脑机接口BCI研究综述(概念,算法,应用,未来等问题).

汇报人：朱同学BCI基本概念BCI神经影像方法与控制信号BCI分类算法BCI模式识别BCI应用现状BCI(brain-computerinterface)有时被称为MMI、DNI、STI以及BMI，是一种不依赖于外周神经和肌肉组织等常规大脑信息输出通路，而运用工程技术手段在大脑和计算机或者其他机电设备之间建立直接“让思想变成行动”的对外信息交流和控制新途径。BCI是一种人脑与设备的共存，其将处理后的信号去控制外部设备，将外部设备作为身体一种自然存在BCI被设计完成人体感官恢复，感觉信息传输回大脑活通过人为产生的电信号刺激大脑。图1BCI模型图2BCI基本处理模型图3BCI工作模式图4BCI操控原理图图5BCI工作模式神经影像方法测量活动直接/间接时间分辨率空间分辨率风险便携EEG电力的直接~0.05s~10mm非侵入式便携MEG磁性的直接~0.05s~5mm非侵入式不便携ECoG电力的直接~0.003s~1mm侵入式便携INR电力的直接~0.003s~0.5mm（LFP）~0.1mm（MUA）~0.05mm（SUA）侵入式便携fMRI变化的间接~1s~1mm非侵入式不便携NIRS变化的间接~1s~5mm非侵入式便携表1神经影像方法汇总•侵入式BCI系统是在神经外科手术中直接植入到大脑灰质中•因为芯片植入在灰质中，侵入式装置产生最高质量的BCI系统信号，但容易产生创伤组织的积聚，从而导致该信号变弱，甚至消失。•脑电（EEG）通过在头皮安置检测电极描记所得的数以亿计大脑皮层神经细胞的群体活动在头皮表面感应到电位分布。根据临床电生理学理论，EEG反应了大脑皮质某一特定区域神经细胞群同步的电位差。•脑皮层电图（ECoG）采集颅骨下方的大脑活动的电信号，与非侵入式的EEG相似，但电极被嵌入在一个放置于皮层上方，硬脑膜下方的薄塑料垫•fMRI=FunctionalMagneticResonanceImaging（功能磁共振成像）利用携带氧的血红蛋白的磁特性。被激活的大脑部分增加了氧含量，从而提高了含氧血红蛋白与脱氧血红蛋白间的比率。•脑磁图（MEG）检测大脑中所创建的“火”的单个神经元的小磁场。它可以精确定位活动区域（毫米级）并且能够追寻在大脑中传播时的脑活动的运动•BCI目的是通过检测大脑活动的方法来解释用户的意图。大脑信号涉及众多与认知任务相关的现象。而他们也尚未被理解，初始点亦不可知。然而某些生理现象的脑信号已被人们解码，被视为可能的控制信号。目前在BCI采用的控制信号的讨论如表2所示。信号生理学现象训练传输速率成果VEP（视觉诱发电位）大脑信号在视觉皮层加工处理否60-100bits/min被试可通过学习如何控制自身视觉诱发电位幅值来控制飞行器方向、电话拨号系统SCP大脑信号中缓慢的电压变化是5-12bit/min击中光标，被试(如肌萎硬化症)可以使用思维翻译工具来训练产生自发SCP变化P300正向峰值出现在相关事件后约300ms否20-25bits/min虚拟打字系统（根据随机闪烁光标）、猴子远程控制机械手臂、2013广西意见控制赛车SMR（感觉运动节律）与运动行为同步的节律变化是3-35bits/min广泛应用，知名的Wadworth、Berlin、Graz。可应用于ERS/ERD；想象左右手运动（上交篮球）表2控制信号讨论类型半侵入侵入非侵入神经手术ECoGEEG,MRIBCI系统分类此外，根据输入信号产生方式分为：诱发式BCI/自发式BCI，前者需要额外刺激装置（加自身通路），后者完全来自使用者自发脑电（环境、情绪影响）；根据BCI系统工作方式：同步BCI/异步BCI，前者需要在预定时间内进行特定思维活动，后者通信不由系统控制，由用户初始化。不同思维活动产生不同模式的脑信号，BCI被看作一个模式识别系统。设计一个合适的特征集是一个难点。大脑信号隐藏于大量的噪声环境下（在时间、空间中重叠），因此在多数情况下，使用简单的方法（如带通滤波器）是不够的。