基于脑电的脑机接口技术在医学领域中的应用

脑机接口能够在大脑与外部设备之间建立直接的交流通道.随着脑科学的深入研究和人工智能技术的迅猛发展,脑机接口得到了长足的进步.基于头皮脑电的脑机接口由于具有对人体无创伤、成本低廉且便携性较好等优点,在多种应用场景中广受关注.本文从脑信号产生、获取和解码三方面引入,介绍基于脑电的脑机接口技术,阐述脑机接口技术在医学领域的应用现状.考虑到尽管脑机接口进展迅速,但目前仍处于发展、成长阶段,本文将探讨该项技术在医学领域中的挑战与可能解决方案,以增进对基于脑电的脑机接口技术的了解和认知.     

脑机接口技术的应用实践

以交叉学科研究为基础的脑机接口技术,旨在实现碳基的大脑与硅基的芯片直接进行交流通话.脑机接口技术的长远目标是用脑控交互替代现有的语音、手势等操控交互,据此可以渗透改变所有产业发展模式.但在中短期的脑机接口技术产业化落地方向上,医疗健康是目前最直接、最主要的应用领域之一,也是目前商业化程度最高、被各界资本最为看好的落地场景之一.博睿康走自主研发脑机接口产品道路,旨在掌握并提升脑机接口核心技术,打破进口垄断,更直接、高效地促进脑机接口技术落地应用,切实推进脑机接口产业健康有序地发展.     

2022年脑机接口研究进展

脑机接口（brain-computer interface,BCI）旨在大脑与外部环境之间建立一种不依赖于外周神经系统的交流与控制通道，从而实现大脑与外部设备的直接交互。脑机接口的初衷是帮助运动障碍患者利用其意图直接控制辅助设备，提高患者生活质量并重拾生活信心。随着脑机接口技术的发展，脑机接口应用已拓展至游戏娱乐、学习教育、智能家居和军事等领域。作为脑科学与类脑智能研究的重要部分，脑机接口已成为多个国家的科技战略重点。随着脑科学、计算科学、人工智能等领域快速发展，脑机接口技术的进步步伐加速，脑机接口已成为全球科技前沿热点。脑机接口技术主要涉及硬件、软件和算法，其中硬件主要包括脑信号采集与处理器件，是保障脑机接口性能的前提；软件的优化将降低脑机接口系统的使用门槛，惠及更多人群；算法则主要是对脑信号进行分析与处理，以又准又快地解读用户意图。脑机接口在硬件、软件和算法三方面的技术进步不仅推进脑机接口从实验室演示走向实际应用，同时也将拓宽脑机接口的应用范围。因此，本文从关键技术、典型应用等方面着手对2022年脑机接口领域的研发热点进行回顾和梳理，以期增进脑机接口研究现状的了解。同时，对当前脑机...     

应用于脑机接口的便捷式头皮电极

脑电信号幅度弱、频率低,容易受环境及其他内源性电生理信号干扰.电极作为头皮脑电记录的首要关键器件,其性能的好坏,直接影响着脑机接口技术的发展.随着脑机接口技术逐渐走向成熟,在实验室中使用的传统湿电极尽管信号质量好,但佩戴和安放需要专业人员操作,使用后的设备需要清洗和晾晒等维护,大大限制了脑机接口技术的发展和推广应用.为配合满足应用场景下脑电采集的应用需求,脑机接口用电极器件需要在电学性能、佩戴舒适度和使用便捷性三个方面满足要求.同时,脑电电极的设计和制备,要满足头皮有发区域的脑电采集.本文综述了近年来用于头皮脑电记录的便捷式电极器件及其固定头戴的研究进展,分析了不同电极方案的技术特点,对用于脑机接口中电极及脑电帽的发展进行了总结和展望.     

