脑机接口关键技术

脑机接口关键技术

1.1特征信号的获取

BCI 是通过对采集到的脑电信号进行分析来实现对机器的控制的。然而，在目前的技术条件下，科学家们还不能通过脑电直接阅读人的思想，无法解释自发脑电，因此只能设法使人产生具有特定模式可以被解读的脑电。以下是目前在科学研究中经常使用的产生脑电的方法。

1.1.1 稳态视觉诱发电位法

稳态视觉诱发电位法（steady-statevisual evoked potentials, SSVEP），简单来说就是在视野范围内，以一定强度的闪光或者图形刺激视网膜，可在视觉皮层或头颅骨外的枕区检测到电位变化。除此之外，还可以通过识别不同频率的SSVEP 来实现控制，屏幕呈现两个按钮，以不同频率闪烁，一旦受试者注视选择的按钮，SSVEP中响应的频率成分的幅度就会增加。和基于其他信号的脑机接口系统相比，SSVE-BCIs具有更高的信息传输率，所需要的训练时间和周期更短，具有相当大的优势。但是该方法由于显示屏幕刷新速度的问题，该系统所能呈现的目标数有限。为了解决这个问题，清华大学闫铮等人提出基于左右视野双频率刺激的SSVEP 脑-机接口。加入视觉左右注意可以改善 SSVEP-BCIs 对大脑正常输出通路的依赖性，从而扩大了系统的使用范围。

1.1.2 P300 诱发电位法

P300 是一种事件相关电位，其峰值大约出现在事件发生后300ms。大量研究表明，P300电位的幅度与事件发生的概率呈现负相关。1988年，Illinois 大学的 Farewell 和Donchin 利用 P300 设计了虚拟打字机。字符以 6*6 矩阵方式排列，矩阵中的行或列随机被点亮。如果操作者想输入的字符恰好被点亮，这时就会引起P300。引起 P300最大的行和列交点上的字符就是要打印的字符。P300在医学上也有非常重要的应用。因为在进行 P300测试时，需要受试者从众多的非目标中筛选出目标，这个过程中需要记忆和思考，因此受试者需要保持正常的思维能力，从这个角度来看，P300可以反映出各种思维的各种能力，可以作为评价认知能力的标准。

1.1.3 植入电极法

利用医学方法将微电机植入脑部，能够深入到颅骨以下的组织记录信号。该方法分辨率极高，可以得到神经元水平的信号，包括单个神经元的动作电位和局部场电位。获取的信号信噪比高，信息量大，抗干扰能力强。能够实现对复杂任务的实时和精确控制，近年来受到广泛关注。但是植入式方法风险较高，大脑植入外物后可能产生排异，感染等一系列不良反应。植入电极的维护与性能检测也是一个不可避免并且十分棘手的问题。目前，植入式神经信号的采集装置主要包括三种实现方式：

a.微电机阵列配合 PCB 板上信号处理元件

b.单硅片全集成的 MEMS-CMOS

c.独立的微电极阵列和独立的信号处理芯片相键合

a 方案采用多电路模块的 PCB系统设计方案，由于其体积大、功耗高，无法达到植入的目的。b方案的单硅片全集成克服了 a方案的缺点，但是 MEMS-CMOS 单硅片的兼容设计工艺十分复杂，不易于推广。并且MEMS 的工艺尺寸限制了 CMOS 集成电路向更小尺寸发展的可能性。c 方案充分发挥了 a方案和 c 方案的优点，并且也具有自身不可替代的优势，值得深入去挖掘。

1.2信号的特征提取及分类

在解决了控制信号的产生问题之后，脑机接口下一个关键部分就是信号的处理。BCI 系统的信号处理包括信号预处理、特征提取、识别分类等过程。本文就特征提取和识别分类的方法进行简要叙述。

特征提取就是将得到的脑电信号的特定参数形成向量作为此信号的特征向量。这些参数包括但不限于信号的幅度，频率，相位等等。相应的特征提取方法可以在时域进行，也可以在频域进行，还可以时域和频域协同分析。目前比较通用的特征提取算法有FFT（FastFourier Transform Algorithm），SFT（Short-time Fourier Transferm），AAR（Adaptive Auto-Regressive）模型，CSP（commonspatial patterns），遗传算法GA（geneticalgorithm），Butterworth低通滤波，相关性分析，WELCH周期图等等。

对脑电信号的特征提取完成后，为了确定意识类型和特征信号之间的关系，需要对根据特征对信号进行分类。信号分类结果的好坏取决于所产生的信号是否具有明显易于区别的特征，其次是分类的方法是否准确有效。脑机接口领域具有代表性的信号分类方法有人工神经网络，贝叶斯-卡尔曼滤波，遗传算法等等。

以下对最常用的算法之一——人工神经网络分类法进行详细阐述。

人工神经网络（ArtificalNeural Network,简称 ANN），从信息处理的角度对人脑神经元网络进行抽象，建立简单模型，按照不同的连接方式形成不同的网络。ANN具有自学习功能、联想存储功能和高速寻找优化解的能力，在多个领域能够发挥极大的作用。ANN是脑机接口方向应用最广泛的分类方法之一，其应用简单，参数选择方便，分类准确度高。在传统的多层感知器对信号进行分类的时候，需要提前告知合适的隐含层神经元数目，然而在神经网络理论中，科学家们还没有找到较好的方法完成隐含层神经元的数目确定ErnstHaselsteiner 和 GertPfurtscheller 提出基于信号时间特征的神经网络分类器 FIRMLPs。标准多层感知器（MLPs被视为分类的标准方法。与有限脉冲响应标准多层感知器(FIRMLPs）相比较，FIRMLPs 使用 FIR 滤波器代替静态权值来准许分类器内部的时间处理。在 MLPs 网络中，如果分类器使用由给定时间序列的两个时间步组成的特征向量，而不是单个时间步，那么错误率可以得到降低。在对同一个问题的处理上，FIRMLPs鲁棒性更强，错误率更低。同时他们还指出，如果先对输入的时间信号进行处理，转换为静态信号，再用MLPs 处理也可以得到很好的效果。

参考文献：

[1]徐博. 基于神经细胞动作电位的脑电信号采集电路研究与设计[D].华中科技大学,2017.
[2]陈小刚,王毅军.基于脑电的无创脑机接口研究进展[J].科技导报,2018,36(12):22-30.
[3]刘朝旭,王明浩,郭哲俊,王晓林,刘景全.面向植入式脑机接口系统的微型化设计[J/OL].传感器与微系统,2019(09):74-76+80[2019-10-13].https://doi.org/10.13873/J.1000-9787(2019)09-0074-03.
[4]刘久煜,张月琴,朴雪.脑机接口技术发展状况分析——基于文献调研[J].卫生职业教育,2019(19):133-135.
[5]李自娜,徐欢,潘家辉.混合脑机接口的研究进展[J].计算机系统应用,2019,28(09):1-8.
[6]李勃.脑机接口技术研究综述[J].数字通信,2013,40(04):5-8.

最后

以上就是友好爆米花为你收集整理的脑机接口关键技术的全部内容，希望文章能够帮你解决脑机接口关键技术所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。