基于脑电信号的脑—计算机接口
作者：程明 高上凯 张琳
单位：清华大学电机系 北京 100084
关键词：
北京生物医学工程000214 0 引言
脑—计算机接口(brain-computer interface, BCI)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[1]。
要想实现这样一种接口，有两个条件是必须满足的：
(1)必须有一种能够反映人脑不同状态的信号；
(2)这种信号必须能够实时或短时被提取和分类。
, 百拇医药
脑电信号是满足这两个条件的。当人进行不同的感觉、运动或认知活动时，脑电是不同的。此外，脑电记录简单、无创，因此用脑电信号实现BCI系统是合适的。要指出的是，基于脑电的BCI并非试图解释自发脑电，而是使人产生容易被解释的脑电，BCI识别出这种脑电后，就可以作出不同的选择或发出不同的指令。
目前可以想到的BCI的用途至少有三方面：
(1)为思维正常但有运动功能障碍的人提供一种对外界环境进行交流和控制的途径。如控制轮椅或计算机。对于全身瘫痪的人来说，基于脑电的BCI尤其合适；
(2)为人们提供一种在特殊环境下控制外界设备的途径。如帮助飞行员在高加速度下控制飞机；
(3)为人们提供一种全新的娱乐方式。如用思维玩电子游戏。
目前，建立基于脑电的BCI系统引起了人们越来越多的兴趣，世界上很多实验室在这方面做了大量工作。
, http://www.100md.com
1 基于脑电的BCI的研究思路
人们已经设计出多种可以在实验室中进行演示的基于脑电的BCI原型系统[2，3]。目前这些系统的应用主要集中在作为残疾人行为障碍的弥补术。
(1)利用视觉诱发电位(visual evoked potential,VEP)
在显示装置上显示多个选项，使用者注视希望选择的一项。通过对显示方式进行处理，可以使人在注视不同选项时产生不同的脑电信号。
比较直接地得到注视目标的方法是跟踪人的视线。但这种方法要求头部保持不动，实际应用中难以做到。而基于脑电的BCI没有对头部运动的限制。
Sutter[4]在1992实现了名为脑反应界面的实时BCI系统。显示器上8×8的符号矩阵按照一种伪随机二进制序列(称为m-序列)进行红/绿色交替，使用者注视想要选择的符号，将测得的脑电信号与事先记录的模板比较，就可以确定使用者注视的目标。使用者可利用该系统操作字处理软件。
, http://www.100md.com
(2)利用事件相关电位(event related potential, ERP)
①利用P300电位 P300是ERP的一种，其峰值大约出现在相关事件发生后的300ms。相关事件出现的概率越小，所引起的P300越显著。
1988年，Illinois大学的Farwell和Donchin利用P300设计了一种虚拟打字机[5]。一个6×6字符矩阵按行或按列闪烁，顺序是随机的，则“包含使用者想要输入字符的行或列发生闪烁”就成为相关事件。求出引起P300幅度最大的行和列，则该行与该列交点上的字符就是要打印的字符。
②利用事件相关去同步(event related desynchronization,ERD)
Pfurtscheller等人进行了一系列基于ERD的BCI系统的研究[6—8]，并实现了Graz Ⅰ和Graz Ⅱ两个有代表性的BCI系统。
, 百拇医药
在Graz Ⅰ[1]中，受试者面对显示器，显示器上的左侧或右侧显示一个目标，受试者根据目标的位置准备用左手食指或右手食指去按一个开关。大约1秒钟以后，显示器中央出现一个十字形光标，受试者按动开关。用于分类的脑电信号取自显示器上出现目标之后，出现光标之前，也就是受试者准备动作的阶段。信号预处理方法采用功率谱估计，分类法采用LVQ[9]算法，从而预测出是左手还是右手将要运动。十字形光标根据预测结果向左或向右移动，将预测结果反馈给受试者。经过5～7次训练后，正确率为67%～86%。
在Grax Ⅱ[10]中，受试者只是想象做动作，真正的动作并没有发生，结果分类正确率也超过了70%。
(3)自主控制脑电
这种思路建立在操作性条件反射基础上，认为人可以通过生物反馈来学习控制脑电信号的某些成分。
, 百拇医药
①自主控制mu节律幅度 关于mu节律的介绍见参考文献[11]。
纽约州立大学的Wolpaw和McFarland等人研究了通过改变mu节律幅度来控制光标移动的可能性。在最初的研究[12]中，光标只能做上下移动。受试者面对屏幕，屏幕中央有一个光标，屏幕的上方或下方有一个目标，设定mu节律的幅度超过某一阈值则光标上移，低于另一阈值则光标下移，受试者设法改变自己的mu节律幅度使光标移向目标。部分受试者经过几周训练后可以自如地控制mu节律的幅度。分析表明，受试者在经过这种训练后，改变的只是8～12Hz的幅度。进一步，Wolpaw研究了控制光标二维移动的可能性[13]。目标位于屏幕的四角，电极为两通道双极导联，两个通道的mu节律幅度之和决定光标的垂直移动，之差决定水平移动。经6～8周训练后，部分受试者达到70%正确率。
②自主控制稳态视觉诱发电位(steady state visual evoked potential,ssVEP)幅度
, http://www.100md.com
Wright-Patterson空军基地的McMillan和Calhoun研究了用此方法控制飞行模拟器的BCI系统[14]。用一个13.25Hz正弦调制的光刺激引发ssVEP。设定当ssVEP的幅度高于某阈值时，飞行模拟器右滚；低于另一个阈值时，飞行模拟器左滚。使用者学习通过控制自己的ssVEP的幅度来控制飞行模拟器的动作。
(4)利用眼部运动控制alpha波
