基于脑电图的脑-机接口系统在实用化进程中面临的挑战

工程（英文） ›› 2021, Vol. 7 ›› Issue (12) : 1710 -1712. DOI: 10.1016/j.eng.2021.09.011

许敏鹏 ^a^,^b ,
何峰 ^a^,^b ,
钟子平 ^a^,^b^,^c ,
顾晓松 ^b^,^d ,
明东 ^a^,^b

作者信息 +

Current Challenges for the Practical Application of Electroencephalography-Based Brain–Computer Interfaces

Minpeng Xu ^a^,^b ,
Feng He ^a^,^b ,
Tzyy-Ping Jung ^a^,^b^,^c ,
Xiaosong Gu ^b^,^d ,
Dong Ming ^a^,^b

Author information +

文章历史 +

PDF (929K)

引用本文

引用格式 ▾

许敏鹏,何峰,钟子平,顾晓松,明东. 基于脑电图的脑-机接口系统在实用化进程中面临的挑战[J]. 工程（英文）, 2021, 7(12): 1710-1712 DOI:10.1016/j.eng.2021.09.011

登录浏览全文

4963

注册一个新账户忘记密码

1. 挑战

近年来BCI技术发展突飞猛进，但从实验室场景走向实际应用场景仍然面临诸多挑战。BCI是一门涉及神经科学、计算机科学、材料学、电子学、人机工程学和机械工程等多领域交叉融合的新兴学科。因此，推动BCI实用化需要不同领域学者的共同努力。笔者认为，当前BCI发展需重点关注以下两大方面的挑战。

（1）当前BCI的硬件形态及穿戴方式限制了其应用范围。目前，EEG-BCI系统通常包括电极、放大器和脑电帽等配件，其硬件形态及穿戴方式直接决定了BCI的潜在应用场景。例如，为获取高质量的脑电信号，大多数研究使用的是高精度、多导联的脑电采集设备，但这类设备体积大、质量重、便携性差，仅能应用于科学研究和医疗场景。针对此问题，研究人员也已研发体积较小、质量较轻的便携式脑电产品[8]，但仍需脑电帽或类似装置来安放电极。某些更轻便的BCI产品使用结构更紧凑、更易穿戴的头带来固定电极。然而，由于目前的BCI系统能力有限，无法为健康人群的日常生活带来实质性改善，因此这些舒适性差、美观性低的脑电帽或脑电头带仍然难以被普通用户接受。实际上，在大多数情况下，BCI系统对健康人群的用处是微不足道甚至不明确的。因此，与患者满怀期望地使用BCI来替换、修复、增强、补充或改善大脑神经功能不同，健康人群缺乏足够的动力去穿戴现有的BCI装置。因此，只有改善BCI的硬件形态与穿戴方式才能真正将这种最直接的人机通信方式自然地融入日常生活当中，也将有助于研究日常工作中的大脑机制。

（2）当前BCI不自然的交互范式损害了其易用性。在过去的50年中，BCI研究人员大多聚焦于如何进一步提高脑-机之间的ITR，而忽略了二者之间的交互友好性。现今BCI范式发展严重停滞不前，现有BCI研究所使用的交互范式几乎都发明于30年前，如运动想象（motor imagery, MI）[9]、P300 [10]和稳态视觉诱发电位（steady-state visual evoked potential, SSVEP）[4‒5,11]等。这些传统范式已被证实能够在大脑与计算机之间实现有效的信息传输。但是，它们与大脑的交互过程不自然。与传统的人机交互方式相比，传统BCI范式需要占用较多的认知资源来完成指令输出。例如，基于SSVEP的BCI系统取得了当前最高的ITR，指令输出速度能够达到一秒一个[4‒5]，但为获得高鲁棒性的SSVEP信号，SSVEP-BCI通常采用闪烁感强烈的大面积视觉刺激对指令进行编码。这种方式不仅会占用大量的视觉资源，而且，与主观意图无直接关系的强烈视觉刺激会烦扰用户，使其感到不适。因此，即便基于传统范式的BCI系统在某些特定场景下能够正常运行，但其不自然的交互方式极大地降低了系统的易用性。

2. 未来研究方向

笔者认为上述两大挑战是现阶段阻碍BCI系统实用化的主要因素，亟需采取有力措施。同时，这两大挑战皆是涉及多学科研究领域的复杂问题，因此需要不同专业知识背景的学者通力合作。在这里，笔者总结了应对上述挑战的部分重要研究方向，以望能够引起学者们的更多关注、探讨与研究。

（1）脑-机交互评价新指标。在以往的研究中，研究人员通常采用分类准确率和ITR来评估BCI系统的性能。然而，这两项指标仅侧重于评价BCI系统的信息转换过程，并不能全面反映真实复杂人-机交互场景中的脑-机交互过程。在实际的脑-机交互过程中，需要更多地考虑如何评价“人因”在闭环系统中的作用和影响[12]。因此，从实用化的角度看，需要设计一些更加综合的指标来评价BCI系统的整体性能，如脑手效率比（brain-to-hands ratio, BHR）[13]等。具体来说，BHR是指同一用户在相同任务中，利用BCI控制所获成绩与直接用手控制所获成绩的比值。

