左开伟 刘建平 程馨莹

引言

脑-机接口作为一种新生事物，经历了从无到有、从概念模型到实验论证，再到应用开发的过程。1924年， 德国神经学家Hans Berger首次用原始的无线电装置首次发现脑电信号， 纷纷展开了对它应用的研究。1973年，在加州大学洛杉矶分校的Jacques Vidal所负责的项目中，首次给出了BCI系统的定义。 1999年至今，国际BCI会议在美国四次召开，会议总结了BCI技术的发展，探讨了未来BCI技术研究的关键以及BCI系统的开发标准等问题。脑-机接口技术作为一门新兴的多学科交叉的前沿技术已逐渐走出实验室，可广泛应用于医疗康复、家居娱乐和军事应用等领域。

一、BCI的研究意义与发展现状

1.1研究意义

脑机接口（Brain Compmer Interfaces，BCI） 是不依赖传统的肌肉和神经通路，直接解读大脑意识任务，解码成相应的指令控制外部装置实现脑命令的直接输出科学、脑科学、控制科学和计算机科学的交叉研究热点，对于解决神经残疾、特种环境操纵等一系列应用问题具有重要的作用和意义。

（1）医疗康复领域：近年来， BCI技术可望帮助生活不能自理的病人利用大脑意识来实现与外界的交流，帮助这些病人恢复部分生活自理能力，给他们的生活带来新的希望。

（2）军事领域：BCI技术为未来武器装备操控提供了智能化发展方向，已经引起世界各国军方的高度重视。2013年，美国国防部向外界披露了一项“阿凡达”研究项目，计划在未来实现通过意念远程操控“机器战士”，代替士兵在战场上作战，遂行各种特殊作战任务。

（3）日常生活：日常生活中，BCI技术在游戏娱乐、智能家居、实时监控等方面都有着很大的应用空间。2012年，g.tec小组研究了一款脑电游戏系统，用户可以用它玩愤怒的小鸟和魔兽世界。

1.2发展现状

在BCI技术具有极大实际应用价值的推动下，进入二十一世纪，BCI的研究也进入了一个新的阶段。自1999年起，已经成功举办了四次国际BCI数据处理竞赛，极大地推动了BCI研究的发展。2013年6月，华裔教授贺斌用脑电波首次实现了对遥控飞机的控制； 2014年6月巴西世界杯开幕式上，一名瘫痪的男子利用安装在腿部的“外骨骼”为本届世界杯开球。

国内外比较著名的BCI研究机构有：Wadsworth研究中心、Graz-BCI研究机构、Berlin-BCI研究机构、Freiburg/ Tübingen研究小组、Washington/Albany研究小组、NSF、GSU脑实验研究室，以及清华大学高上凯BCI课题研究组等。

二、BCI系统的基本组成

基本的BCI系统框架如图1所示，该系统主要组成包括：信号采集、信号处理、特征提取、分类识别、输出设备等模块，下面就BCI系统的各组成部分及涉及的关键技术做以阐述与介绍。

三、信号采集

BCI系统控制信号的采集是实现BCI技术极为关键的第一步。信号采集系统由记录电极、信号隔离放大器、滤波器和模拟数字转换器等部分组成。其作用是采集来自大脑的头皮信号、脑膜内外信号等，并转换成数字信号作为计算机的输入控制信号，也就是BCI系统的输入信号。

脑电信号采集的一个重要问题是电极导联方式的选择。电极导联方式通常分为单极导联与双极导联两种[12]。单极导联一般选用耳垂、乳突等作为参考点，将参考电极作为相对零电位，记录头皮上活动电极与参考电极的电位差。双极导联是将活动电极等间距地两两放置在头皮的同一区域，记录两个电极之间的电位差，作为放大器的输入。

四、特征产生

特征产生是BCI整个系统的核心模块之，该模块从采集的脑电信号中识别出用户的操作意图，提取能反映用户主观动作意识的特征参数并通过某种算法将之转换为控制外围设备的指令。包括信号预处理、特征提取、特征分类，其中特征提取和分类是BCI信号处理最为关键的环节。

4.1信号预处理

脑电信号的预处理是进行特征提取和分类的必不可少的前提，主要作用是消除干扰，提高信噪比。在此主要有空间滤波、频域的带通滤波、去除眼电、基线校正等。

（1）空间滤波。对于多通道信号，空间滤波对于提高信噪比起着重要作用。常见的空间滤波方法主要有耳突参考，普通平均参考，小拉普拉斯参考，大拉普拉斯参考。

（2）频域带通滤波

由于运动想象发生的脑电信号频带有一定的规律，分析过宽的频带会参杂干扰信号，因此，在预处理中进行带通滤波可消除部分干扰信号，提高信噪比。

滤波器主要由IIR滤波器（无限长脉冲响应滤波器）和FIR滤波器（有限长脉冲响应滤波器）。

此外还要进行去除眼电，基线校正等。

4.2特征提取

特征提取是从信号预处理模块得到的脑信号中提取出少量的有用的信息表示为特征向量，作为后续分类器的输入。随着傅立叶变换在脑电图分析领域的应用，相继引入了频域、时域、时频域等多种特征提取方法。