早在1967年，Dewan[15]就采用自主控制alpha波幅度的办法发送Morse电报码。通过眼球运动可以增大alpha波幅度或阻断alpha波，持续时间较长的alpha波表示“-”，持续时间较短的alpha波表示“.”。用这种办法发送一个字母的Morse码需要35～50s。
1997年，澳大利亚悉尼技术大学的Kirkup[16]等人设计了可以表达开关量的BCI，通过检测人闭眼后alpha波幅度的升高来控制电子开关。该系统运算简单，对不同的人只有一个参数需要调节，使用者不需要训练。
, 百拇医药
(5)改变心理作业(mental tasks)
人们很早就注意到，当人进行不同的心理作业时，脑电信号在左右半脑是不对称的。例如，对于语言作业(verbal tasks)，alpha波在左半脑较弱而在右半脑较强，对于空间作业(spatial tasks)则相反。这种现象称为alpha波的不对称性。脑电信号的这一特征为我们检测不同的心理作业提供了可能。
Colorado州立大学的Keirn和Aunon[17]研究了用脑电信号区分以下五种心理作业的可能性：休息状态，心算乘法，想象物体旋转，打信件腹稿，想象在黑板上书写和擦除数字。
Keirn采用的信号处理方法是功率谱不对称比。在功率谱估计时，分别采用了自相关法和AR模型。结果，自相关法的分类正确率在80%～90%之间，AR模型的阶数超过5阶后，正确率和自相关法差别不大。
, 百拇医药
此外，Keirn还尝试了直接利用AR模型的系数进行分类。
我们对上述五种思路做一简单的比较：
诱发电位的信噪比较高，且由于集中在特定时间(如P300)或特定频率(如ssVEP)，信号处理方法简单而正确率较高。不足之处是需要额外的刺激装置，并且依赖于人的某一种知觉(如视觉)。
Pfurtsheller和Wolpaw的系统很相似，两者都需要通过生物反馈获得一定的操作性条件反射，但两者也有一些区别[1]。前者是让分类器去适应使用者，而后者要求使用者调节自己的脑电幅度去适应分类器；前者需要大量的实验数据训练分类器，而后者需要长时间的训练使使用者产生稳定的条件反射。
利用alpha波的通断是一种比较简单的方法，但是单纯利用alpha波的通和断只能反映两种状态，目前还无法进行多选择控制。
, 百拇医药
Keirn的工作表明，有可能利用脑电来准确区分不同的心理作业，这种方法的好处是使用者不需要产生任何动作。Keirn设想，或许有其它更易区分的心理作业，或许对不同的人可以选择不同的心理作业，这都为将来提高系统性能提供了可能。
2 存在的主要问题及解决办法
(1)如何使系统连续工作
目前很多BCI的研究集中在从EEG中区分几种命令，而实际应用中，为使BCI系统能够连续工作，还必须区分出“空闲”状态。事实上，使用者通常只在少数情况下需要发送命令，大部分时间系统都应处于“空闲”状态。目前很多BCI系统的问题是，分类器会把“空闲”时的自发脑电当作命令进行分类。
在前面介绍的五种思路中，利用视觉诱发电位和利用眼部运动控制alpha波幅度是可以连续工作的。而另外三种思路都没有解决连续工作的问题。
, 百拇医药
为解决连续工作的问题，Mason(1996)设计了一种BCI，该系统由两部分组成，分别叫做异步信号检测器(asynchronous signal detector,ASD)和控制信号分类器(control signal classifier,CSC)，ASD用于对脑电进行连续监测并识别出控制信号，CSC用于对ASD识别出的控制信号进行分类。
Lisogurski[18]对Mason的工作进行了改进使之可以进行在线检测，从连续脑电中检测手指弯曲。在测试中，受试者共做75次手指弯曲，时间由受试者自己决定。结果，ASD检测出了其中的45%～49%。
(2)提高精度和速度
与任何实时控制系统的研究类似，BCI研究需解决的主要问题是：提高正确率和加快速度。目前处于实验室研究阶段的BCI系统的判断正确率虽然优于随便猜测的正确率，但离实际应用的需要还有距离。
, http://www.100md.com
提高速度和提高精度是矛盾的，实际应用只能是两者的折中。Pfurtsheller最初曾采用Hilbert变换对ERD做预处理，正确率达到90%，但在Graz BCI中采用的是功率谱估计，因为功率谱的计算更迅速，适合实时处理，其代价是正确率的降低[1]。
Lugger[19]等人讨论了进行在线EEG分类时减少特征量维数的方法及效果。用LVQ算法分类时，对于3名受试者，当特征量的维数由16分别降到6、7和13时，分类正确率相同。该方法可以大大节省运算时间和减少训练分类器所需样本数。
在目前阶段，提高精度比提高速度更为重要。下面，我们来讨论提高精度的几个途径。
①头皮电极还是植入电极[3] 头皮电极和植入电极各有特点。植入脑内的微电极具有较高的空间和频率分辨率，但只能提供电极附近少数神经元的电活动信息，头皮电极则恰好相反。
, http://www.100md.com
由于无创性及较长的应用历史，头皮电极是BCI的首选。然而，植入电极有重要的优点使其适合特定的病人或特定的场合。它不受肌肉运动的影响，可以在头部固定较长的时间，具有较好的位置稳定性，此外，植入电极的信噪比要比头皮电极高得多。相信随着电极植入技术的提高，采用植入电极的BCI将会得到不断的发展。
②电极位置和频段选择 Pfurtscheller[20]等人发现，为了使系统的正确率达到最佳，对不同的使用者应选择不同的电极位置和频段，对于某些使用者，在采用不同的信号处理方法时，最佳的电极位置是不同的。他们建议，先对脑电信号做离线处理，作出ERD的地形图及用DSLVQ[21]算法对单次提取的信号进行分类，将有助于确定在线检测时的最佳电极位置和频段。
③信号处理和分类方法
