没有合适的资源?快使用搜索试试~ 我知道了~
制作和主办:Elsevier埃及信息学杂志(2015年)16,213开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com审查脑机接口:应用与挑战莎拉·NAbdulkader*,Ayman Atia,Mostafa-Sami M.MostafaHCI-LAB,埃及开罗Helwan大学计算机和信息学院计算机科学系收稿日期:2014年12月20日;接受日期:2015年2015年7月6日在线发布摘要脑机接口技术代表了一个高度发展的应用系统研究领域。它在医疗领域的贡献范围从预防到严重损伤的神经元康复。读心术和远程通讯有其独特的指纹在教育、自我监管、生产、营销、安全以及游戏和娱乐等众多领域。它在用户和周围的系统之间建立了相互理解。本文展示了可以从脑电波中受益的应用领域,以促进或实现其目标。我们还讨论了主要的可用性和技术挑战,面临的脑信号利用在BCI系统的各个组成部分。还审查了旨在限制和减少其影响的不同解决方案。©2015制作和主办由Elsevier B.V.代表计算机与信息学院开罗大学。 这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。内容1.导言. 2142.BCI功能2142.1.通信与控制2152.2.用户状态监视2153.BCI应用2153.1.医疗应用215*通讯作者。电 子 邮 件 地 址 : nabil. gmail.com ( S.N.Abdulkader ) ,drayman@fci.helwan.edu.eg(A. Atia),mostafa. fci.helwan.edu.eg(M.S.M. Mostafa)。开罗大学计算机和信息系负责同行审查。http://dx.doi.org/10.1016/j.eij.2015.06.0021110-8665© 2015由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词脑机接口;脑信号采集;脑机接口应用;思维指令;大脑监测; BCI挑战nnn214 S.N. Abdulkader等人3.1.1.预防2153.1.2.检测和诊断2163.1.3.恢复和重建2163.2.神经工效学和智能环境2163.3.神经营销和广告2173.4.教育和自律2173.5.游戏和娱乐2173.6.安全和认证2184.BCI系统组件2185.信号采集2195.1.侵入性技术5.1.1.皮质内2205.1.2.皮质表面2205.2.非侵入性技术2215.2.1.脑磁图(MEG)2215.2.2.功能性磁共振成像(fMRI)2215.2.3.功能近红外光谱(fNIRS)2215.2.4.脑电图(EEG)2216.BCI电信号2226.1.诱发电位或诱发反应(EP)2236.2.事件相关去同步化(ERD ERS)2237.挑战和建议的解决办法2237.1.挑战2237.1.1.可用性挑战2237.1.2.技术挑战2237.2.解决方案2257.2.1.噪音消除2257.2.2.多个类别的可分离性2258.结论226参考文献2261. 介绍脑机接口(BCI)技术是用户与系统之间的强大通信工具。它不需要任何外部设备或肌肉干预来发出命令并完成交互[1]。研究团体最初开发了具有生物医学应用的脑机接口,从而产生了辅助设备[2]。它们有助于恢复身体残疾或闭锁用户的运动能力,并取代失去的运动功能[3]。脑机接口的未来前景令人鼓舞,研究界开始研究脑机接口通过医学应用在非瘫痪人群生活中的应用。然而,研究范围已进一步扩大到包括非医疗应用。最近的研究通过探索使用BCI作为一种新型的输入设备,并研究免提应用程序的生成[1,2]。如前所述,健康用户使用BCI接口存在一些疑问在[4]中。BCI的信息传输速率(ITR)差的问题有人声称,这个问题限制了BCI用于锁定的人,因为它将无法跟上普通的通信方式,甚至现有的人机接口。另一方面,[5]中已经启示了BCI对于健全用户的一些优点。BCI尤其适用于安全应用或难以即时移动且响应时间至关重要的应用。此外,它们还可用于提高HCI系统的准确性,从而在工业、教育、广告、娱乐和智能交通等各个领域做出BCI贡献。尽管预期会取得成功,但脑机接口需要克服技术困难以及用户接受度带来的挑战,以处理这种新发现的技术。下一节将提供有关BCI功能和相关应用的更多信息。