4.2.1频域分析方法

频域分析方法主要由功率谱估计、双谱分析、自回归参数模型估计等。

（1）功率谱估计。功率谱估计是频域分析的主要手段之一，它主要是从频率的角度直观地观察脑电节律的分布与变换情况；但其方差特性不好，且数据较长时，估计值沿频率值的起伏比较剧烈。

（2）双谱分析。相对于功率谱估计，双谱分析优越之处在于针对一些不同生理状态下的脑信号，有些功率谱很相似，双谱结构却出现明显差异；但双谱分析也有其缺陷性，其要求信号至少三三阶平稳，只对短数据脑信号才有意义。

（3）自回归参数模型谱估计。由于其模型中的系数较易求解，且对数据处理能得到高分辨率的谱分析结果，特别是对脑信号作动态特性分析更显优越，因此在脑信号分析自回归参数模型谱估计技术得到了广泛的应用。

4.2.2时域分析方法

时域分析方法在早期的脑电分析中占据主导地位，主要是提取脑电信号的一些波形特征，提取到的特征物理意义明确、直观性强，主要有幅值检测、方差分析、均值分析、过零截点分析、相关分析、直方图分析等手段，但信号的许多特征需要变换到频域才能有所体现，因此在信号处理方面具有较大的局限性。

4.2.3时频域分析方法

脑信号是非平稳的，单纯的时域或频域分析方法由于时域和频域分辨率的不确定性原理，不会同时在时域和频域获得较高的分辨率，只有把时间和频率结合起来处理才能取得更好的结果。常用的时频分析方法有短时Fourier变换、Wigner-Ville分布和小波变换，近年来也陆续出现各种自适应时频分析方法。

（1）短时Fourier变换。为了研究信号x（t）在时间t内的特征，可加强该时间的信号，压缩其他时间的信号。这个可以通过信号乘以窗函数来实现。由于加窗后的信号加强了围绕时间t的信号，因此，Fourier变换反映的是围绕t的频率分布。

（2）Wigner-Ville分布。Wigner-Ville分布是一种时/频混合的信号表示方法，能同时进行时域和频域分析，并把两者结合起来，其各阶矩具有明确的物理意义。通过Wigner-Ville分布分析，不但可求出信号在时间、频率两域上的分布图，还可以求出信号的频率变化情况。

（3）小波变换。小波变换通过基波的伸缩和平移，解决信号处理时频率分辨率和时间分辨率的矛盾，克服Fourier和Gabor变换的局限性；采用小波基处理方法，在时域和频域都有良好的局部化性质。

（4）Hilbert-Huang变换。1998年，黄鄂博士等提出的希尔伯特-黄变换（Hilbert-Huang Transform， HHT）是一种新的针对非平稳信号的时频分析方法，通过EMD（Empirical Mode Decomposition， EMD）方法得到一系列内蕴模态函数（Intrinsic Mode Function， IMF）。

（5）局部均值分解（LMD）。Jonathan S. Smith在前人的研究基础上提出了一种新的自适应非平稳信号的处理方法——局部均值分解。LMD自适应地将任何一个复杂的非平稳信号分解成若干个瞬时频率具有物理意义的PF分量之和，其中每一个PF分量由一个包络信号和一个纯调频信号相乘而得到。

4.3特征分类

特征分类是基于脑电信号根据不同的运动或意识能使脑电活动产生不同响应的特性，确定运动或意识的类型与特征信号之间的关系。常用的特征分类方法有线性判别分析、贝叶斯-卡尔曼滤波、人工神经网络、支持向量机、遗传算法等。

（1）线性判别分析。在线性判别分析中，从概率统计角度对EEG特征进行分类，先为每一类建立概率密度方程式模型，输入新的数据，计算每一类产生的概率，概率值最大的电所对应的类就是输入权的类别。

（2）贝叶斯-卡尔曼滤波。这是一种经验估值方法，把脑电信号转化成响应的感知状态的概率，因此允许不同状态之间以及一系列训练产生的脑电之间的衔接存在非平稳性。

（3）人工神经网络。神经网络在BCI系统中应用最为广泛，其应用简单，参数选择简单，分类结果准确率较高，但也存在一些缺点，由于其优化目标是基于经验的风险最小化，因而不能保证网络的泛化能力。

（4）支持向量机。支持向量机是一种基于统计学理论的机器学习方法，遵循结构风险最小化原则，保证学习机器具有良好的泛化能力，较好地解决了小样本、非线性、高维数、局部极小点等问题，其缺点是速度慢，不适合大型数据分析。

（5）遗传算法。运用遗传算法，要从检测到的脑电信号中提取出大量特征信号，而后通过遗传算法去除伪特征信号，保留有用的特征信号作为驱动信号。缺点是速度较慢，需要较长的训练时间，其并行机制的潜在能力没有得到充分的利用。

五、结束语

经过30年的发展，BCI系统在理论与技术上已经日趋成熟，尤其近十年来，随着神经科学、认知科学和计算机科学的飞速发展，BCI理论技术取得了长足的发展与进步，应用领域也逐渐扩大，在各领域的巨大成就展示了其无限的应用潜力。本文从脑信号采集、信号预处理、特征提取和分类等模块系统地介绍了BCI，并对各部分涉及到的常用关键技术做了简单介绍。然而，BCI技术目前仍处于发展阶段，相信在神经学科、电子学科、心理学科、计算机学科等各个学科的研究者们的努力下，BCI技术将日渐成熟，在不久的将来造福于人类。