基于头皮脑电的游戏型脑机接口应用研究综述

游戏型脑机接口(game-BCI)是指将脑机接口与游戏结合,通过对脑电信号的识别,使用户完成对游戏的直接控制,不仅为健康人提供了新型的游戏交互方式,也为残障人士提供了新的康复治疗途径.相比于其它侵入性BCI,基于头皮脑电的BCI有无创、时间分辨率高、成本低、便携性好等优势,具有更加广泛的应用前景.该文对基于头皮脑电的游...     

基于精细运动想象的脑机接口技术研究进展

基于运动想象的脑机接口(Motor Imagery based Brain-Computer Interface,MI-BCI)对运动康复具有重大意义.然而,现有MI-BCI指令集有限,在高维精细运动控制时,运动意图与动作输出无法匹配,不利于构建反馈真实运动意图的闭环运动康复系统.近年来,精细运动想象编解码研究逐渐受到关注与重视,在范式与解码方法两方面取得了一些研究进展.范式方面,一些研究对想象单一肢体不同关节、同一关节不同自由度的动作进行了尝试;解码方法方面,传统机器学习、深度学习与基于领域自适应的迁移学习方法等被引入到了精细运动想象解码研究中.本综述讨论了基于脑电信号的精细运动想象范式与解码方法的研究进展,并展望了其未来前景,以期促进精细运动想象脑机接口技术的深入研究及未来应用.     

基于P300脑机接口系统实验范式的研究现状

脑机接口系统是一种无需借助周围神经和肌肉便可与外界交流信息、表达使用者想法的通信系统。在过去20多年,P300电位作为脑机接口技术常用的典型脑电成分一直倍受关注,众多研究者为提高脑机接口系统的性能,相继提出了众多基于P300脑机接口系统的实验范式。在总结归纳的基础上,对使用广泛、性能较优越的3种实验范式进行了论述,并比较总结了其性能,同时分析了影响实验范式的物理属性。最终对脑机接口系统实验范式未来的研究方向进行了展望。     

脑机接口技术在医疗领域的应用

脑机接口技术不依赖于常规大脑信息输出通路,而是建立了大脑与计算机等外部设备之间直接的信息交流和控制通道。该技术有广阔的应用前景,受到广泛关注。各国都相继提出了国家层面的脑计划,为脑机接口的发展提供政策指引和支持。分析总结了脑机接口技术的现状及其在医疗领域的应用,探讨了该技术面临的挑战、发展和建议。     

脑-机接口技术发展

脑-机接口是将人的想法和意图转换为外部设备控制信号的新型通讯系统.文中介绍了BCI系统的组成和工作原理,脑-机接口技术的发展、研究状况及其关键技术,并对其未来发展面对的挑战进行了探讨.     

脑机接口技术研究综述

脑机接口技术(brain computer interface,BCI)不依赖于常规大脑信息输出通路,该技术建立了一种直接的信息交流和控制通道,为人脑和外界之间提供了一种全新的交互方式。简要介绍了BCI技术的定义和基本组成及发展现状,并对皮层慢电位、视觉诱发电位、眼动产生的α波、P300电位和基于运动想象的μ节律及β波5种脑机接口技术的研究方向作了简要阐述,最后指出目前BCI研究面临的挑战及未来的应用前景。     

运动想象脑电信号的ERD/ERS分析基础

脑机接口能提供一种不依赖于外周神经和肌肉,实现大脑与外界进行信息交流的全新通路。运动想象脑电研究是脑机接口技术研究领域一个重要课题,本文对运动想象脑电信号分析基础做简要介绍。一、脑电分类及特点脑电是人脑神经细胞群的自发性节律电活动在大脑皮层或头皮的总体反应的体现。近年来,一系列先进的成像技术也能够非常直观地呈现人脑各区域状态的变化情况,但这些并不影响基于EEG的相关研究。相比于以上成像技术,EEG     

意念控制的智能残疾轮椅设计

该设计为有运动功能障碍的残疾人和老年人提供了一款基于脑机接口技术的智能残疾轮椅.该装置由便携式脑电采集装置、信号处理系统、接口电路和电动轮椅组成,可以通过手动、语音、动作和意念4种控制方式对其进行控制.致力于意念控制方式的实现,通过蓝牙将便携式意念头盔采集的用户脑电信号传输至平板电脑进行在线分析,将识别出的脑电特征信号与指令相关联,并将指令以串行总线数据包的形式发送到微处理器C 8051 F320中转换为控制信号,轮椅的左右前轮电机在控制信号的作用下运转,从而实现轮椅的前进、后退、左转、右转和停止5个动作.该装置还配有良好的用户界面,多次试验表明:该装置具有较高的的稳定性和可靠性.     