然后探讨了获取脑信号的各种方法以及记录的脑电波中反映的电变化。本文还将详细讨论BCI系统面临的问题和一些解决方案。2. BCI功能脑机接口的应用基于其功能,要么观察用户状态,要么允许用户表达他/她的想法。BCI系统记录脑电波并将其发送到计算机系统以完成预定任务。因此,发射的波用于表达想法或控制对象。n脑机接口215BCI应用领域。图2BCI在医疗领域的应用以下小节简要介绍了这些BCI操作。2.1. 通信和控制脑机接口(Brain Computer Interface,BCI)系统在人脑与外界之间架起了一座沟通的桥梁,消除了对典型信息传递方式的需求。它们管理着人类大脑的信息发送,并解码他们沉默的思想。因此,它们可以帮助戴帽的人通过各种方法来讲述和写下他们的观点和想法,例如拼写应用[6],语义分类[7]或无声语音通信[8]。脑机接口还可以促进免提应用,通过对机器的精神控制为人类带来轻松和舒适。它们只需要结合大脑信号来完成一组命令,而不需要肌肉干预[9,10,3]。BCI辅助机器人可以在日常和职业生活中为残疾人用户提供支持,增加他们在建立社区方面的合作[11]。2.2. 用户状态监控早期的BCI应用针对的是有移动或说话问题的残疾用户。他们的目的是为这些用户提供一个但后来,BCI也进入了健康人的世界它作为一种生理测量工具,检索和使用有关个人情绪,认知或情感状态的信息大脑信号利用的目标已经扩展到控制某些对象或提供特定功能的替代品,即所谓的被动BCI[12]。根据Garcia-Molina等人[13],对当前情绪或认知状态的精确意识可以影响与记录的脑电波相关的心理任务的识别。这些信息的另一个有益的应用是确定状态本身,并使用这些知识来增强各种BCI系统。BCI用户状态监测功能被认为是人机界面中的一个有用工具,并根据估计的用户情绪或认知状态对其进行调整[14,13]。它参与共享控件环境,并决定在某些情况下可能使用的最佳控件类型。它还有助于智能环境和情绪控制应用程序的开发[4,15]。工作条件下一节重点介绍了一些利用脑机接口的应用程序。3. BCI应用脑机接口在各个研究领域都做出了贡献。如图1所示,它们涉及医疗、神经人体工程学和智能环境、神经营销和广告、教育和自我调节、游戏和娱乐以及安全和认证领域。3.1. 医疗应用医疗保健领域有各种各样的应用,可以在所有相关阶段利用大脑信号,包括预防,检测,诊断,康复和恢复,如图所示。 二、3.1.1. 预防已经开发了各种意识水平确定系统以及它们的脑相关研究。注意吸烟和饮酒对脑电波的影响已在[18这些研究对于医学预防的重要性在于吸烟和/或饮酒可能导致功能丧失和警觉水平下降,而[23]的作者已经研究了对酒精中毒反应最强烈的大脑部位交通事故被认为是死亡或严重伤害的主要原因[24,25]。分析其原因以进行后期预防一直是各个领域研究因此,对那些患有运动病的人,特别是驾驶员的集中水平进行了研究。晕动病通常发生在移动的交通工具上,是由于身体、内耳和眼睛产生的感觉信息被传送到大脑而引起的。图1216 S.N. Abdulkader等人它可能会导致交通事故,因为它会降低一个人保持自我控制的能力。根据[26,27],运动病的预测可以使用一组EEG功率指示器在驾驶员状态监测和警觉系统中做出贡献。来自不同五个大脑区域的伴随EEG信号已在[26]中进行了检查。作为感觉信息收集过程的一部分,人类听力水平已通过基于听觉诱发电位BCI的系统进行测量[28]。在另一项研究[29]中,设计了一种基于虚拟现实的晕动病平台,该平台具有32通道EEG系统和操纵杆,该操纵杆用于在实时实验中报告晕动病水平(MSL)如[30]所述,通过脑电波进行的意识水平监测已扩展到不仅包括司机,还包括独自患病的人。3.1.2. 检测与诊断脑机接口系统的精神状态监测功能还有助于预测和检测诸如异常脑结构(如脑瘤)、发作性疾病(如癫痫)、睡眠障碍(如嗜睡症)和脑肿胀(如脑炎)等健康问题。肿瘤是由细胞不受控制的自我分裂而产生的,脑电图作为MRI和CT扫描的廉价辅助手段,可以发现肿瘤。基于EEG的脑肿瘤检测系统一直是[31,32]中研究的主要主题,而[33]一直关注使用EEG信号识别乳腺癌。Sharanreddy和Kulkarni在[34]中提出了一个系统,可以识别与脑肿瘤和癫痫发作相关的EEG异常。早期发现癫痫发作(最常见的神经系统疾病之一)并控制其影响见[35,36]。阅读障碍是大脑疾病之一,可以通过测量大脑行为来诊断,如[37]所述。