BCI的应用前景，或许将最终取决于能否找到更有效的算法以提高正确率。
, 百拇医药
现有的算法还是有可以改进之处的。例如在Graz Ⅱ中，将三个通道的数据合在一起构成一个特征向量进行分类。模式识别理论告诉我们，将每个通道分别进行分类，再将结果进行加权或许效果更好[2]。
另外，很多文献指出，对脑电信号作Laplacian变换或转变成参考电极无关信号将大大提高正确率[20，22]。
除了常规的频域分析之外，人们还实验了多种算法，如人工神经网络[6，7，22]，自适应AR模型[23]等。
④可靠性更高的用户界面 实用的BCI应该为使用者提供纠正错误的方法，不管这种错误是系统判断错误还是使用者的主观错误。
一种比较简单的方法是每次系统作出判断后，给使用者一次确认的机会。Wolpaw[24]讨论了利用mu节律控制光标移动时这种方法的作用，并证明了当系统单次判断正确率大于0.5时，采用响应确认的方法可以提高输出的正确率，其代价是效率的降低，系统要经过两次判断才能产生一次输出。
, 百拇医药
3 应用前景
目前，对于运动功能障碍的康复手段，主要有两种，一是通过物理治疗提高残存的运动功能，二是利用功能性电刺激(functional electrical stimulation，FES)系统，代替神经系统直接控制瘫痪的肌肉。这两种方法都在一定的范围内取得了成功。
和这两种方法相比，基于脑电的BCI的研究还只是刚刚起步，离实用阶段还差得很远。现有的BCI系统都处于实验阶段，测试大多是在正常人身上进行的，没有在残疾人中进行大范围和长时间的测试。
然而，从某些角度来看，残疾人可能取得比正常人更好的效果[3]。首先，残疾人有比正常人更强烈的动机，其次，很多残疾人的感觉运动皮层有很大的区域不再被正常的功能占用，对于某些思路如调节mu节律幅度，可能更容易训练这些区域使之适合新的功能。
当然，由于脑电信号的非平稳性，我们不能指望基于脑电的BCI达到100%的正确率。此外，脑电信号太容易受到情绪、环境等因素的影响。Kirkup[16]曾谈到受试者在有压力的情况，比如要求他在多人面前“表演”时，可能由于紧张而降低系统效率。
, http://www.100md.com
总之，基于脑电的BCI的应用前景，将取决于人们能否找到更加有效的信号提取方法和相应的算法，能够在多大程度上提高系统的可靠性。我们正关注着这方面的进展并计划进入这一研究领域。
作者简介：程明(1977-)男，清华大学电机系生物医学工程专业博士研究生。
参考文献
[1] Pfurtscheller G, et al. Brain-computer interface-a new communication device for handicapped persons. J Microcomput Appl,1993,16:293～299
[2] EEG-based communication.http://www.ee.ic.ac.uk/research/neural/bci/review.html
, 百拇医药
[3] Vaughan T M, et al. EEG-based communication:prospects and problems. IEEE Trans Rehabil Eng,1996,4(4):425～430
[4] Sutter E E. The brain response interface:communication through visually-induced electrical brain response. J Microcomput Appl,1992,15:31～45
[5] Farwell L A and Donchin E. Talking off the top of your head:toward a mental prosthesis utilizing event-related brain potentials. Electroenceph Clin Neurophysiol,1988,70:510～523
, 百拇医药
[6] Pfurtscheller G, et al. Prediction of the side of hand movements from single trial multichannel EEG data using neural networks. Electroenceph Clin Neurophysiol,1992,82:313～315
[7] Peltoranta M and Pfurtscheller G. Neural network based classification of non-averaged event-related EEG responses. Med Biol Eng Comput, 1994,32:189～196
[8] Pfurtscheller G, et al. Differentiation between finger, toe and tongue movement in man based of 40Hz EEG. Electroenceph.Clin Neurophysiol,1994,90:456～460
, 百拇医药
[9] Flotzinger D, et al. Classification of non-averaged EEG data by learning vector quantisation and the influence of signal preprocessing. Med Biol Eng Comput,1994,32:571～576