脑-机接口技术综述

脑-机接口是在人脑与计算机或其它电子设备之间建立的直接的交流和控制通道,通过这种通道,人就可以直接通过脑来表达想法或操纵设备,而不需要语言或动作,这可以有效增强身体严重残疾的患者与外界交流或控制外部环境的能力,以提高患者的生活质量.脑-机接口技术是一种涉及神经科学、信号检测、信号处理、模式识别等多学科的交叉技术.本文对脑-机接口技术的发展、研究现状、工作原理以及涉及的关键技术进行了较为详细地综述,在总结脑-机接口技术存在问题的基础上,探讨了该领域进一步研究的方向.     

脑机接口技术的专利分析

<正>脑机接口是一种涉及多学科多领域的新颖人机交互技术，本文基于Incopat专利库，对脑机接口技术的专利进行申请趋势、技术生命周期、申请人排名、IPC申请趋势、申请人国别等进行分析及总结，可以为脑机接口领域的技术发展动态提供一定的情报参考。脑机接口(BCI)技术是一种全新颠覆性的人机交互技术^[1-3]。BCI由美国加州大学Jacques Vidal教授于1973年提出。1999年，第1届国际BCI大会正式给出BCI定义:通过分析人或动物的脑电信号而建立起来的交互系统^[4,6]。     

基于脑机接口技术下仿生手结构设计及分析

本研究是基于脑机接口技术下进行的仿生手的设计。其系统流程为：脑电信号作为控制源,通过外围电路接口,实现控制仿生手的运动。本文主要介绍了脑机接口技术下仿生手控制,并通过对ANSYS软件创建参数化三维仿生手结构模型的分析,来验证所设计系统的可行性。该仿生手结构是以人体巧妙的骨骼的构成原理为依据,利用弹性线代替连杆,再加以小电机来实现手指关节的运动。同时在动静力学分析的基础之上,对所设计手指进行力学分析以及运动仿真。     

脑机接口中脑电图-近红外光谱联合分析进展研究

脑机接口(BCI)能将受试者意图相关的大脑活动转化为外部设备控制指令,在神经疾病治疗、运动康复等方面具有较高应用潜力。BCI的实现需从人脑获取有意义的信号,而脑电图(EEG)可以反映神经电活动,主要用于对反映实时性要求较高的BCI系统;近红外光谱(NIRS)主要反映血流动力学水平,一般用于神经生理状态等需要精确定位脑活跃区域的研究。EEG和NIRS因其非侵入、方便穿戴、成本较低等优点,成为BCI的重要信号获取方法。相比于单模态BCI系统,基于EEG-NIRS联合分析的混合BCI系统由于具有更丰富的信号特征,在生理状态检测、运动想象等领域得到了越来越多的关注与研究。该文从EEG-NIRS联合分析在脑机接口中应用的研究现状出发,在数据和特征融合程度、层面上归纳最近的相关领域研究现状,并对EEG-NIRS信号处理手段的研究前景进行了展望。     