在早期阶段就发现它可以提高阅读和学习能力,使儿童免于自尊和自信问题,并让他们获得基本技能和知识。如[38,39]中所述,可以使用BCI阻抗检测睡眠障碍。他们展示了一些方法,用于部署EEG信号来注意特发性快速眼动(REM)睡眠行为障碍(iRBD),因为iRBD已被发现是帕金森病(PD)的一个强有力的早期预测因子Wei等人[40]通过使用足底压力测量系统,实验证实了人体步态周期与EEG信号之间的关系。这种关系有助于预测运动障碍、周围神经病变和肌肉骨骼疾病等疾病。3.1.3. 重建和恢复活动康复是一种身体康复的形式,用于有活动问题的患者,以恢复他们失去的功能并恢复以前的活动水平,或至少帮助他们适应后天残疾[41]。遭受严重伤害或中风等事件的人也可能完全康复。中风是一种脑细胞由于缺氧而突然死亡的情况。它可能是由血液循环阻塞引起的。患者可能会突然失去说话能力,可能存在记忆问题,或一侧的身体可能会瘫痪。残疾和脑中风已经成为许多研究的主题,这些研究对涉及大脑信号的解决方案感兴趣。[42]中指出,与中风损伤相关的脑结构可以重组,受损的运动功能可以通过神经可塑性恢复[43,44]。移动机器人可用于帮助被锁定的人完成日常生活活动,如[3,45]所述。对于无法恢复先前活动或交流水平的患者,基于BCI的假肢(也称为神经假体器械)可用于恢复正常功能[46已经提出了用于基于BCI的康复训练的各种现实方法,例如真实、虚拟和增强方法真正的康复方法利用健康人产生的大脑信号以及解码的运动学参数[50]。它帮助中风患者修改他们的思维行为,使之与记录的信号相似,并重新训练大脑的健康区域来接管。另一种康复方法涉及通过监测和控制从传出脑电波产生的化身运动的虚拟现实[51]。增强现实技术代表了基于现实的脑机接口治疗的第三种方法,如增强镜盒系统,它是对镜盒疗法(MBT)的发展MBT使用由对称运动产生的大脑信号,这些运动包括受伤和健康的肢体[52]。运动想象信号也有助于中风后运动治疗的神经反馈系统[53,54]。运动想象和动作结果的分类和比较见[55,56]。3.2. 神经工效学与智能环境如前所述,部署大脑信号并不排斥医疗领域。智能环境,如智能住宅、工作场所或交通工具,也可以利用脑机接口为人类的日常生活提供进一步的安全、豪华和生理控制。他们还有望见证物联网(IOT)和BCI技术之间的合作,如[57]所述。Lin等人[58,59]提出了一种认知控制器系统,称为基于 脑 机 接 口 的 智 能 生 活 环 境 自 动 调 节 控 制 系 统(BSLEACS)。它监控用户它已经扩展了其功能,包括通用即插即用(UPnP)家庭网络。另一方面,周围的环境的贡献,通过上下文感知增强基于BCI的家庭应用程序已被考虑。Navarro等人[4]开发了这样一个应用程序,它可以根据当前上下文自动更改用户可访问的可用选项此外,在获得非侵入性精神健康护理方面,医疗保健和智能住宅的整合已经成为脑计算机应用中的现有方法,如[60]所示。大脑信号还通过评估操作员的认知状态来帮助改善工作场所条件他们还分析了工作负荷、精神疲劳和任务时间对EEG特征的影响[61]。手术室也代表了智能工作场所基于BCI的应用程序的一个可以选择的地方,如脑机接口217[62]. 系统测量外科医生的压力水平,并根据响应类型发出警报。智能交通领域也受益于认知状态监测BCI功能。驾驶员据发现,分心和疲劳是驾驶员注意力不集中的两个主要来源各种类型的测量有助于确定驾驶员在[67]中已经广泛研究了使用EEG信号进行疲劳检测,而[68]已经讨论了利用工作负荷指数来评估驾驶员的精神状态。在[69]中已经检验了几种用于区分分心驾驶员的模型。Kim等人[70]提出了智能驾驶系统的多模态上下文识别,通过分析ECG和EEG信号来预测注意力和压力,并通过大脑信号的集中值来控制车速酗酒司机作为道路事故的一个促成因素,也可以通过使用EEG信号来表征,如[71]所述。[72]开发了一种视听虚拟环境,以评估和分析驾驶反应以及相关的大脑信号。[73]向模拟驾驶模型提出了一些驾驶特定任务,并探索了产生的神经动力学,而在[74]中,kawamura等人描述了在处理困倦驾驶员时使用多种刺激方法来提高他们的注意力水平。[24]已经研究了使用驾驶员的EEG信号来检测紧急情况(例如行人的突然出现)的可行性3.3. 神经营销与广告市场营销领域也一直是BCI研究的兴趣所在。