[10] Kalcher J, et al. Graz brain-computer interface Ⅱ:towards communication between humans and computers based on online classification of three different EEG patterns. Med Biol Eng Comput,1996,34:382～388
[11] Arroyo S, et al. Functional significance of the mu rhythm of human cortex: an electrophysiologic study with subdural electrodes. Electroenceph. Clin Neurophysiol,1993,87:76～87
, 百拇医药
[12] Wolpaw J R, et al. An EEG-based brain-computer interface for cursor control. Electroenceph Clin Neurophysiol,1991,78:252～259
[13] Wolpaw J R, et al. Multichannel EEG-based brain-computer communication. Electroenceph Clin Neurophysiol,1994,90:444～449
[14] McMillan G R, et al. Direct brain interface utilizing self-regulation of steady-state visual evoked response (ssver). Proceedings of RESNA, June 9-14,1995,693～695
, http://www.100md.com
[15] Dewan E M. Occipital alpha rhythm eye position and lens accommodation. Nature, 1967,214:975～977
[16] Kirkup L,et al. EEG-based system for rapid on-off switching without prior learning. Med Biol Eng Comput,1997,35:504～509
[17] Keirn Z A and Aunon J I. A new mode of communication between man and his surroundings. IEEE Trans Biomed Eng,1990,37(12):1209～1214
[18] Lisogurski D and Birch G E. Identification of fingre flexion from continuous EEG as a brain computer interface.20th Internat. Conference-IEEE/EMBS Oct.Hong Kong,Proceedings,1998，29(1)：2004
, 百拇医药
[19] Lugger K, et al. Feature extraction for on-line EEG classification using principal components and linear discriminants. Med Biol Eng Comput,1998,36:309～314
[20] Pfurtscheller G, et al. EEG-based brain computer interface (BCI):search for optimal electrode positions and frequency components. Med Progr technol, 1996,21:111～121
[21] Pregenzer M, et al. Distinction sensitive learning vector quantization-a noise insensitive classification method. Proc.IEEE Int.Conf.Neural Networks ICNN-94, Orlando, FL,1994,2890～2894
, 百拇医药
[22] Millan J R, et al. Adaptive brain interfaces for physically-disabled people. 20th internat. Conference-IEEE/EMBS Oct.Hong Kong, Proceedings,1998,29(1):2008～2011
[23] Pfurtscheller G, et al. Separability of EEG signals recorded during right and left motor imagery using adaptive autoregressive parameters. IEEE Trans Rehabil Eng,1998,6(3):316～325
[24] Wolpaw J R, et al. EEG-based communication:improved accuracy by response verification. IEEE Trans Rehabil Eng,1998,6(3):326～333
(1999-04-01收稿，1999-05-24修回), 百拇医药
