近期基于脑电图的脑机接口方法及其应用的对比研究和分析

《Neuroscience》:A comparative study and analysis of recent EEG-based brain-computer interface approaches and their applications

【字体: 大 中 小 】 时间:2026年10月10日 来源:Neuroscience 3.3

编辑推荐:

   - 介绍了与近期脑机接口(BCI)发展相关的不同计算技术。 - 脑电(EEG)分类方法的比较。 - 近年来开发的用于EEG分类的深度学习方法比较分析。 - 基于不同计算技术和不同类型数据集的BCI应用。 ## 引言 "脑机接口"(BCI)是指一种使大脑与计算机协作的技术,

  

- 介绍了与近期脑机接口(BCI)发展相关的不同计算技术。
- 脑电(EEG)分类方法的比较。
- 近年来开发的用于EEG分类的深度学习方法比较分析。
- 基于不同计算技术和不同类型数据集的BCI应用。

## 引言

"脑机接口"(BCI)是指一种使大脑与计算机协作的技术,使脑信号能够控制外部活动,包括光标移动或使用假肢。借助BCI,人们可以仅通过大脑与计算机互动,这些脑信号通常通过脑电图(EEG)采集(Wolpaw, 2013)。BCI可以让用户仅通过想象移动左手或右手,分别使计算机屏幕上的光标向左或向右移动(Serdar Bascil et al., 2015)。BCI在多种应用中展现了巨大前景,包括帮助重度残障人士沟通(Chaudhary, 2025)、开发新型游戏控制方式(Djamal et al., 2017)以及创建能够响应用户心理状态的自适应人机界面(Atilla and Alimardani, 2021, Van Erp et al., 2012)。该接口允许直接从大脑控制设备,而无需通过传统的经大脑到神经肌肉系统再到鼠标手指的路径,用于控制光标的信号直接从大脑传送到移动指针的设备。

借助BCI,残障人士可以仅凭思维操作假肢或电动轮椅。它使用计算机芯片和指令来解读特定神经元的信号并执行冲动。与当前需要用户有意识思考的脑机接口技术不同,其他应用如假肢控制可以在用户无意识的情况下运行。推进BCI的关键挑战之一是开发侵入性更小的电极设备或手术方法。根据标准BCI理念,大脑可以接受植入的自动设备并利用它来控制其对身体的感知。目前,正在进行大量关于非侵入性BCI可能性的研究(Castermans et al., 2013)。

人类目标导向行为的核心是意图,这一概念已在心灵哲学中被讨论了数千年。诸如理性思考在意图形成中的作用以及各意图阶段或类型之间时间动态等基本问题均被审视。意图已被多种方式定义,并以多种方式分类。

有人认为人类大脑是身体中最复杂的器官,将其比作一台极其复杂的计算机,其整体设计从未被成功复制或模仿。由于医学和信息技术的发展,BCI时代——尤其是基于脑电图(EEG)的非侵入性变体——才刚刚开启。BCI技术分为两种类型:侵入式和非侵入式。当信号从大脑传输到BCI系统中的计算机或其他设备时。因此,无论是直接的还是间接的,每一项脑活动都必须被监测。脑电活动测量被视为直接连接,而间接连接可通过以下方法发现:

- 功能性近红外光谱成像(fNIRS)
- 功能性磁共振成像(fMRI)
- 血氧测量等

图1描述了BCI的基本方法论。脑活动通过一系列处理阶段被转换为外部设备的控制信号。设备向用户反馈输入,终止反馈回路。

尽管此前的综述主要涵盖了基于EEG的BCI流程中的特定部分,包括信号处理、运动想象范式、机器学习和深度学习算法或应用领域,但本文提供了该流程的整合视图。总体而言,该综述考虑了EEG信号的特征和频段;记录和可穿戴EEG传感器所涉及的技术;预处理和特征提取;传统机器学习和深度学习方法;可自由获取的数据集;特定应用的实现;以及报告的性能。此外,功能脑连接被认为能够提供与BCI控制相关的大脑区域间信息交流的更广泛视角。该综述还比较了计算技术与BCI实际应用和硬件需求,突出了与实现良好信号质量、个体差异、校准、计算复杂性、便携性和实际部署相关的重要问题。这是一份整合分析,为神经科学、信号处理、人工智能和BCI系统开发领域的研究人员提供了统一参考。

## 章节片段

### 脑机接口(BCI)

BCI是现代方法,使大脑与外部设备——通常是计算机——建立即时关联,从而脑信号可用于控制和通信。此类接口有多种应用,如神经科学研究和用于改善运动或感觉功能的医疗治疗。电极被植入大脑或放置在人的头皮上以监测脑活动,并使用复杂算法来评估收集的数据。

### 脑机接口的类型

BCI包含多种类型,每种类型都有其独特的特征和应用。以下是一些最常见的类型及BCI的完整分类。BCI框架通常可分为多个类别。三种分类方案——依赖性、记录方法和运行模式——如图4所示。BCI可根据其依赖性分为依赖型或非依赖型BCI。依赖型BCI需要用户或健康受试者进行练习

### BCI的应用

BCI利用多种设备将脑活动转换为计算机或其他设备的指令。以下是一些常见的应用和设备:

- **光标控制设备**:这些工具使用户能够通过调节脑活动来控制显示器上光标的移动。它们通常用于肢体缺失或瘫痪患者的BCI中。
- **假肢设备**:机器人手臂和腿是假肢技术的示例,允许用户控制

### 历史

BCI的历史可以追溯到19世纪末,当时科学家首次开始实验使用来自大脑的电信号来控制外部设备。然而,在20世纪末,BCI被开发用于日常生活应用。1985年至2026年共有14,592篇文章。结果如下:我们在图5、图6中提供了该领域重要转折点和标志性进展的历史描述,描绘了频率

### BCI中的频率范围

BCI可以辅助残障人士,如行动不便或失去肢体的人,也可以用于研究,如研究支撑感知、认知和行为的大脑系统。电极通常放置在脑表面或直接置于脑上以识别脑信号,然后进行分析以提取可用于操作设备的指令。BCI能够识别和解释的脑脉冲频率范围是

### 传感器概述

传感器监测大脑的信号传输,这些信号随时间波动。因此,此类信号被称为时变信号。通过监测从头皮发出的电场来捕获大脑的电位。EEG具有良好的时间分辨率但空间分辨率较弱(Hajare and Kadam, 2021)。

表5快速概述了当前可用的BCI技术,涵盖软件和硬件方面。信号可以通过侵入性方式采集

### 信号记录设备

BCI使用多种类型的设备来感知和检测神经活动。根据当代BCI研究项目,目前BCI系统接受的三种方法是EEG、ECoG和单神经元记录。它们使用廉价机械并提供有效的通信和控制通道(Mur et al., 2016, Gürk?k et al., 2014, Lo et al., 2016, Mannan et al., 2016)。然而,由于它们依赖于对快速通信敏感性较低的代谢过程,MEG、PET等

### 信号采集

信号采集包括从大脑收集和解释神经信号,是BCI系统中的重要阶段。有多种方式采集脑信号,包括:

- **脑电图(EEG)**:在BCI中,EEG是最常用于采集脑信号的技术。电极放置在头皮上测量大脑的电活动。EEG提供有限的空间分辨率但可提供极佳的时间分辨率。
- **脑磁图(MEG)**:该

### 数据集(公开和私有)

不同分类器相对于数据集的结果见表7,观察到不同分类器的最大准确率在各数据集之间存在变化。基于BCI竞赛数据集的LSTM算法准确率最高。该数据集迄今准确率最高,所有研究者的准确率均超过99.58%。BCI竞赛数据集在所有算法中表现出最高的分类准确率。

### 数据预处理

数据预处理是BCI中的关键阶段,涉及对来自神经信号的原始数据进行准备以便进一步分析和分类。数据准备旨在通过消除噪声和伪迹、降低维度以及识别可用于机器学习模型训练的重要特征来提高数据质量水平。BCI数据预处理中有多种方法,包括:

### 数据采集和预处理

**10-20国际标准化系统** —— 为采集自发EEG,通常使用全球标准化的10-20系统。该设备将电极放置在头皮上,如图示。放置位置由以下因素决定:参考点是枕骨——颅骨底部中线附近的骨性隆起,以及鼻根——与眼睛齐平的鼻梁顶部凹陷。这些位置允许观察横向和中线

### 特征提取和选择

EEG是BCI中最希望使用的模态,因其低侵入性、高时间分辨率和低成本。然而,由于其复杂性和噪声,为BCI实现提供对EEG信号含义的清晰理解具有挑战性。因此,为了改善基于EEG的BCI系统的精度和效率,特征提取和选择是关键任务。该过程将原始EEG信号转换为特征集,可被用于

### 分类计算技术

用于控制动态设备的BCI必须由可靠且高度精确的算法驱动。EEG分类技术必须在现实世界环境中使用。虽然动态设备控制普遍需要高分分类准确率,但对于BCI尤为重要,因为这些设备通常需要在复杂环境中机动或执行精细运动任务。所审查文献中的大量研究集中于引入独特的

### 问题与挑战

目前,BCI处于发展的初级阶段,但具有变革我们与环境互动方式的潜力。BCI的主要挑战之一是信号噪声。脑信号通常充满噪声,使从背景噪声中提取目标信号变得困难。这对非侵入性BCI尤为如此,它们从头皮记录脑信号。应对这一挑战有多种方法,如使用更敏感的电极

### 结论

本研究涵盖了基于EEG的BCI系统整个领域,包括信号采集模式、EEG频段、预处理步骤、特征提取、机器学习和深度学习方法、可公开访问的数据集、平台、应用领域以及基于EEG的深度学习模型模拟以检验近期开发的计算技术性能。本文还包含了脑功能分析的最新发展

### 伦理批准

不适用。

### CRediT作者贡献声明

Narendra Sharma:撰写——初稿、可视化、调查、概念化。Sandeep Kumar:撰写——审阅与编辑、可视化、监督、项目管理。Chandra Prakash:撰写——审阅与编辑、可视化、监督、项目管理。

### 利益冲突声明

作者声明没有已知的竞争性经济利益或个人关系可能影响本文报告的工作。

Narendra Sharma | Sandeep Kumar | Chandra Prakash
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号