脑信号本质上是不固定的。特征出现的时间信息需要获取。一些方法是把信号分割为小段，参数可由每段估计。然而，片段的长度会影响估计的准确性。傅里叶变换在此效果不好，小波变换和自适应回归（ＡＲ）是优选，以揭示大脑信号的非平稳时间变化。另外一种新型的称为静止子空间分析（ＳＳＡ）被提出用于非平稳ＥＥＧ信号。方法性质应用降维ＰＣＡ－线性变换－可能相关集合变换为非相关集合－最优的表示数据的最小平方和－有效的减少噪声和维度的方法。ＰＣＡ要求参数为不相关的ＥＥＧＩＣＡ－分解混合信号到原始信号－相互统计独立的潜在来源－强大而有效的噪声清理工具。成分要求与ＥＥＧ信号相互独立空间ＣＳＰ（共空间模式滤波）－空间滤波器用于两类信号，多级扩展存在－在同步ＢＣＩ中效果好，异步较弱－其性能受空间分辨率影响。一些电极的位置为特定的大脑活动提供更多的判别信息－改进：ＷＣＳＰ，ＣＳＳＰ，ＣＳＳＳＰ时域｜频域ＡＲ－频谱模型－短时段的高频率分辨率－不适用于非稳定信号ＭＦ（匹配滤波）－检测与预测已知的信号或者模板相匹配的特定模式－适用于检测相一致的时间波形特点ＣＷＴ－提供频率和时间信息－适用于非稳定信号ＤＷＴ－降低了ＣＷＴ冗余性和复杂性表３模式识别方法讨论表３模式识别方法讨论（续）方法性质应用特征选择ＧＡ－高资源消耗－可能过早收敛ＳＦＳ／ＳＢＳ－找出特征最优子集，通过顺序添加／删除特征集，顺序向前和顺序向后ＳＦＦＳ／ＳＢＦＳ－改进版本－基于加Ｌ－除ｒ算法－部分克服了ＳＦＳ／ＳＢＳ的不足ＢＣＩ不良信号（噪声和伪迹）主要分为两类：生理学和非生理学（技术）：前者通常由于肌肉、眼部和心脏活动引起；后者多归因于电力线噪声或者电极阻抗改变。（被试）ＢＣＩ系统中分类旨在基于模式识别步骤下所提供的大脑活动特征向量的基础上认知用户的意图。回归和分类算法均可以实现该目标，但分类算法是目前最常用方法。回归算法使用ＥＥＧ信号提取出的特征作为独立变量去预测用户意图。相反，分类算法将提取出的特征作为独立变量来定义特征空间中不同目标的边间。图６分类与回归区别方法性质应用生成模型贝叶斯分析－分配观测特征向量到标记它所属最高概率的类中－产生非线性的决策边界－在ＢＣＩ系统中不常见线性方法线性判别分析－简单分类与可接受准确度－低计算需求－不适用于异常值或者强噪声的存在，需正规化－通常为两类。扩展多类版本支持向量机－线性和非线性（高斯）方式－二类或者多类方法－最大化最近的训练样本之间的距离和超平面－不适用于异常值或者强噪声的存在，需正规化－快速分类非线性ｋ－近邻分类－使用测试特征集与其近邻间的公制距离－多类－高效处理低维特征向量，对其维数非常敏感人工神经网络－非常灵活的分类－多类－多种架构表４分类方法讨论许多研究者关注在构建ＢＣＩ应用系统，以期该项技术可以帮助那些患有严重运动障碍疾病的人们。最近应用的发展主要归功于基于ＥＥＧ的ＢＣＩ领域，因为它们提供可接受质量的信号并且低成本、便操作的设备。其应用系统不仅希望提升严重残疾人群的生活质量同样也使得照顾者们减轻生活的繁重。此外，ＢＣＩ代表着一个可以揭示隐藏在用户脑中不能被表达的信息工具。图７ＢＣＩ应用领域间关系，ＢＣＩ转换速度和用户能力ＢＣＩ的应用主要分为五类：交流；运动修复；环境控制；运动；娱乐；图８吃豆子游戏、应用传感器置于用户脑中，用于获取用户的意图信息研究人员已经开发了本田公司的阿西莫机器人，人们可以通过思维去控制它游戏控制采用可穿戴式无线脑电图为基础的新颖干泡式传感器接口视觉假体，通常被称为仿生眼，是一种实验视觉装置，帮助部分或者完全失明的或者恢复视力功能结论技术：更加有效的预处理算法信息传输速率目前还不能满足产品化的需要一般操作者为了产生可以被识别的控制信号，需要经过一定时间的训练信号识别的正确率有待提升国家政策：国家中长期科技发展规划纲要提出2015年实现“人人享有康复服务”的国家战略，并把其作为国家科技支撑计划重点资助项目。每年一度的BCI大奖