運動意圖的頭皮腦電編解碼及其腦-機接口研究進展

陳 龍 張定澤 王 坤* 許敏鵬② 明 東②

①(天津大學醫(yī)學工程與轉(zhuǎn)化醫(yī)學研究院 天津 300072)

②(天津大學精密儀器與光電子工程學院 天津 300072)

1 引言

腦-機接口(Brain-Com puter Interface, BCI)是一種不依賴于使用者正常周邊神經(jīng)和肌肉組織特殊的信息交流和控制通道，可將中樞神經(jīng)系統(tǒng)活動直接轉(zhuǎn)化為人工輸出[1]。BCI技術是實現(xiàn)最高形態(tài)人機混合智能的必經(jīng)之路，其相關成果涵蓋機器人、生物醫(yī)藥、智能技術等重大鏈條產(chǎn)業(yè)。此外，BCI技術與軍事應用密切相關，已成為世界各國競相角逐的戰(zhàn)略高地。但我國BCI研究起步較晚，加之歐美針對該項核心科技進行技術封鎖和出口管制，因此發(fā)展高性能BCI技術關系國防與經(jīng)濟安全，需求急迫。

根據(jù)大腦信號的產(chǎn)生方式可將BCI分為主動式、反應式和被動式3種類型[2,3]。其中，主動式BCI能夠直接解碼大腦的思維意圖，無需依賴于外部刺激事件，是實現(xiàn)自然人-機交互的最佳途徑[4]。基于運動想象(Motor Imagery, M I)的BCI通過主觀運動意愿驅(qū)動功能性電刺激、智能假肢或機械外骨骼等設備能夠?qū)ⅰ斑\動意圖”轉(zhuǎn)化為切實“行動”，對于運動功能康復、替代、增強具有重要的研究價值，是目前研究最廣泛、最典型的主動式BCI范式之一。特別是當今社會持續(xù)加重的老齡化和高發(fā)的腦疾病等問題給M I-BCI技術的發(fā)展帶來了巨大的市場需求。

運動意圖不僅包括對肢體的選擇意圖，還涉及動作實施過程中包含運動學與動力學信息的運動意圖[5]。其中運動學(Kinematics)意圖是指描述運動時空形式的參數(shù)，如方向[6,7]、速度[8,9]；動力學(Kinetics)意圖是指產(chǎn)生肌肉活動的因果力，包括引起運動的動態(tài)力和保持給定姿態(tài)所需的靜態(tài)力[10,11]。傳統(tǒng)的M I-BCI大多通過識別受試者想象身體某部位運動(如左右手、足等)誘發(fā)大腦產(chǎn)生的不同腦電模式，將肢體整體活動轉(zhuǎn)化為相應的控制指令，但可控制外部設備的運動精細度尚不足以完全輔助日常生活。近年發(fā)展起來的基于單肢體精細動作意圖編解碼研究有望突破目前M I-BCI研究中難以真正實現(xiàn)高自由度BCI控制的瓶頸并開拓新途徑。

頭皮腦電(以下簡稱腦電(E lectroEncephalo-Graphy, EEG))信號因其非侵入采集，使用方便且更安全，常作為BCI的神經(jīng)控制信號[3]。研究精細動作運動意圖的腦電編解碼可為面向運動功能康復、替代與增強的M I-BCI的關鍵技術提供新的研究思路，具有重要的研究意義。M I與運動執(zhí)行(Motor Execution, ME)時大腦活躍的腦區(qū)十分相似，都包含了皮質(zhì)運動前區(qū)、輔助運動區(qū)、基底神經(jīng)節(jié)、扣帶回、頂葉皮層、小腦等，研究發(fā)現(xiàn)M I和ME具有相似的皮層空間激活模式，故通過研究實際精細動作誘發(fā)的EEG模式可為未來M I-BCI應用提供理論依據(jù)。因此，現(xiàn)有精細動作運動意圖編解碼的研究中通常涉及ME與M I兩種實驗模式。

此外，在BCI技術的實際應用過程中，運動意圖解碼錯誤導致預期運動意圖和外部設備控制的不匹配可誘發(fā)錯誤相關電位(Error-related potential,Errp)。該電位的正確檢測可實現(xiàn)腦-機交互過程中錯誤控制指令的有效糾正，因而得到了研究者的廣泛關注。

