46、神经自适应技术前沿研究成果综述

神经自适应技术前沿研究成果综述

1. 眼动与 SSVEP 协同提升 BCI 性能

1.1 研究背景与目的

脑机接口（BCI）范式如想象运动、P300 和稳态视觉诱发电位（SSVEP）已成功应用于混合脑机接口（hBCI）中。本研究旨在探究将 SSVEP 与眼动追踪相结合的 hBCI，以提升 BCI 的交互性能。

1.2 实验方法

• 实验对象 ：30 名健康志愿者，年龄 21 - 73 岁，平均 37.6（±14.73）岁。
• 实验设备 ：基于屏幕低频刺激的 SSVEP BCI 和 EyeTribe 眼动追踪器。
• 实验任务 ：参与者需完成四项任务，控制界面穿越分层菜单结构并激活智能家居环境的功能，包括与智能照明交互、选择视频播放、使用预设图标交流和自由导航控制厨房抽风机等。

1.3 实验结果

指标	SSVEP 单独使用	混合 BCI（hBCI）
准确率（Acc.）范围	[65% - 100%]	[94% - 100%]
效率（Eff.）范围	[41% - 100%]	[89% - 100%]
平均准确率（Acc.）	93.49%（±7.32%）	99.84%（±0.77%）
平均效率（Eff.）	89.71%（±12.30%）	99.74%（±1.23%）
信息传输率（ITR）	23.18 比特/分钟（±6.83）	24.41（±6.35）比特/分钟

从上述表格可以清晰看出，hBCI 在准确率、效率和信息传输率方面均优于 SSVEP 单独使用。

1.4 讨论与结论

hBCI 表现出更高的准确率和效率。通过离线数据分析发现，如果决策标准能根据眼动追踪器和 BCI 的性能进行调整，决策可以更早做出，从而提高信息传输率和鲁棒性，减少用户疲劳和挫败感。总之，hBCI 性能在各项指标上均超过 SSVEP - BCI，自适应处理有望进一步提升其性能。

2. 基于外骨骼关节数据的运动起始标记

2.1 研究背景与目的

实时分析神经生理测量数据以实现系统控制或自适应，需要对特定事件进行标记的训练数据。本研究旨在探索利用外骨骼关节数据进行运动起始标记，以满足现实场景中嵌入式脑阅读（eBR）对自动化事件生成的需求。

2.2 实验方法

• 实验对象 ：4 名受试者。
• 实验设备 ：受试者佩戴上半身外骨骼，记录 18 个关节角度、32 通道脑电图（EEG）和手臂关节的 3D 位置，同时使用 Qualisys 运动追踪系统（MTS）。
• 数据处理 ：计算双手的运动速度，采用均值滤波和基于方差的滤波进行预处理，归一化后使用阈值 0.15 检测粗略起始点，再分析速度斜率确定真实起始点，并设置 1 秒的最小静止时间。

2.3 实验结果

与 MTS 相比，外骨骼数据的起始检测时间更晚，所有受试者中两个系统的差异为 0.21 秒 [F1, 336 = 54.58, p < 0.001]。

2.4 讨论与结论

在运动康复应用中，可以基于外骨骼系统的关节数据检测运动起始。延迟的原因是受试者下臂与外骨骼的连接较松，手部可在一定程度上移动而不带动外骨骼。本方法可实时计算外骨骼关节数据的正向运动学，适用于 eBR 等嵌入式方法，其标记可用于在线调整分类器或实现多模态标记以获得更可靠的结果。

graph LR
    A[受试者佩戴外骨骼运动] --> B[记录关节角度、EEG和3D位置]
    B --> C[计算运动速度]
    C --> D[预处理（均值滤波、方差滤波）]
    D --> E[归一化速度]
    E --> F[阈值检测粗略起始点]
    F --> G[分析斜率确定真实起始点]
    G --> H[设置最小静止时间]

3. 测量和提醒学生正念状态的指标研究

3.1 研究背景与目的

近年来，正念训练已引入学校，其有助于提高学生的注意力和冷静度。本研究旨在探讨可用于衡量正念状态的数据指标，并研究如何利用可穿戴技术为学生提供反馈。

3.2 现有测量方法

多数正念测量工具基于正念练习者的自我报告，如五方面正念问卷（FFMQ）、正念注意力和意识量表（MAAS）等。本项目则聚焦于利用可穿戴技术进行测量和反馈。

3.3 可用于测量正念的指标

• 脑电图（EEG） ：多项研究使用 EEG 测量正念状态，发现正念通常与闭眼休息状态相比，α 和 θ 功率增强相关，但在 β、δ 和 γ 带宽方面无一致模式。
• 心电图（ECG） ：包括脉搏到达时间、心率、心率变异性（HRV）等数据也与正念测量相关。正念练习可增加归一化高频 HRV，有研究将较高的 HRV - HF 作为衡量正念的指标。