单位：清华大学电机系 北京 100084
关键词：
北京生物医学工程000214 0 引言
脑—计算机接口(brain-computer interface, BCI)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[1]。
要想实现这样一种接口，有两个条件是必须满足的：
(1)必须有一种能够反映人脑不同状态的信号；
(2)这种信号必须能够实时或短时被提取和分类。
, 百拇医药
脑电信号是满足这两个条件的。当人进行不同的感觉、运动或认知活动时，脑电是不同的。此外，脑电记录简单、无创，因此用脑电信号实现BCI系统是合适的。要指出的是，基于脑电的BCI并非试图解释自发脑电，而是使人产生容易被解释的脑电，BCI识别出这种脑电后，就可以作出不同的选择或发出不同的指令。
目前可以想到的BCI的用途至少有三方面：
(1)为思维正常但有运动功能障碍的人提供一种对外界环境进行交流和控制的途径。如控制轮椅或计算机。对于全身瘫痪的人来说，基于脑电的BCI尤其合适；
(2)为人们提供一种在特殊环境下控制外界设备的途径。如帮助飞行员在高加速度下控制飞机；
(3)为人们提供一种全新的娱乐方式。如用思维玩电子游戏。
目前，建立基于脑电的BCI系统引起了人们越来越多的兴趣，世界上很多实验室在这方面做了大量工作。
, http://www.100md.com
1 基于脑电的BCI的研究思路
人们已经设计出多种可以在实验室中进行演示的基于脑电的BCI原型系统[2，3]。目前这些系统的应用主要集中在作为残疾人行为障碍的弥补术。
(1)利用视觉诱发电位(visual evoked potential,VEP)
在显示装置上显示多个选项，使用者注视希望选择的一项。通过对显示方式进行处理，可以使人在注视不同选项时产生不同的脑电信号。
比较直接地得到注视目标的方法是跟踪人的视线。但这种方法要求头部保持不动，实际应用中难以做到。而基于脑电的BCI没有对头部运动的限制。
Sutter[4]在1992实现了名为脑反应界面的实时BCI系统。显示器上8×8的符号矩阵按照一种伪随机二进制序列(称为m-序列)进行红/绿色交替，使用者注视想要选择的符号，将测得的脑电信号与事先记录的模板比较，就可以确定使用者注视的目标。使用者可利用该系统操作字处理软件。
, http://www.100md.com
(2)利用事件相关电位(event related potential, ERP)
①利用P300电位 P300是ERP的一种，其峰值大约出现在相关事件发生后的300ms。相关事件出现的概率越小，所引起的P300越显著。
1988年，Illinois大学的Farwell和Donchin利用P300设计了一种虚拟打字机[5]。一个6×6字符矩阵按行或按列闪烁，顺序是随机的，则“包含使用者想要输入字符的行或列发生闪烁”就成为相关事件。求出引起P300幅度最大的行和列，则该行与该列交点上的字符就是要打印的字符。
②利用事件相关去同步(event related desynchronization,ERD)
Pfurtscheller等人进行了一系列基于ERD的BCI系统的研究[6—8]，并实现了Graz Ⅰ和Graz Ⅱ两个有代表性的BCI系统。
, 百拇医药
在Graz Ⅰ[1]中，受试者面对显示器，显示器上的左侧或右侧显示一个目标，受试者根据目标的位置准备用左手食指或右手食指去按一个开关。大约1秒钟以后，显示器中央出现一个十字形光标，受试者按动开关。用于分类的脑电信号取自显示器上出现目标之后，出现光标之前，也就是受试者准备动作的阶段。信号预处理方法采用功率谱估计，分类法采用LVQ[9]算法，从而预测出是左手还是右手将要运动。十字形光标根据预测结果向左或向右移动，将预测结果反馈给受试者。经过5～7次训练后，正确率为67%～86%。
在Grax Ⅱ[10]中，受试者只是想象做动作，真正的动作并没有发生，结果分类正确率也超过了70%。
(3)自主控制脑电
这种思路建立在操作性条件反射基础上，认为人可以通过生物反馈来学习控制脑电信号的某些成分。
, 百拇医药
①自主控制mu节律幅度 关于mu节律的介绍见参考文献[11]。
纽约州立大学的Wolpaw和McFarland等人研究了通过改变mu节律幅度来控制光标移动的可能性。在最初的研究[12]中，光标只能做上下移动。受试者面对屏幕，屏幕中央有一个光标，屏幕的上方或下方有一个目标，设定mu节律的幅度超过某一阈值则光标上移，低于另一阈值则光标下移，受试者设法改变自己的mu节律幅度使光标移向目标。部分受试者经过几周训练后可以自如地控制mu节律的幅度。分析表明，受试者在经过这种训练后，改变的只是8～12Hz的幅度。进一步，Wolpaw研究了控制光标二维移动的可能性[13]。目标位于屏幕的四角，电极为两通道双极导联，两个通道的mu节律幅度之和决定光标的垂直移动，之差决定水平移动。经6～8周训练后，部分受试者达到70%正确率。
②自主控制稳态视觉诱发电位(steady state visual evoked potential,ssVEP)幅度
, http://www.100md.com
Wright-Patterson空军基地的McMillan和Calhoun研究了用此方法控制飞行模拟器的BCI系统[14]。用一个13.25Hz正弦调制的光刺激引发ssVEP。设定当ssVEP的幅度高于某阈值时，飞行模拟器右滚；低于另一个阈值时，飞行模拟器左滚。使用者学习通过控制自己的ssVEP的幅度来控制飞行模拟器的动作。
(4)利用眼部运动控制alpha波