基于P300特征的脑-机接口解码算法研究综述

脑-机接口是脑与外部设备连接进而实现信息交换技术，核心是发挥人脑的优势，直接通过人脑与外部环境进行高效互动，目前已成为世界各国的研究热点。P300是由特定刺激范式激发的事件相关电位中的一个典型成分，最初研究发现，当人脑受到某些小概率事件刺激时，会在脑电信号中出现一个潜伏期约为300 ms的正向波峰。由于P300成分具有刺激特异性，因此该特性已被广泛用来研究注意、辨认等认知功能，基于P300特征的脑电范式也已经成为三大主流范式之一。近年来，结合P300和脑-机接口的具有实用功能的应用大量涌现，与此相关的解码算法也被提出并不断改进，这为人们研究P300脑-机接口提供了便利。然而，P300脑-机接口的相关解码算法缺乏系统性总结，各类算法之间的特点也尚未得到明确比较。该文依据P300成分主要在顶枕区响应的特点，提出了基于非空间信息的P300脑电解码算法；依据P300成分在不同脑区响应特征不同的特点，提出了基于空间信息的P300脑电解码算法；依据近几年信息技术快速发展，深度学习已不断在P300脑-机接口中应用的特点，提出了基于深度学习的新型P300脑电解码算法；从以上三个角度入手，总结近年来P3...     

基于脑电的快速序列视觉呈现脑-机接口系统研究进展综述

脑-机接口(BCI)系统建立大脑与外部设备之间的直接交流通路,结合快速序列视觉呈现(RSVP)范式能够实现利用人类视觉系统进行高流通量图像目标检索。近些年来,RSVP-BCI系统在范式编码、脑电(EEG)解码和系统应用方面的研究取得了长足的进步。对范式编码的研究揭示不同范式参数对系统性能的影响,促进提升系统性能;脑电解码的研究在提升算法分类性能的同时推动少训练、零训练样本、多模态等场景下的应用;对RSVP-BCI系统应用的研究实现推动系统走向实际应用并拓宽了应用领域。同时,系统仍面临着迈向实际时可应用领域范围窄、脑电跨域解码难题以及计算机视觉飞速进步带来的挑战。该文对RSVP-BCI近年来的相关研究进展进行了回顾与总结,并对未来的发展方向进行了展望。     

面向中高频SSVEP脑机接口的编解码算法研究

基于稳态视觉诱发电位（steady-state visual evoked potentials,SSVEPs）的脑-机接口系统（brain-computer interface,BCI）通常使用低频强闪烁刺激诱发强特征脑电信号。尽管相关数据处理技术日臻成熟,但是系统使用舒适度差,训练时间较长。提高刺激频率能够有效缓解受试者的视觉疲劳,提高系统友好度,然而现有中高频SSVEP系统又存在指令集数量少、信息传输率（information transfer rate,ITR）低等缺陷。针对以上问题,本文基于中高频SSVEP脑电特征,提出并使用了包含空码的Code Words编码范式与集成任务相关成分分析（ensemble task-related component analysis, eTRCA）解码算法,并研究了该套编解码方法的适用性与可扩展性。本研究选择中高频段的4个频率（20、24、30、40 Hz）分别构建脑控字符拼写系统,单个频率的闪烁刺激可独立构建多达6个控制指令,联合多个频率理论上可实现指令集数量的成倍扩增。共有10位健康受试者参与了离线脑电实验,利用18~60 Hz带通滤波对脑电数据进行预处理,使用eTRCA算法进行特征识别。18指令集系统的理论平均分类准确率为96.71±1.69 %,理论平均ITR达86.94±6.07 bits/min。以上结果表明,本研究提出的编解码算法能够有效诱发并准确识别中高频SSVEP的时-频-相多维特征,在此基础上通过增加编码单元频率种类、提高有效编码率、改进解码算法等方式有希望进一步提升系统性能。      

一种基于FPGA的脑电分类算法实现

通过对脑电信号特征的分析,利用小波变换的多尺度分析技术对脑电信号进行特征提取,进而使用主成分分析算法对特征进行降维,并对降维后的信号使用Fisher线性判别方法进行分类。最后,利用VerilogHDL硬件编程语言设计实现了Mallat分解算法、PCA算法和LDA算法模块,并在FPGA应用板上实现了脑电分类功能。系统对2008年BCI大赛的数据进行了测试,分类准确率达到92.31%,表明该方法对开发便携式脑机接口系统具有良好的应用价值。