22、机器学习与基于脑电图的脑机接口发展路线图

机器学习与基于脑电图的脑机接口发展路线图

1. 引言

近年来，计算能力的提升推动了机器学习算法的发展，也使得脑机接口（BCI）研究应用呈指数级增长。BCI的应用领域广泛，涵盖康复、远程控制、营销、游戏和教育等。它通过捕捉大脑的电、磁或化学活动，实现大脑与外部设备或虚拟现实环境的通信，从而恢复甚至提升人类能力。

在众多BCI技术中，基于脑电图（EEG）的BCI因其成本低、体积小和安全性高而备受青睐。1924年，Hans Berger记录了人类的首次EEG。EEG信号幅度小，需要适当的放大和滤波来提取特定属性。

1.1 EEG基于的BCI

过去几年的研究表明，心理预演动作的能力会调用与规划和执行相同动作相关的大脑结构，即运动想象（MI）。在大脑活动方面，这表现为感觉运动节律（SMR，8 - 15 Hz）或β节律（18 - 25 Hz）的去同步化（ERD）或同步化（ERS）。

受试者可以通过训练来想象动作，从而使这些节律去同步化，与矫形、假肢或辅助设备进行交互，即使他们无法自主执行动作。这为开发基于MI的BCI提供了机会，有助于残疾患者恢复失去的功能。此外，MI范式对健康人也有益，可用于提高体育比赛中的运动技能或在游戏环境中控制虚拟对象。

即使是运动皮层或相关通路受损的患者，仍然能够执行MI任务。初步研究显示，慢性偏瘫中风患者在几周内就能控制矫形设备。后续更深入的研究也表明，经过强化训练，患者的运动技能能显著提高。

然而，EEG信号代表大脑大面积神经元放电的电位，到达头皮时幅度极低，容易受到肌肉活动和外部噪声的干扰。因此，解码和处理这些电位以检测MI范式中的大量自由度仍然具有挑战性。机器学习技术的进步为神经工程研究