機器學習的分類技術已被廣泛應用於特徵提取、特徵組合和分類。此外，通過在腦電信號中編碼更多的特徵信息（如混合腦電信號）也可提高多個目標的可分性。
2）可識別目標數在信息傳輸率的估算中也起著重要的作用。在基於感覺運動節律的腦機介面中，因腦電模式的低空間解析度導致其目標數量非常有限（比如想像手、腳、舌頭運動）。目標數量可通過啟用二維和三維連續移動控制提高。基於事件相關電位的腦機介面在實現較多目標數量方面表現出獨特的優勢，採用通信領域的多址技術可以編碼大量目標。隨著神經解碼技術的發展，腦電信號有望用於解讀更高維度、更抽象的思維信息。
移動式腦機介面
雖然基於腦電的腦機介面在性能上獲得顯著提升，但實際的腦機介面應用因缺乏便攜以及諸如塗抹導電膏等繁瑣的系統設置而受限。開發移動式腦機介面平台有助於腦機介面系統走出實驗室進入日常生活。設計移動式腦機介面系統需要解決如下3方面的挑戰。
1）移動式腦機介面系統需要先進的腦電感測技術以替代基於導電膏的電極皮膚接觸，這些步驟在傳統高密度腦電系統中需要較長時間才能完成。乾電極等新型腦電電極技術有望用於實現即戴即用的腦電信號採集。
2）利用移動式硬體進行刺激呈現、信號獲取和數據採集的攜帶型平台是擴展腦機介面應用所必須的。諸如智能手機等移動設備的快速發展使實現真正攜帶型腦機介面成為可能。
3）偽跡去除技術對於移動式腦機介面是必要的。一般而言，在實驗室環境下受試者被要求保持靜止狀態且只關注於實驗任務以獲取乾淨的腦電記錄。然而，在日常生活中，因為用戶的行為不受限制，運動偽跡和環境雜訊將對腦電信號造成嚴重的干擾。
從腦機交互到腦機融合
經過最近20年的快速發展，基於腦電的腦機介面系統的構建方案已相對完善。由人腦、腦機介面、外部設備直接參与的腦機交互過程逐漸轉變為腦機介面研究的重點。目前，基於在線閉環腦機介面的腦機交互研究面臨諸多挑戰。
1）在腦機介面系統構成中，腦機交互體現在人腦和計算機演算法間的交互學習和適應。大腦學習和機器學習的交互適應需要為腦電的個體差異和非平穩問題提供有效的解決方案。
2）在腦機介面應用中，腦機交互體現在人腦和設備或環境之間的信息交互。基於視聽覺反饋和神經調控技術構建的雙向閉環腦機介面系統需要具備更高的效率和可靠性。
3）隨著人工智慧和機器智能技術的快速發展，藉助腦機介面構建的腦機智能技術將成為腦機介面發展的新方向。新型腦機混合智能需要兼具生物智能（感知、記憶、推理、學習）和機器智能（整合、搜索、計算）的優勢。
結 論
在過去的20~30年，基於腦電的無創腦機介面技術取得了前所未有的進步。除了幫助運動障礙患者實現與環境進行交流的最初目的外，當前腦機介面應用已經擴展到包含大腦狀態監測、神經康復及認知增強等諸多領域。廣義的腦機介面系統可以重新定義為一種利用在線腦信號分析技術以影響人與環境實時交互的平台。目前腦機介面技術更注重於通過人腦與輸出設備之間的交互實現腦機一體化的融合。更多實際的腦機介面應用將被用於進一步研究腦機動態交互過程中人腦與設備間的相互作用，並以此為基礎開發更高效的腦機融合方法與系統。在不遠的將來，以神經信息獲取、解析、調控、腦機融合為重點的新型腦機智能研究將推進腦機介面技術取得重大的創新和突破。
參考文獻（略）
作者簡介：陳小剛，中國醫學科學院北京協和醫學院生物醫學工程研究所，助理研究員，研究方向為腦機介面；王毅軍（通信作者），中國科學院半導體研究所，研究員，研究方向為腦機介面和神經計算。
注：本文發表於《科技導報》2018 年第12 期，敬請關注。
（責任編輯 劉志遠）
《科技導報》
中國科協學術會刊
TAG:科技導報 |