基于上述分析，近年來，運動意圖編解碼主要在以下3個方面深入開展：(1)單一肢體特定部位的運動意圖編解碼，通過分析不同部位(肩、肘等)運動相關信號模式，可擴展相應的BCI指令控制自由度；(2)運動學與動力學意圖編解碼，通過分析運動過程中運動動力信息(方向、速度、力等)動態(tài)處理過程，在運動意圖與輸出實際動作指令間建立更匹配的理想控制模式；(3)運動意圖錯誤相關電位檢測，通過識別BCI應用過程中與產(chǎn)生預期動作不匹配反饋時的相關電位模式，及時糾正錯誤控制指令。本文主要綜述運動意圖編解碼在上述3個方面的最新研究進展，并從運動控制與康復兩個方面總結(jié)基于運動意圖解碼的BCI應用現(xiàn)狀，探討該領域的挑戰(zhàn)難點并預測其未來發(fā)展趨勢，以期促進相關BCI技術的深入研究及開發(fā)應用。

2 運動意圖的腦電編解碼

研究不同實驗范式下運動意圖的腦電模式及識別模型是實現(xiàn)BCI高效應用的必要前提。本節(jié)將對單一肢體特定部位的運動意圖、運動學與動力學意圖編解碼以及運動意圖錯誤相關電位檢測3個方面綜述本領域的研究進展。

2.1 單一肢體特定部位的運動意圖編解碼

傳統(tǒng)的M I-BCI范式大多基于簡單的肢體M I任務(如左右手、足等)，已實現(xiàn)對外部設備(如機械臂、功能性電刺激等)較好的控制[12]，然而，因其指令集有限，并不能實現(xiàn)精細動作控制。在日常生活中，精細化的動作依賴于單一肢體如手指、腕、肘和肩的協(xié)調(diào)運動。因此，通過研究單一肢體特定部位的運動意圖誘發(fā)腦電編解碼方法可為提升腦-機控制自由度提供理論與技術方案。

單一肢體特定部位運動意圖誘發(fā)EEG編解碼的研究主要針對同一上肢不同關節(jié)部位，可以分為不同部位的運動意圖識別(如手指的分類識別[13])以及多個部位的聯(lián)合運動意圖識別(如手腕和手指、手腕和肘、手指和手肘等[14])，如圖1所示。

圖1 單一肢體特定部位的運動意圖編解碼

目前針對不同部位的運動意圖識別集中于肢體遠端的手部(如區(qū)分不同手指或不同手勢)。但不同手指在初級運動皮質(zhì)映射腦區(qū)位置接近，其運動誘發(fā)腦電模式特征極為相似，因此如何設計實驗范式以及解碼方法并實現(xiàn)高效解碼充滿挑戰(zhàn)。盡管如此，早在2009年就有研究已經(jīng)嘗試并實現(xiàn)了單個手指精細ME誘發(fā)頭皮腦電的解碼識別[15]。在此基礎上，有研究利用包括α和β頻帶的EEG頻譜功率變化區(qū)分單手5個手指的運動意圖[16]，獲得了45.2%平均解碼正確率。2017年，Salehi等人[17]對手部兩種握拳方式、手掌張開閉合、手握物體4種任務(如圖1(c)所示)進行了左右手M I解碼探索，并基于感覺運動節(jié)律特征分析方法對8種不同手勢的運動意圖進行解碼預測，利用分層共空間模式算法的識別正確率達到了64.5%。另有其他學者進行了相關實驗，進一步驗證了手部運動解碼識別的可行性[18,19]。

此外，肢體關節(jié)部位聯(lián)合運動意圖的編解碼研究能夠為BCI控制模式提供更多新的運動任務組合，并且解碼肢體關節(jié)部位的聯(lián)合運動任務能夠避免被試單一部位重復運動輸出復雜控制指令帶來的不匹配感，更利于思維活動和控制指令之間建立直觀的對應關系。對于上述不同關節(jié)的聯(lián)合運動意圖解碼通常采用傳統(tǒng)的基于感覺運動節(jié)律的特征分析方法。在肘關節(jié)和腕關節(jié)聯(lián)合實驗中，聯(lián)合時頻域特征分析發(fā)現(xiàn)δ頻帶攜帶重要的運動類型相關信息[20]。隨后，在指肘聯(lián)合(握手、抬臂)的實驗[20]與指腕聯(lián)合(5個基本手部動作)運動的實驗[21]中，使用α,β頻帶ERD特征解碼分別得到了76.39%(隨機水平為50%)和73%(隨機水平20%)的平均分類正確率。此外，源成像方法也可被用來解碼上肢部位的聯(lián)合運動意圖信息特征，在腕肘聯(lián)合任務(如圖1(b)所示)中發(fā)現(xiàn)不同任務的皮質(zhì)表征之間的空間分布有很大差異[14]，值得注意的是，與傳統(tǒng)分析方法相比，源成像分析方法能夠提高復雜運動想象任務的腦-機接口解碼性能，可實現(xiàn)82.2%平均分類正確率。