（2）BCI硬件创新提升用户友好性。如前文所述，当前BCI的硬件设备形态和穿戴方式难以被大多数健康人群所接受。因此，亟需革新BCI传感电极、采集电路、集成模式、安装机制和穿戴方式，从而推动BCI硬件设备走向微型化、集成化和易用化。例如，EEG采集设备若能微小至可藏于发内，将会比目前的笨重形态更易被用户接受。

（3）低认知负荷BCI范式。传统的BCI范式通常会占用用户大量的认知资源，造成脑-机交互方式的不自然。因此，笔者强烈建议学者们从传统BCI范式研究转向能够降低用户认知负荷的新型BCI范式研究。

（4）基于EEG机制和特性的BCI算法开发。BCI的解码是识别大脑意图的关键环节。在图像和语音识别领域，人类可以清楚地辨认待识别对象，因此研究人员能够依据先验知识与合理推断来指导特征的提取与分类器的构建。然而，原始EEG信号十分复杂，以至于难以通过肉眼观察其背后规律。而在EEG演进规律与特性未知的情况下开发BCI算法是盲目的。因此，深入理解EEG机制将有助于指导BCI算法的设计[7]，而这一问题在以往的大多数研究中常常被忽略。此外，EEG信号在不同个体之间以及同一个体在不同时间下均存在显著变异性，这严重影响了EEG特定响应的可重复性，降低了BCI算法的泛化能力[14‒16]。先进的BCI算法需要克服EEG信号的跨个体、跨时间变异性，以构建高鲁棒性的BCI系统。为实现这一目的，同样需要深入理解EEG信号背后的神经机制。

总而言之，BCI的发展进程已经迈入了脑-机交互阶段。因此，除上述四个方向外，任何与脑-机自然交互相关的课题，均应在未来的BCI实用化进程中得到更加深入的研究。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Vidal JJ. Toward direct brain–computer communication. Annu Rev Biophys Bioeng 1973;2(1):157–80.

[2]	Wolpaw JR, Millán JDR, Ramsey NF. Brain–computer interfaces: definitions and principles. Handb Clin Neurol 2020;168:15–23.

[3]	Panicker RC, Puthusserypady S, Sun Y. An asynchronous P300 BCI with SSVEPbased control state detection. IEEE Trans Biomed Eng 2011;58(6):1781–8.

[4]	Chen X, Wang Y, Nakanishi M, Gao X, Jung TP, Gao S. High-speed spelling with a noninvasive brain–computer interface. Proc Natl Acad Sci USA 2015;112(44): E6058–67.

[5]	Jiang J, Yin E, Wang C, Xu M, Ming D. Incorporation of dynamic stopping strategy into the high-speed SSVEP-based BCIs. J Neural Eng 2018;15 (4):046025.

[6]	Xu M, Han J, Wang Y, Jung TP, Ming D. Implementing over 100 command codes for a high-speed hybrid brain–computer interface using concurrent P300 and SSVEP features. IEEE Trans Biomed Eng 2020;67(11):3073–82.

[7]	Xu M, Xiao X, Wang Y, Qi H, Jung TP, Ming D. A brain–computer interface based on miniature-event-related potentials induced by very small lateral visual stimuli. IEEE Trans Biomed Eng 2018;65(5):1166–75.

[8]	Siddharth, Patel AN, Jung TP, Sejnowski TJ. A wearable multi-modal biosensing system towards real-world applications. IEEE Trans Biomed Eng 2019;66(4):1137–47.

[9]	Wang K, Xu M, Wang Y, Zhang S, Chen L, Ming D. Enhance decoding of premovement EEG patterns for brain–computer interfaces. J Neural Eng 2020;17 (1):016033.

[10]	Xiao X, Xu M, Jin J, Wang Y, Jung TP, Ming D. Discriminative canonical pattern matching for single-trial classification of ERP components. IEEE Trans Biomed Eng 2020;67(8):2266–75.

[11]	Xu M, Qi H, Wan B, Yin T, Liu Z, Ming D. A hybrid BCI speller paradigm combining P300 potential and the SSVEP blocking feature. J Neural Eng 2013;10(2):026001.

[12]	The group on Neurotechnologies for Brain–Machine Interfacing. Standards roadmap: neurotechnologies for brain–machine interfacing. Report. New York: IEEE; 2020 Feb. Report No.: IC17-007.

[13]	Mei J, Xu M, Wang L, Ke Y, Wang Y, Jung TP, et al. Using SSVEP-BCI to continuous control a Quadcopter with 4-DOF motions. In: Proceedings of 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC); Jun 20–24; Montreal, QC, Canada. New York: IEEE; 2020.

[14]	Xu L, Xu M, Ke Y, An X, Liu S, Ming D. Cross-dataset variability problem in EEG decoding with deep learning. Front Hum Neurosci 2020;14:103.

[15]

Chiang KJ, Wei CS, Nakanishi M, Jung TP. Cross-subject transfer learning improves the practicality of real-world applications of brain–computer interfaces. In: Proceedings of 2019 9th International IEEE/EMBS Conference on Neural Engineering (NER); 2019 Mar 20–23; San Francisco, CA, USA. New York: IEEE; 2019.

[16]	Wei CS, Lin YP, Wang YT, Lin CT, Jung TP. A subject-transfer framework for obviating inter- and intra-subject variability in EEG-based drowsiness detection. NeuroImage 2018;174:407–19.