3.4 研究计划

• 收集专家正念练习者的 EEG 和/或 ECG 数据，开发计算模型。
• 为学生开发实时正念计算模型。
• 制定策略，当学生正念状态低于阈值时进行提醒。

4. 构建传统与新型人机交互范式的伦理定义框架

4.1 研究背景与问题

现有人机交互（HCI）的定义主要关注领域而非交互本身，缺乏统一的术语框架来详细建模特定的 HCI 实例或范式。随着 HCI 向新型领域扩展，如脑驱动设备，传统定义未涵盖的方面，如意志、意图、情感和意识等，变得至关重要。

4.2 研究目的

提出一个更新的 HCI 术语框架，该框架应能一致涵盖传统和新型 HCI 范式，允许在不同抽象层次上对 HCI 进行建模，并传达伦理考量，排除滥用范式使用相同术语。

4.3 研究意义

HCI 领域，尤其是神经自适应技术，不应是无价值的科学。明确的术语框架有助于建立对“交互”的清晰理解，促进 HCI 在新型领域的健康发展。

graph LR
    A[现有 HCI 定义问题] --> B[新型 HCI 领域需求]
    B --> C[提出更新的术语框架]
    C --> D[涵盖传统与新型范式]
    C --> E[不同抽象层次建模]
    C --> F[传达伦理考量]

综上所述，这些研究涵盖了脑机接口性能提升、运动起始标记、学生正念测量和人机交互伦理框架等多个神经自适应技术领域的前沿问题，为相关领域的进一步发展提供了有价值的参考。

5. 各项研究的综合分析与展望

5.1 不同研究之间的关联

研究主题	关联点
眼动与 SSVEP 协同提升 BCI 性能	与基于外骨骼关节数据的运动起始标记研究都涉及到对人体生理信号的采集和处理，以实现更精准的控制。例如，两者都需要对采集到的数据进行滤波、特征提取等操作。
测量和提醒学生正念状态的指标研究	与眼动和 SSVEP 研究都关注人体的神经生理状态。在测量正念状态时使用的 EEG 数据，与 BCI 研究中采集的脑电信号有相似之处，可以借鉴 BCI 研究中的信号处理方法。
构建传统与新型人机交互范式的伦理定义框架	与其他三项研究都存在关联。随着这些技术的发展，人机交互的方式越来越多样化，需要一个伦理框架来规范其应用，确保技术的合理使用。

5.2 未来研究方向

• 技术融合 ：可以将眼动与 SSVEP 协同的 BCI 技术与基于外骨骼的运动辅助技术相结合，为肢体运动障碍患者提供更高效的康复方案。例如，通过 BCI 技术检测患者的运动意图，外骨骼根据意图提供相应的助力。
• 多模态数据融合 ：在测量学生正念状态时，可以融合 EEG、ECG 等多种生理数据，以及学生的行为数据（如坐姿、注意力集中时间等），提高正念状态测量的准确性。
• 伦理研究深化 ：随着神经自适应技术的不断发展，伦理问题将变得更加复杂。需要进一步研究如何在技术应用中平衡创新与伦理，制定更详细的伦理准则。

5.3 潜在应用场景

• 医疗康复 ：眼动与 SSVEP 协同的 BCI 技术和基于外骨骼关节数据的运动起始标记技术可应用于中风患者的康复训练，帮助患者恢复肢体运动功能。
• 教育领域 ：测量和提醒学生正念状态的指标研究成果可以应用于学校，帮助学生提高学习效率和心理健康水平。
• 智能交互设备 ：构建的人机交互伦理框架可以指导新型智能交互设备的设计和开发，确保用户在使用过程中的权益和安全。

graph LR
    A[技术融合] --> B[医疗康复应用]
    C[多模态数据融合] --> D[教育领域应用]
    E[伦理研究深化] --> F[智能交互设备设计]

6. 总结

本文介绍了神经自适应技术领域的四项前沿研究，包括眼动与 SSVEP 协同提升 BCI 性能、基于外骨骼关节数据的运动起始标记、测量和提醒学生正念状态的指标研究以及构建传统与新型人机交互范式的伦理定义框架。各项研究都有其独特的研究背景、方法和成果，并且相互之间存在一定的关联。

通过对这些研究的综合分析，我们可以看到神经自适应技术在医疗、教育、智能交互等领域具有广阔的应用前景。然而，随着技术的发展，也需要关注伦理问题，确保技术的合理应用。未来的研究可以朝着技术融合、多模态数据融合和伦理研究深化等方向发展，为神经自适应技术的进一步突破提供支持。

总之，神经自适应技术是一个充满潜力的研究领域，这些研究成果为我们理解和应用该技术提供了重要的参考，有望在未来改善人们的生活质量和推动社会的发展。