[75]中的研究解释了使用EEG评估与商业和政治领域相关的电视广告的好处。基于BCI的评估测量伴随观看活动的生成注意力[76]。另一方面,[77]的研究人员考虑了神经营销领域另一种认知功能的影响。他们一直有兴趣估计电视广告的记忆,从而提供另一种方法来评估广告。3.4. 教育和自律神经反馈是一种很有前途的方法,通过有针对性地调节人脑活动来提高大脑的性能。 它侵入了教育系统,教育系统利用脑电信号来确定所学习信息的清晰程度。每个学习者的个性化互动是根据所经历的结果响应建立的[17]。通过非侵入性BCI学习自我调节也被研究。它为改善认知治疗方法提供了一种手段。[78]中的研究分析了fMRI用于情绪调节的可行性,而[79]建议使用混合此外,基于情绪智力的EEG已应用于体育比赛中,以控制伴随的压力,如[80]所述。在[43]中,BCI技术已经通过功能性磁共振成像(fMRI)神经反馈在自我调节和技能学习中得到了3.5. 游戏和娱乐娱乐和游戏应用为非医疗脑机接口打开了市场在[81]中,直升机可以在2D或3D虚拟世界中的任何一点上将现有游戏的特征与大脑控制能力相结合已成为许多研究的主题,例如[82],这些研究倾向于提供多脑娱乐体验。这个游戏叫做BrainArena。玩家可以通过两个BCI加入一个合作或竞争性的足球比赛。他们可以通过想象左手或右手的动作来得分。另一方面,一些EEG严肃游戏已被用于情绪控制和/或神经假体康复。它们包含一个新的游戏想法或修改过的游戏想法。在[5]中,Tan和Nijholt描述了旨在降低压力水平的脑球游戏。使用者只能通过放松来移动球;因此,更冷静的球员更有可能成为赢家,因此他们会在娱乐的同时学会控制自己的压力图3脑机接口系统。图4信号采集方法。218S.N. Abdulkader等人图5不同类型记录信号的示例:(a)血氧水平依赖(BOLD)变化,(b)磁信号和(c)电信号。3.6. 安全和认证安全系统涉及基于知识、基于对象和/或基于生物特征的认证。它们已被证明易受几个缺点的影响,例如简单的不安全密码、肩扛冲浪、盗窃犯罪和可取消的生物识别[83]。认知生物识别或电生理学,其中只有使用生物信号(如大脑信号)的模态被用作身份信息的来源,为这些漏洞提供了解决方案[84,85]。探索电生理学的可行性背后的动机是生物信号不能被外部观察者随意获取。它们对于残疾患者或缺少相关身体特征的用户也具有很大的价值[86]。这使得这种信号难以合成,因此提高了生物识别系统对欺骗攻击的抵抗力。除了脑电图(EEG),当授权用户处于外部强制条件下时,生物特征模态可以用于发送隐蔽警告,如[87]中所实现的。一些研究已经考虑将驾驶行为产生的EEG信号认证为智能驾驶系统的一部分。在[88,89]中,作者使用了一个简化的具有心理任务条件的驾驶模拟器来根据需要验证驾驶员的身份。无意识的驱动程序验证发生在[90]。4. BCI系统组件如图3所示,BCI系统由四个基本部件组成。它们包括信号采集、信号预处理、特征提取和分类。信号采集组件(将在下一节中详细描述)脑机接口219图6皮质内采集。负责记录脑电波并将其发送到预处理组件以进行信号增强和降噪。特征提取组件生成改进信号的鉴别特征,从而减小应用于分类组件的数据的大小。分类器正在将生成的功能转换为设备命令[3,91]。5. 信号采集测量大脑产生的振荡是任何基于BCI的系统中的主要组成部分之一。它反映了用户当前活动所产生的自主神经行为。已经研究了用于信号采集的各种方法。是图7ECoG采集。BCI应用程序及其预期用户类别,决定了适当的信号采集方法及其测量现象。如图4所示,存在两种一般类别的脑采集方法:侵入性方法和非侵入性方法。在侵入性技术中,电极通过神经外科手术植入用户的大脑内部所获取的信号的示例在图5中呈现。图5.a[92]显示了血氧水平依赖性(BOLD)变化。图5.b [93]显示了大脑产生的磁信号,而大脑电信号记录在图5.b [94]中。 5. c.5.1. 侵入性技术侵入式记录方法是在头皮下植入电极。他们测量大脑的神经 活 动 , 从 运 动 皮 质 内 或 皮 质 表 面 ( 皮 层 电 图(ECoG))。它们的最大优点是它们提供高的时间和空间分辨率,提高了所获得的信号的质量及其信噪比。然而,这些技术存在很多问题。除了涉及外科手术引起的可用性问题外,还发生了与系统输出相关的问题。这些植入物所监测的大脑区域的小尺寸被认为是其中之一。一旦被植入,它们就不能被转移到另一个人身上来测量大脑活动。