早在1967年，Dewan[15]就采用自主控制alpha波幅度的办法发送Morse电报码。通过眼球运动可以增大alpha波幅度或阻断alpha波，持续时间较长的alpha波表示“-”，持续时间较短的alpha波表示“.”。用这种办法发送一个字母的Morse码需要35～50s。
1997年，澳大利亚悉尼技术大学的Kirkup[16]等人设计了可以表达开关量的BCI，通过检测人闭眼后alpha波幅度的升高来控制电子开关。该系统运算简单，对不同的人只有一个参数需要调节，使用者不需要训练。
, 百拇医药
(5)改变心理作业(mental tasks)
人们很早就注意到，当人进行不同的心理作业时，脑电信号在左右半脑是不对称的。例如，对于语言作业(verbal tasks)，alpha波在左半脑较弱而在右半脑较强，对于空间作业(spatial tasks)则相反。这种现象称为alpha波的不对称性。脑电信号的这一特征为我们检测不同的心理作业提供了可能。
Colorado州立大学的Keirn和Aunon[17]研究了用脑电信号区分以下五种心理作业的可能性：休息状态，心算乘法，想象物体旋转，打信件腹稿，想象在黑板上书写和擦除数字。
Keirn采用的信号处理方法是功率谱不对称比。在功率谱估计时，分别采用了自相关法和AR模型。结果，自相关法的分类正确率在80%～90%之间，AR模型的阶数超过5阶后，正确率和自相关法差别不大。
, 百拇医药
此外，Keirn还尝试了直接利用AR模型的系数进行分类。
我们对上述五种思路做一简单的比较：
诱发电位的信噪比较高，且由于集中在特定时间(如P300)或特定频率(如ssVEP)，信号处理方法简单而正确率较高。不足之处是需要额外的刺激装置，并且依赖于人的某一种知觉(如视觉)。
Pfurtsheller和Wolpaw的系统很相似，两者都需要通过生物反馈获得一定的操作性条件反射，但两者也有一些区别[1]。前者是让分类器去适应使用者，而后者要求使用者调节自己的脑电幅度去适应分类器；前者需要大量的实验数据训练分类器，而后者需要长时间的训练使使用者产生稳定的条件反射。
利用alpha波的通断是一种比较简单的方法，但是单纯利用alpha波的通和断只能反映两种状态，目前还无法进行多选择控制。
, 百拇医药
Keirn的工作表明，有可能利用脑电来准确区分不同的心理作业，这种方法的好处是使用者不需要产生任何动作。Keirn设想，或许有其它更易区分的心理作业，或许对不同的人可以选择不同的心理作业，这都为将来提高系统性能提供了可能。
2 存在的主要问题及解决办法
(1)如何使系统连续工作
目前很多BCI的研究集中在从EEG中区分几种命令，而实际应用中，为使BCI系统能够连续工作，还必须区分出“空闲”状态。事实上，使用者通常只在少数情况下需要发送命令，大部分时间系统都应处于“空闲”状态。目前很多BCI系统的问题是，分类器会把“空闲”时的自发脑电当作命令进行分类。
在前面介绍的五种思路中，利用视觉诱发电位和利用眼部运动控制alpha波幅度是可以连续工作的。而另外三种思路都没有解决连续工作的问题。
, 百拇医药
为解决连续工作的问题，Mason(1996)设计了一种BCI，该系统由两部分组成，分别叫做异步信号检测器(asynchronous signal detector,ASD)和控制信号分类器(control signal classifier,CSC)，ASD用于对脑电进行连续监测并识别出控制信号，CSC用于对ASD识别出的控制信号进行分类。
Lisogurski[18]对Mason的工作进行了改进使之可以进行在线检测，从连续脑电中检测手指弯曲。在测试中，受试者共做75次手指弯曲，时间由受试者自己决定。结果，ASD检测出了其中的45%～49%。
(2)提高精度和速度
与任何实时控制系统的研究类似，BCI研究需解决的主要问题是：提高正确率和加快速度。目前处于实验室研究阶段的BCI系统的判断正确率虽然优于随便猜测的正确率，但离实际应用的需要还有距离。
, http://www.100md.com
提高速度和提高精度是矛盾的，实际应用只能是两者的折中。Pfurtsheller最初曾采用Hilbert变换对ERD做预处理，正确率达到90%，但在Graz BCI中采用的是功率谱估计，因为功率谱的计算更迅速，适合实时处理，其代价是正确率的降低[1]。
Lugger[19]等人讨论了进行在线EEG分类时减少特征量维数的方法及效果。用LVQ算法分类时，对于3名受试者，当特征量的维数由16分别降到6、7和13时，分类正确率相同。该方法可以大大节省运算时间和减少训练分类器所需样本数。
在目前阶段，提高精度比提高速度更为重要。下面，我们来讨论提高精度的几个途径。
①头皮电极还是植入电极[3] 头皮电极和植入电极各有特点。植入脑内的微电极具有较高的空间和频率分辨率，但只能提供电极附近少数神经元的电活动信息，头皮电极则恰好相反。
, http://www.100md.com
由于无创性及较长的应用历史，头皮电极是BCI的首选。然而，植入电极有重要的优点使其适合特定的病人或特定的场合。它不受肌肉运动的影响，可以在头部固定较长的时间，具有较好的位置稳定性，此外，植入电极的信噪比要比头皮电极高得多。相信随着电极植入技术的提高，采用植入电极的BCI将会得到不断的发展。
②电极位置和频段选择 Pfurtscheller[20]等人发现，为了使系统的正确率达到最佳，对不同的使用者应选择不同的电极位置和频段，对于某些使用者，在采用不同的信号处理方法时，最佳的电极位置是不同的。他们建议，先对脑电信号做离线处理，作出ERD的地形图及用DSLVQ[21]算法对单次提取的信号进行分类，将有助于确定在线检测时的最佳电极位置和频段。
③信号处理和分类方法
