《Engineering》:Toward Reliable Asynchronous Brain–Computer Interfaces via Periodic–Aperiodic Feature Integration
编辑推荐:
异步脑-机接口(brain–computer interfaces, BCIs)使用户能够按需发起指令,与传统同步系统相比,提供了一种更自然、更灵活的人机交互范式。然而,准确区分意图控制(intentional control, IC)与非控制(non-con
异步脑-机接口(brain–computer interfaces, BCIs)使用户能够按需发起指令,与传统同步系统相比,提供了一种更自然、更灵活的人机交互范式。然而,准确区分意图控制(intentional control, IC)与非控制(non-control, NC)状态仍是一个关键挑战,尤其在基于非侵入式稳态视觉诱发电位(steady-state visual evoked response, SSVER)的BCI中。现有方法要么依赖刺激锁定的周期特征,要么融合辅助生理信号,但其性能常受响应变异性、非平稳性以及实用性下降的限制。在本研究中,研究人员提出了一种统一框架,联合利用神经信号的周期与非周期特征(UFPAF),以增强异步BCI中的状态识别。具体而言,该方法整合了基于SSVER的周期特征以及由功率谱1/f样结构导出的非周期特征,从而更全面地表征脑活动。研究人员通过在脑电图(electroencephalography, EEG)和基于光泵磁强计的脑磁图(optically pumped magnetometer-based magnetoencephalography, OPM-MEG)数据上进行广泛的离线实验(与四种代表性方法比较)以及在线验证(实时脑控拼写和虚拟车辆控制任务)评估了该框架。结果表明,加入非周期信息可显著提高检测准确率和鲁棒性,尤其在弱响应和信号变异性条件下。这些发现强调了联合建模周期与非周期神经动力学的重要性,并表明该方法为实现可靠且自然的异步BCI系统提供了一种有前景的方案。
异步脑-机接口(BCI)使用户能够自发地发出控制指令,相比传统同步系统,提供了更自然、灵活的人机交互模式。然而,准确区分意图控制(IC)与非控制(NC)状态始终是非侵入式稳态视觉诱发电位(SSVER)BCI面临的关键挑战。现有方法或仅依赖刺激锁定的周期特征,或引入辅助生理信号,但受制于响应变异性、非平稳性和实用性下降。近年来研究表明,神经信号功率谱中1/f样的非周期成分与皮层兴奋性、注意力等认知状态密切相关,然而在异步BCI中尚未得到充分利用。针对这些问题,研究人员在发表于《Engineering》的一项研究中提出了统一框架UFPAF,联合利用周期性SSVER特征和基于1/f功率谱的非周期特征,以实现更全面的脑状态表征和可靠的IC/NC判别。
该研究的主要技术方法包括:使用不规则重采样自谱分析(IRASA)从单通道信号中分离并提取非周期特征——功率谱拟合得到的斜率(SLP)和截距(ITP);采用集成任务相关成分分析(eTRCA)进行SSVER频率识别;提取皮尔逊相关系数(CC)、信噪比(SNR)和相位锁定值(PLV)作为周期特征;最终用随机森林(RF)对IC/NC状态进行二分类。样本来源包括20名受试者(23–39岁)的EEG离线数据、10名受试者(23–28岁)的OPM-MEG离线数据、8名受试者的在线拼写数据及6名受试者的虚拟车辆控制数据,研究经北京航空航天大学伦理委员会批准(批准号BM20260009)。
4.1 离线实验
通过EEG和OPM-MEG离线实验,研究人员系统比较了UFPAF与CCA-THD、MSPHV、FFT-CNN及Ke2023四种代表性方法。结果显示,在三种NC条件(注视、观看视频、闭眼)下,UFPAF均取得最高的IC/NC分类准确率。将三类NC合并后,UFPAF在包含14个频率与NC状态的15类任务中准确率最高,且TPR和TNR均达到最优或相当水平。特征重要性分析表明,周期特征占总重要性的60.6%,非周期特征占39.4%,其中CC特征最重要(45.1%),非周期特征中ITP占24.9%、SLP占14.6%,证实非周期特征对IC状态判别具有显著贡献。时间窗分析显示,在0.5 s数据长度下,UFPAF的15类总体准确率为79.74%,优于Ke2023的77.13%;在1.5 s时达91.74%,同样领先。OPM-MEG实验中,UFPAF在分类准确率上显著优于基线方法,并保持了更高的TNR,表明其能有效抑制NC期的误触发。此外,六种机器学习分类器比较中,RF取得最高平均准确率91.94%,验证了UFPAF框架对不同分类器的鲁棒性。
4.2 脑控拼写实验
在8名受试者参与的在线脑控拼写任务中,要求拼写短语“brain computer interface”。结果显示,UFPAF的字符错误率(CER)仅为4.17%,为五种方法中最低;对全部14个字符类别的分类准确率也均高于其他方法,并且在不同受试者间保持稳定的解码性能,验证了该框架在实时通信场景中的有效性。
4.3 脑控虚拟车辆实验
在6名受试者参与的脑控虚拟车辆避障任务中,所有受试者均成功将虚拟车辆从起点导航至目标点。平均碰撞次数仅0.67次,平均路径长度效率达到92.99%,其中最佳受试者实现了零碰撞且路径效率为100%。该结果表明UFPAF不仅能可靠区分IC与NC状态,还能在连续控制任务中准确识别多种控制指令,具备实际应用潜力。
讨论部分强调,非周期成分反映了全局皮层兴奋性与兴奋-抑制平衡等状态信息,与周期特征形成互补,特别在SSVER响应较弱或信号不稳定时有助于增强判别鲁棒性。OPM-MEG相较于EEG具有空间分辨率高、可穿戴等优势,但当前系统尚无实时数据流接口且对头动敏感,因此在线验证仅基于EEG开展。未来研究可探索更先进的SSVER解码方法、引入人工智能辅助、实现受试者自适应建模以及开展多模态融合。研究结论可完整表述为:
在本研究中,研究人员提出了一种用于异步BCI的统一框架(UFPAF),将基于SSVER的周期特征与来自1/f功率谱的非周期特征相结合。通过联合建模神经信号的振荡和非振荡成分,该方法更全面地表征了脑活动。大量离线实验表明,与多种代表性方法相比,UFPAF显著提高了分类准确率、TPR和TNR。结果凸显了非周期特征在增强鲁棒性、特别是区分IC和NC状态方面的重要作用。此外,包括脑控拼写和虚拟车辆导航在内的在线实验验证了该方法在实时和连续控制场景中的有效性。总体而言,本研究结果表明,整合周期与非周期神经动力学是提高异步BCI性能和可靠性的一个有前景的方向。UFPAF框架为实现更自然、更稳健的人机交互提供了实用有效的解决方案,在辅助技术、康复和智能控制系统中具有潜在应用价值。