基于认知的脑电bci与人脑-机器人交互

---

脑机接口(Brain computer interface, BCI)技术已经被用于帮助残疾患者的日常生活，通过控制外部设备的大脑活动。无创脑机接口系统通常依赖头皮记录的脑电图(EEG)。许多bci要求用户执行特定的自愿任务，以产生不同的脑电图模式，如注意刺激或执行一些与人类认知控制相关的其他心理任务(如运动想象)。脑机交互已经被用于控制智能外围设备，但仍有许多问题需要解决，如受试者之间的个体差异、准确性和信息传递速率等。此外，通过结合人类智能和机器智能(如计算机视觉)开发共享控制方法对提高BRI系统的性能非常重要。

在此背景下，人们提出了多种唤醒机制，如稳态视觉诱发电位(SSVEP)、事件相关电位(ERP)和运动表象(MI)。相应的控制智能周边设备包括轮椅、机械手、无人机和仿人机器人。随之而来的问题是，人脑与智能外围设备之间的相互作用也必须考虑在内。因此，基于认知的脑电bci和人脑-机器人交互的主题涉及医学、工程、心理学、机器人等多个研究领域。这一定是21世纪最热门的新兴话题之一。

为了总结该领域的研究现状、有待解决的问题和面临的挑战，X. Mao等人的综述文章在本次专题会议上作了全面的报告。他们首先简要介绍了精神控制机器人技术的背景和发展。其次，他们讨论了基于脑电图的脑信号模型，包括生成原理、唤起机制和实验范式。随后，他们详细回顾了脑信号解码的常用方法，即预处理、特征提取和特征分类，并总结了几个典型的应用实例。接下来，他们介绍了一些BRI的应用，包括轮椅、机械手、无人机和基于同步和异步bci技术的类人机器人。最后，他们讨论了未来“一带一路”技术存在的一些问题和挑战。本文不仅为初学者，也为有经验的研究者在这一领域进行进一步的探索提供了有益的参考。

在综述文章之后，一些研究文章报道了当前的发展趋势，为特别会议贡献了力量。例如，针对唤起机制，许多研究者致力于开发新的刺激模式，以增强人脑的反应电位，从而达到更高的分类精度。J. Cheng等比较了半透明人脸模式(STF-P)和传统人脸模式(F-P)之间基于p300的脑机接口的性能(在刺激闪现时被试可以看到目标字符)。他们展示了6中的两种模式6矩阵显示在监视器上，供受试者分析两种事件相关电位的差异。结果，他们验证了两种范式在前额和中央区域具有相似的顶点正电位(VPP)。然而，N200和P300在顶骨和枕骨部位有一些差异。STF-P在N200和P300部位的峰值相对较高，在顶叶和枕叶部位的峰值相对较高。STF-P由于分量较大，相比F-P可以提高BCI系统的分类准确率和比特率。虽然研究研究两个范例(半透明和最大)和更少的关注不同的透明度基于状态的透明的,它提供了一个新的见解的研究面临的刺激和证明,其他不同的组件可以强烈影响BCI的性能。

尽管有唤起机制，许多经典和改进的算法被应用于识别不同的基于脑电图的范式。例如，公共空间模式(CSP)等空间光谱特征提取方法已经成为解决MI模式识别问题最有效、最成功的方法。但这些方法需要大量的预处理和后处理，容易影响分类精度。因此，张伟等人提出了低秩线性动力系统(low-rank linear dynamics systems, LR-LDSs)来克服这些问题，通过同时提取空间和时间特征，提高分类性能。在两个MI数据集上验证了该方法的有效性，提出的lr - lss方法优于CSP方法和CSSP方法。

此外，还提出了一些混合bci，通过结合不同类型的基于脑电图的范式来提高检测性能。J. Long等人设计了一种高效的脑电分析框架，并应用于基于MI和P300的混合脑机接口。传统方法分别对两种模式进行优化。该方法将MI和P300的特征以块对角线形式串联在一起进行优化。在此框架下，可以直接学习、选择和组合MI和P300的混合特性。在基于MI和P300的混合BCI数据集上对该方法进行了测试。该方法分类精度稳定，优于其他方法。此外，他们的方法可以在更短的时间内获得更好的性能。事实上，也有许多其他的混合bci被提出，以提高分类精度或控制命令的多样性。

T. Li等人开发了一种新的运动图像控制技术，并将其应用于3D俄罗斯方块和类似的2D游戏环境中。他们的混合脑机接口同时识别脑电图和眨眼眼电图(EOG)信号。为了提高玩家的脑机接口控制能力，本文重点研究了脑电特征提取和支持游戏脑机接口系统运行的控制策略。然后，他们比较了CSP提取的空间特征与他们提出的多特征提取的数值差异。结果表明，多特征提取对不同运动意象信号提取的空间特征具有更明显的数值差异。因此，沉浸式和富控制性的MI环境可以改善相关的心理意象，提高基于MI的BCI技能。

bci不仅可以用于与智能外围设备交互，还可以与其他计算智能算法融合，以理解人类大脑活动。例如，X. Mao等人在本次会议上发表了一篇研究文章，内容是融合P300范式和基于模糊的图像处理算法来提取代表人类意图的对象。他们提出了一种基于p300的改进模糊颜色提取算法(IFCE)，将基于p300的BCI与计算算法相结合，在杂波环境中提取目标。使用P300范式选择代表人类感兴趣的目标的种子像素，IFCE在杂波环境中提取相应的目标。他们在NAO类人机器人上使用摄像头测试了他们的系统。由于该系统融合了计算机视觉和BCI, NAO将通过更少的命令执行更多的行为。这肯定会减少人类大脑的工作量。

bci的出现旨在帮助有严重运动障碍的人或老年人，但现在它们有可能帮助在某些情况下无法使用双手的人。研究人员致力于通过设计新的脑电唤醒模式和自适应脑电解码方法来提高分类准确率和信息传递率。计算机智能与BCI的结合可以提高BRI系统的效率，因此越来越多的计算算法被添加到BRI系统中。确实，还有很多问题需要解决，比如人与人之间的个体差异，脑电图设备的便携性等等。随着脑电图与其他脑信号检测方法(如fMRI和fNIRS)相结合的出现，该技术将在脑机接口设备和BRI系统的设计中特别有用。在未来，BCI作为BRI系统的先进检测手段必将发挥重要作用，为人类提供先进的智能设备。

李魏
京金
冯段

版权

版权所有©2017李伟等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。