BCI的应用前景，或许将最终取决于能否找到更有效的算法以提高正确率。
, 百拇医药
现有的算法还是有可以改进之处的。例如在Graz Ⅱ中，将三个通道的数据合在一起构成一个特征向量进行分类。模式识别理论告诉我们，将每个通道分别进行分类，再将结果进行加权或许效果更好[2]。
另外，很多文献指出，对脑电信号作Laplacian变换或转变成参考电极无关信号将大大提高正确率[20，22]。
除了常规的频域分析之外，人们还实验了多种算法，如人工神经网络[6，7，22]，自适应AR模型[23]等。
④可靠性更高的用户界面 实用的BCI应该为使用者提供纠正错误的方法，不管这种错误是系统判断错误还是使用者的主观错误。
一种比较简单的方法是每次系统作出判断后，给使用者一次确认的机会。Wolpaw[24]讨论了利用mu节律控制光标移动时这种方法的作用，并证明了当系统单次判断正确率大于0.5时，采用响应确认的方法可以提高输出的正确率，其代价是效率的降低，系统要经过两次判断才能产生一次输出。
, 百拇医药
3 应用前景
目前，对于运动功能障碍的康复手段，主要有两种，一是通过物理治疗提高残存的运动功能，二是利用功能性电刺激(functional electrical stimulation，FES)系统，代替神经系统直接控制瘫痪的肌肉。这两种方法都在一定的范围内取得了成功。
和这两种方法相比，基于脑电的BCI的研究还只是刚刚起步，离实用阶段还差得很远。现有的BCI系统都处于实验阶段，测试大多是在正常人身上进行的，没有在残疾人中进行大范围和长时间的测试。
然而，从某些角度来看，残疾人可能取得比正常人更好的效果[3]。首先，残疾人有比正常人更强烈的动机，其次，很多残疾人的感觉运动皮层有很大的区域不再被正常的功能占用，对于某些思路如调节mu节律幅度，可能更容易训练这些区域使之适合新的功能。
当然，由于脑电信号的非平稳性，我们不能指望基于脑电的BCI达到100%的正确率。此外，脑电信号太容易受到情绪、环境等因素的影响。Kirkup[16]曾谈到受试者在有压力的情况，比如要求他在多人面前“表演”时，可能由于紧张而降低系统效率。
, http://www.100md.com
总之，基于脑电的BCI的应用前景，将取决于人们能否找到更加有效的信号提取方法和相应的算法，能够在多大程度上提高系统的可靠性。我们正关注着这方面的进展并计划进入这一研究领域。
作者简介：程明(1977-)男，清华大学电机系生物医学工程专业博士研究生。
参考文献
[1] Pfurtscheller G, et al. Brain-computer interface-a new communication device for handicapped persons. J Microcomput Appl,1993,16:293～299
[2] EEG-based communication.http://www.ee.ic.ac.uk/research/neural/bci/review.html
, 百拇医药
[3] Vaughan T M, et al. EEG-based communication:prospects and problems. IEEE Trans Rehabil Eng,1996,4(4):425～430
[4] Sutter E E. The brain response interface:communication through visually-induced electrical brain response. J Microcomput Appl,1992,15:31～45
[5] Farwell L A and Donchin E. Talking off the top of your head:toward a mental prosthesis utilizing event-related brain potentials. Electroenceph Clin Neurophysiol,1988,70:510～523
, 百拇医药
[6] Pfurtscheller G, et al. Prediction of the side of hand movements from single trial multichannel EEG data using neural networks. Electroenceph Clin Neurophysiol,1992,82:313～315
[7] Peltoranta M and Pfurtscheller G. Neural network based classification of non-averaged event-related EEG responses. Med Biol Eng Comput, 1994,32:189～196
[8] Pfurtscheller G, et al. Differentiation between finger, toe and tongue movement in man based of 40Hz EEG. Electroenceph.Clin Neurophysiol,1994,90:456～460
, 百拇医药
[9] Flotzinger D, et al. Classification of non-averaged EEG data by learning vector quantisation and the influence of signal preprocessing. Med Biol Eng Comput,1994,32:571～576