220S. N. Abdulkader等人区此外,身体对新物体的适应可能失败,可能导致医疗并发症。也可能出现关于植入物的稳定性和防止感染的问题因此,现实世界中侵入性记录的使用通常仅限于少数残疾用户的基于BCI的医疗应用[94,5]。根据[95],侵入性系统大多在使用猴子的BCI系统实验中进行了尝试。少数四肢瘫痪患者使用植入电极。下一小节提供了关于这些侵入性方法的更多细节。5.1.1. 皮质内皮质内采集技术是最具侵入性的方法,如图所示。 6[96]。它被植入大脑皮层表面之下它可以使用单个电极或测量单个神经元动作信号的电极阵列来实现电极尖端被放置得非常靠近信号源,并且阵列必须在长时间内保持稳定由于其相对较高的空间分辨率,它在声源定位问题中的应用得到了广泛的推荐。但皮质内采集可能会遇到长期的信号变化。这可能是由于神经元细胞死亡或组织阻力增加而发生的。此外,如果系统涉及激活残疾肢体的刺激,则该额外刺激也可能产生显著的噪声效应[95]。猴子和大鼠已经深入参与了采用皮质内侵入性采集的BCI研究。已经使用植入的电极对动物的运动进行了分析。在一项旨在尽量减少使用电极数量的研究中,猴子首先学会了将光标移动到位于一个假想立方体四角的八个目标上。所提取的信息有助于估计运动意图,并已用于训练自适应图9fMRI采集。运动预测算法猴子已经被用来在虚拟现实中移动大脑控制的机器人手臂。研究人员还成功地帮助他们用真正的机器人手臂吃饭[94]。对人类受试者使用侵入性记录技术的研究仅限于一些严重残疾的人。肌萎缩侧索硬化症(ALS)是一种影响大脑和脊髓中的神经细胞的进行性神经退行性疾病。运动神经元从大脑到达脊髓,再从脊髓到达全身的肌肉。ALS患者在将单个电极植入运动皮层后,能够在计算机屏幕上移动光标以选择呈现的项目[94]。年的另一项研究[97]的目的是表明分类精度随着电极数量的逐渐增加而增加。另一方面,在[98-100]中进行了几项关于减少电极数量以减小特征尺寸或增强用户可接受性的研究5.1.2. 皮质表面皮质电图(ECoG)是一种记录方法,它带来了一种微创的选择,同时保留了有创方法的优点。它涉及通过图7所示的外科手术在皮质表面上植入电极网格或条带[101]。它记录了拥抱区神经元的电活动[102]。[94]认为电极的数量是侵入程度的量度。图8MEG采集。图10fNIRS采集。脑机接口221与电场相比,头骨层。但是,与非侵入性电子采集技术相比,这种优势并没有导致性能或训练时间的巨大改善[95]。图11EEG采集。ECoG记录位于有创准确性和无创安全性由于其相对接近信号源,它提供了比诸如EEG的非侵入性技术所提供的空间分辨率和信号幅度更高的空间分辨率和信号幅度。提出一个更好的幅度信号,使其更少地受到肌肉接合产生的噪声和伪影的影响。这些优点使ECoG成为癫痫定位问题的良好候选解决方案。因此,癫痫患者在手术前使用它[103]。研究人员在多项与运动任务和言语过程分类有关的研究中利用了皮层上的记录。[104]已使用ECoG信号预测五级手指关节的运动学参数,而[105]已经区分了多个运动想象任务对,例如左手与右手以及手指与舌头的想象运动,具有瘫痪和非瘫痪癫痫患者的ECoG脑信号。已经发现,非瘫痪受试者的活动可以被系统分类和理解。ECoG也非常有益,特别是在语音和语言处理方面,动物无法帮助评估与声音动作和语言语义相关的大脑信号。在文献[7]中分析了解码与各种图像类别相关的语义信息的可行性。他们要求受试者在所呈现的图片上应用不同的语言相关任务,例如图片命名。5.2. 非侵入性技术这些记录方法遵循不需要将外部物体植入受试者大脑的方法。因此,它避免了侵入性采集所需的外科手术或永久性器械连接。下面介绍不同类型测量信号的各种评估方法,如 功 能 磁 共 振 成 像 ( fMRI ) 、 功 能 近 红 外 光 谱(fNIRS)、脑磁图(MEG)和脑电图(EEG)5.2.1. 脑磁图(MEG)这是一种非侵入性方法,可测量大脑中自然产生的电流产生的磁场。头部外部的磁信号目前仅使用超导量子干涉装置(SQUID)来获取。 MEG信号可能会干扰其他磁信号,如地球磁场,因此这种记录方法需要实验室配置屏蔽和专用设备[106,95],如图所示。 8 [107]。尽管存在便携性和成本问题,但MEG信号受5.2.2. 功能磁共振成像功能性磁共振成像检测与大脑神经活动相关的血流变化,如图9所示[108]。因此,它有助于将活动映射到相应的使用的大脑区域,这被称为源定位问题。