脑机接口技术的BCI关键技术

BCI 系统由信号的产生、处理、转换、输出以及开关和时钟等单元组成。在 BCI 技术的发展中 ,信号分析和转换算法是其最为重要的研究内容。
源信号的获取
BCI源信号的获取过程包括信号的产生、检测 (电极记录) 、信号放大、去噪和数字化处理等。人类大脑能够产生多种信号 ,包括电的、磁的、化学的以及对大脑活动的机械反应等各种形式。这些信号可以通过相应的传感器进行检测 ,从而使得 BCI 的实施成为可能。 由于对磁和化学等信号的检测技术需要更高的要求 ,目前 BCI 信号的获取主要基于技术相对简单、费用较为低廉的EEG检测技术 .
信号的产生
根据要获取的信号的特征和性质 ,必须采取相应的产生特征信号的方法。信号产生方式包括利用视觉诱发电位、利用事件相关电位、模拟虚拟环境以及自主控制脑电等多种形式。
信号的检测
信号的检测方法依赖于待测神经电信号的性质. 根据电极类型 ,BCI 系统可以分为电极内置式和电极外置式两种基本形式
信号的处理方法
BCI系统中的信号处理包括信号预处理、特征提取、识别分类等过程.传统的脑电信号分析方法是对信号进行多次检测并进行均值滤波 ,再用统计学的方法寻找 EEG的变化规律. 这种方法信息传输率低 ,也不能满足实时控制的需求. 目前对 EEG信号的处理一般采用对单次训练信号进行研究. 其中特征提取 和识别分类是 BCI 信号处理最为关键的环节
BCI中的特征提取方法
特征提取 就是以特征信号作为源信号 ,确定各种参数并以此为向量组成表征信号特征的特征向量. 特征参数包括时域信号(如幅值) 和频域信号(如频率) 两大类 ,相应的特征提取方法也分为时域法、频域法和时-频域方法。
特征信号的分类识别
特征信号分类是基于脑电信号根据不同的运动或意识能使脑电活动产生不同响应的特性 ,确定运动或意识的类型与特征信号之间的关系. 信号分类结果的好坏取决于两个方面的因素 :一是要进行分类的特征信号是否具有明显的特征 ,即特征信号的性质；二是分类方法是否有效。几种具有代表性的 BCI 特征信号分类综述如下 ：人工神经网络 ；贝叶斯-卡尔曼滤波；线性判别分析 ；遗传算法；概率模型。