[10] Kalcher J, et al. Graz brain-computer interface Ⅱ:towards communication between humans and computers based on online classification of three different EEG patterns. Med Biol Eng Comput,1996,34:382～388
[11] Arroyo S, et al. Functional significance of the mu rhythm of human cortex: an electrophysiologic study with subdural electrodes. Electroenceph. Clin Neurophysiol,1993,87:76～87
, 百拇医药
[12] Wolpaw J R, et al. An EEG-based brain-computer interface for cursor control. Electroenceph Clin Neurophysiol,1991,78:252～259
[13] Wolpaw J R, et al. Multichannel EEG-based brain-computer communication. Electroenceph Clin Neurophysiol,1994,90:444～449
[14] McMillan G R, et al. Direct brain interface utilizing self-regulation of steady-state visual evoked response (ssver). Proceedings of RESNA, June 9-14,1995,693～695
, http://www.100md.com
[15] Dewan E M. Occipital alpha rhythm eye position and lens accommodation. Nature, 1967,214:975～977
[16] Kirkup L,et al. EEG-based system for rapid on-off switching without prior learning. Med Biol Eng Comput,1997,35:504～509
[17] Keirn Z A and Aunon J I. A new mode of communication between man and his surroundings. IEEE Trans Biomed Eng,1990,37(12):1209～1214
[18] Lisogurski D and Birch G E. Identification of fingre flexion from continuous EEG as a brain computer interface.20th Internat. Conference-IEEE/EMBS Oct.Hong Kong,Proceedings,1998，29(1)：2004
, 百拇医药
[19] Lugger K, et al. Feature extraction for on-line EEG classification using principal components and linear discriminants. Med Biol Eng Comput,1998,36:309～314
[20] Pfurtscheller G, et al. EEG-based brain computer interface (BCI):search for optimal electrode positions and frequency components. Med Progr technol, 1996,21:111～121
[21] Pregenzer M, et al. Distinction sensitive learning vector quantization-a noise insensitive classification method. Proc.IEEE Int.Conf.Neural Networks ICNN-94, Orlando, FL,1994,2890～2894
, 百拇医药
[22] Millan J R, et al. Adaptive brain interfaces for physically-disabled people. 20th internat. Conference-IEEE/EMBS Oct.Hong Kong, Proceedings,1998,29(1):2008～2011
[23] Pfurtscheller G, et al. Separability of EEG signals recorded during right and left motor imagery using adaptive autoregressive parameters. IEEE Trans Rehabil Eng,1998,6(3):316～325
[24] Wolpaw J R, et al. EEG-based communication:improved accuracy by response verification. IEEE Trans Rehabil Eng,1998,6(3):326～333
(1999-04-01收稿，1999-05-24修回), 百拇医药