这取决于这样一个事实,即大脑部分的任何使用都需要增加输入的血液流量。它使用血氧水平依赖性(BOLD)造影剂,对血流动力学反应敏感[109]。BOLD对比强度反映了脑组织中脱氧血红蛋白浓度的变化。虽然fMRI的时间分辨率较低,但它提供了较高的空间分辨率,并捕获了无法通过电或磁测量收集的大脑深部信息[95]。5.2.3. 功能近红外光谱(fNIRS)fNIRS是一种非侵入性技术,其测量脑中的血液动力学以检测神经元活动。它使用近红外范围内的光来确定血液流速[110]。它具有提供高空间分辨率信号的优点。但就时间分辨率而言,fNIRS记录可能不如基于磁信号的记录有效。与fMRI相比,fNIRS是便携式的,如图10所示[111],价格较低,但提供的成像能力较低。其优点为临床研究和可能的实际应用提供了可行的替代方案[95]。5.2.4. 脑电图(EEG)脑电图(EEG)是通过测量伴随大脑内神经传递活动的电压波动来记录沿头皮的电活动。 如图11所示,电极连接在帽状装置中[112]。与其他类型的脑信号记录相比,它具有独特的可用性优势,因此建议将其用于商业用途。它易于使用,便携和廉价。EEG记录还提供高时间分辨率。然而,与其他方法相比,其信噪比和空间分辨率表示限制。已经提供了几种解决方案来提高EEG空间分辨率问题和改善信号定位。已建议将电极的使用增加到256个。一个国际性的电极定位系统已经公布。根据图12[113]所示的分配,它使相邻电极对之间的距离为头皮直径的10% 或20%[3]。该配置通常用于不同的EEG系统。[114]已经审查了允许不太突兀和高便携性选项的传感器,用于广泛的市场使用,如NeuroSky和Anchortiv。另一种EEG采集方法见[115]。它提供了一个不显眼的耳内EEG记录。它已被测试对头皮脑电图和证明的可行性。这种方法的优点表现在固定电极位置、舒适用户和对电磁干扰的鲁棒性。关于基于BCI的应用的许多研究已经开始关注减少所使用的电极的数量,同时保持信噪比。表1获取方法特征摘要。222 S.N. Abdulkader等人图1210皮质表面皮质内EEG梅格fMRIfNIRS侵入性和医疗问题侵入性侵入性无创无创无创无创空间分辨率高非常高低介导高介导时间分辨率高高介导介导低低便携性便携式便携式便携式非便携非便携便携式记录信号电电电磁代谢代谢使用EEG和ECoG信号的方法在[105]中给出。此外,在运动想象的分类中,言语的存在也得到了检验[122],并且发现言语的存在并不显著影响准确性结果。表1[123]总结了大脑采集方法及其优缺点。6. BCI电信号图13BCI电信号。对脑电信号的采集方法进行了进一步的研究。区分许多类型的动作被认为是,如心理和运动动作[116],膝盖和脚踝收缩[117],手抓[118,119]和想象的写作[120,121]。瘫痪与非瘫痪人群运动动作分类结果分析考虑大脑活动产生的电信号的研究揭示了研究这些信号的两种主要方法[2],如图13所示。第一种方法涉及探索各种触发条件对它们的影响,如诱发电位(EP),而另一种方法旨在检测不一定与外部刺激相关的脑振荡,如事件相关去同步化(ERDnERS)。nn脑机接口2236.1. 诱发电位或诱发反应(EP)它是神经系统在受到刺激后记录的电反应。它可以进一步分为稳态诱发电位(SSEP)和事件相关电位(ERP)[124]。EP组分被标记为外源性或内源性[125]。外源成分受刺激的物理属性如强度、模态和呈现率的影响。另一方面,刺激的心理或认知意义,即情境的心理或认知需求,决定了内源性成分。它们不受刺激物的物理属性的影响。内源性成分的振幅、潜伏期和头皮分布随策略、预期和事件触发的其他心理活动而变化[126]。稳态诱发电位(SSEP)[127]由固定频率调制的刺激诱发,并在刺激频率下作为EEG活动的增加而发生。刺激可以是稳态视觉诱发电位(SSVEP)中的视觉刺激[128],稳态听觉诱发电位(SSAEP)中的听觉刺激[129],甚至是稳态体感诱发电位(SSSEP)中的体感刺激[130]。事件相关电位(ERP)是由刺激变化引起的。它是一种对随机发生的预期目标事件后正在进行的大脑活动的时间锁定的描述。事件可以是感官刺激、认知事件或运动反应的执行。ERP包括体感诱发电位(SSEP)、视觉诱发电位(VEP)[131,132]和听觉诱发电位(AEP)[28]。与EEG的几十微伏、EMG的毫伏以及ECG的通常接近一伏相比,ERP幅度具有范围从小于一微伏到几微伏的值。提出了不同的方法,如采样,平均,滤波和眼伪影去除,以分离出隐藏在脑电中的ERP信号,这些脑电是在大脑事件相关电位的P300、N100、N400等成分用波幅和潜伏期来描述。幅度是正的,由字母P表示,或者是负的,由字母N表示,而潜伏期以刺激后的毫秒表示6.2. 事件相关去同步化已经发现,由某些事件引起的变化可以阻断或降低正在进行的EEG信号的功率。它们与事件时间锁定,但不是相位锁定,因此不能通过简单的线性方法(例如平均)提取。在给定频带中的功率的减小或增大可以用于检测这些变化。这可能与底层神经元群体的同步水平有关。功率降低称为事件相关去同步或ERD,而功率增加称为事件相关同步(ERS)[133]。尽管ERD ERS BCI系统不需要外部刺激,但它们需要可能需要数周的大量培训,其性能在用户之间存在很大差异,并且其准确性不高它们可以通过执行心理任务来诱导,例如运动想象,心算或心理旋转。7. 挑战和拟议的解决办法使用大脑信号建立通信接口面临着许多挑战。它们可以被归类为技术和可用性。技术挑战涉及系统障碍,特别是关于EEG特征特性的障碍。可用性挑战描述了影响人类接受水平的限制[134]。7.1. 挑战7.1.1. 可用性挑战它们表达了用户接受BCI技术利用所面临的限制[1]。其中包括与阶级歧视所需的培训过程有关的问题信息传输率(ITR)是一个系统的评价指标,它结合了性能和验收方面。7.1.1.1. 培训过程。 培训用户是一项耗时的活动,无论是在指导用户完成过程还是在记录会话的数量方面。它发生在初始阶段或分类器校准阶段[135]。在初始阶段,用户被教导处理系统以及控制他/她的大脑反馈信号,而在校准阶段,训练对象针对该耗时问题的一个通常研究的解决方案是采用单次试验而不是多次试验分析,其用于增强信噪比[133],并将小训练大小的负担置于后续BCI系统组件上进行处理。各种自适应和零训练分类器已经被作为[126]中提到的解决方案进行了研究。7.1.1.2. 信息传输速率。它是指挥BCI系统广泛使用的评估指标。它取决于选择的数量,目标检测的准确性,以及选择的平均时间。因此,与图像BCI相比,选择性注意策略的ITR更高,因为它们提供的选择更大[5]。7.1.2. 技术挑战这些问题与脑信号的记录电生理特性有关,包括非线性、非平稳性和噪声、小训练集和比较维数灾难。7.1.2.1. 非线性。大脑是一个高度复杂的非线性系统,其中神经系统的混沌行为可以被检测到。因此,非线性动力学方法比线性方法更能表征脑电信号。7.1.2.2. 非平稳性和噪声。电生理脑信号的非平稳性属性代表了开发BCI系统的主要问题[2,136]。它引起在记录会话之间或记录会话内所使用的信号随时间的连续变化。精神和情绪状态224 S.N. Abdulkader等人表2BCI系统的例子。应用程序(和/或)预处理特征提取分类器结果刺激类型(%)受试者识别自回归系数(AR)SVM99.76想象中的演讲[142]受试者识别自回归系数(AR)SVM98.96VEP[142]受试者识别自回归系数(AR)KNN99.41想象中的演讲[142]身份识别[143,144]自回归系数(AR)+功率谱密度(PSD)自回归系数(AR)+功率谱密度(PSD)KNN+ FisherKNN97.570.7自回归系数(AR)+功率谱密度(PSD)SVM79.6图像刺激类型对智能电视神经控制的影响[145]视频刺激类型的选择带通滤波带通滤波SVMSVM95.193.3智能电视的神经控制[145]Go/NoGo的分类带通滤波小波变换与短时傅里叶变换SVM91任务[146]变换(STFT)熟悉的物体[147]独立成分分析SVM87阅读意图的检测[148]带通滤波PCAKNN86.49BCI唤醒检测[149]带通滤波非对称空间模式(ASP)KNN82.25带通滤波公共空间方向图KNN76.98带通滤波非对称特征(AF)KNN62.52BCI唤醒检测[149]带通滤波非对称空间模式(ASP)SVM82.03公共空间方向图(CSP)SVM77.72带通滤波非对称特征(AF)SVM69.42选择/无选择任务[150]带通滤波CSPLDA80左手和右手的想象运动[151]移动声音P300拼写器[6]固定子空间CSP分析(SSA)带通滤波器LDASVM79.971.4带通滤波器LDA28.6[第152话]第152话检测紧急情况带通滤波CSP+通用空间模式贴片(CSPP)电力线陷波平均功率谱LDALDA7070驾驶员滤波器+带通滤波移动方向[153]ICA典型相关分析(CCA)+α和θ波段的EEG频谱功率调制ICA典型相关分析SVMSVM69.765.6BCI效价检测[149]ICA脑电α和θ频段带通滤波非对称空间方向图(ASP)SVMKNN65.466.51带通滤波非对称特征(AF)KNN62.01公共空间方向图(CSP)KNN58.23BCI效价检测[149]带通滤波非对称空间模式(ASP)SVM65.39带通滤波非对称特征(AF)SVM61.89公共空间方向图(CSP)SVM57.54运动和精神活动低通滤波器功率谱密度(PSD)SVM64.18歧视[116]低通滤波器功率谱密度(PSD)LDA52.76静态声音P300拼写器[6]带通滤波器SVM62.9带通滤波器LDA20n脑机接口225背景通过不同的会话可以有助于EEG信号的变化。疲劳和注意力集中程度也被认为是内部非平稳性因素的一部分。噪声也是BCI技术面临的挑战中的一个重要因素,并导致非平稳性问题。它包括由电极放置的改变和环境噪声引起的不需要的信号[106]。运动伪影的组合,例如骨骼肌肌电图(EMG)产生的电活动以及眼球运动和眨眼眼电图(EOG)产生的信号[131],也会在采集的信号中反映出来,导致难以区分潜在模式。7.1.2.3. 小训练集。训练集相对较小,因为训练过程受到可用性问题的影响。虽然大量的训练课程被认为是耗时和要求的对象,他们提供了必要的经验,以处理系统和学习控制他她的神经生理信号的用户。因此,设计BCI的一个重大挑战是平衡解释用户大脑信号的技术复杂性与成功操作界面所需的培训量之间的权衡7.1.2.4. 高维诅咒。在BCI系统中,从多个通道记录信号以保持高空间精度。由于正确描述不同信号所需的数据量随着向量的维数呈指数增长,因此已经提出了各种特征提取方法。它们在识别识别特征方面起着重要作用。因此,分类器的性能只会受到少量独特特征的影响,而不是可能包含冗余的整个记录信号。一般来说,建议每个类使用至少五到十倍于维数的训练样本[134]。但是这种解决方案不能像BCI系统那样在高维环境中持续,导致维数灾难的扩大[137]。7.2. 拟议解决办法已经研究了几种解决方案来应对和限制先前提到的技术问题的影响。它们分布在各种BCI系统组件上。以下部分解释了用于改进基于BCI的系统的性能的一些所采用的方法7.2.1. 噪声去除在空间、时间或频率域中的预处理有助于增强特别是由外部因素引起的信号。通过增加信号电平和/或降低噪声电平来提高EEG信号的信噪比(SNR)[138]一种广泛使用的空间滤波方法是独立分量分析(ICA)[139] 。ICA 通过将观察到的EEG 分解为统计独立分量(IC),以无监督方式完成空间该方法通过分离与任务相关的脑电信号成分和与任务无关的脑电信号成分以及人为干扰成分来提高脑电信号的信噪比。基于时间的预处理可以有助于使用EOG污染的EEG信号和使用眼动记录电极记录的EOG信号的线性组合从信号中去除伪影[140]通过线性回归方法确定组合因子。虽然它代表了从EEG信号中去除眼部伪影的最常见技术,但由于难以放置肌肉检测电极,因此它在去除EMG信号方面没有取得同样的成功。频带滤波有助于去除噪声和伪影。它还可以为处理内部非平稳因素提供重要帮助。可以选择任务相关频率以用于BCI系统中的进一步分析这种过滤类型不需要额外的电极来检测眼睛或肌肉运动。使用过滤的优点是它的简单性。然而,如果不相关的信号与感兴趣的信号重叠或位于同一频带,则该方法的效果会降低[131,132]。7.2.2. 多类机器学习技术被用来将用户的意图转化为有效的选择。他们辨别和识别所选的类。例如,它们已被用于克服与小训练集、单次试验以及会话之间和单个会话内的可变性相关的一些限制。它们还旨在实现更高的性能,从而获得更高的ITR结果。接下来,我们展示了三种不同的机器学习算法,如线性判别分析(LDA),支持向量机(SVM)和k近邻(KNN)。7.2.2.1. 线性判别分析LDA用于寻找描述相应信号特征的特征向量的线性组合。LDA试图分离两个或多个表示不同类的对象或事件类。它利用超平面来完成这项任务。通过寻找最大类间均值距离和最小类间方差的投影,得到分离超平面该技术具有非常低的计算要求,并且使用简单。LDA已成功应用于各种类型的BCI系统,
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功