上述研究證實了單一肢體不同部位以及關節(jié)聯(lián)合精細動作運動意圖識別的可行性，拓展了運動任務的范式設計思路，不僅有利于促進M I-BCI交互性能的提升，也為BCI系統(tǒng)應用于臨床康復提供了新的研究方案。

2.2 運動學與動力學意圖編解碼

現(xiàn)有的神經(jīng)科學與運動神經(jīng)控制理論認為，自主運動的產(chǎn)生可以分為運動規(guī)劃(肢體端點運動軌跡的預先描畫)、運動學參數(shù)逆變換和動力學參數(shù)逆變換3個階段的運動意圖信息處理過程。因此，通過研究運動學與動力學參數(shù)的意圖編解碼有望為建立運動意圖與BCI控制指令之間更匹配的控制模式提供解決方案。

已有非人類的靈長類動物和人類植入式神經(jīng)電生理研究結(jié)果表明，初級運動皮層的神經(jīng)活動包含了手部運動方向、速度、力量等運動信息，并且運動方向與速度的神經(jīng)響應早于實際動作產(chǎn)生約100 m s，表征大腦對將要發(fā)生動作的預先規(guī)劃[22]。近年來，在上述微觀神經(jīng)元集群活動對空間運動意圖編碼原理的指導下，研究者開展了運動學與動力學運動意圖誘發(fā)頭皮腦電響應模式與解碼方法的研究[23]。

有研究證實低頻段(0～8 Hz)EEG信號包含手部運動方向信息[24]。Robinson等人[7]對采集的手隨意方向運動任務下的腦電數(shù)據(jù)進行單試次分類實驗(實驗范式如圖2(a)所示)，使用共空間模式算法(Common Spatial Pattern, CSP)和Fisher線性判別對4個不同方向的低頻EEG信號特征提取與模式識別，平均分類正確率達到80.24%。隨后，Chouhan等人[25]也進行了基于EEG信號的手部4個方向運動分類實驗，結(jié)果表明在慢皮層電位(小于1 Hz)以及頻率更高的波形中(小于12 Hz)存在與方向相關的意圖信息，并實現(xiàn)7個被試76.85%的平均分類正確率。

圖2 運動學與動力學意圖編解碼

此外，早期研究已經(jīng)證明想象手部運動速度變化意圖可以被無創(chuàng)腦電信號記錄并連續(xù)解碼[26]。與運動方向意圖的研究結(jié)果相似，有研究發(fā)現(xiàn)速度意圖信息可以通過低頻腦電信號解碼獲得[27]，并探討了速度與加速度意圖信息的頂枕激活模式(如圖2(d)所示)。2021年Robinson等人[28]進一步對手部運動速度信息解碼進行了探究，被試以兩種不同的速度向左或向右執(zhí)行運動(如圖2(b)所示)并同步記錄腦電信號，使用空間和頻譜特征進行分類，與方向無關的快慢速二分類正確率達73.36%，左右方向上分別得到了69.46%和68.98%的分類正確率。

在動力學意圖信息解碼方面，研究發(fā)現(xiàn)手部擠壓力量的增加與對側(cè)感覺運動皮層和輔助運動區(qū)的激活有關[29]。并且高力量水平的M I任務可在感覺運動皮層對應區(qū)域誘發(fā)出更明顯的ERD現(xiàn)象，且能激活更大面積的腦區(qū)[30]。Jochum sen等人[9]從頭皮腦電中提取不同程度的預期運動的力和速度特征，用改進的支持向量機對運動想象提取的低頻ERD特征進行分類，4分類正確率達到80%。隨后，F(xiàn)u等人[31,32]進行了相關實驗，在不同的握力水平研究中(如圖2(c)所示)，研究發(fā)現(xiàn)β頻帶的EEG網(wǎng)絡拓撲連接隨著實際握力水平的增加而增加，并且在M I任務中也有類似的結(jié)果(如圖2(e)所示)。

綜上，相關研究結(jié)果表明基于運動學和動力學意圖的腦電編解碼研究有助于進一步從運動準備、規(guī)劃和執(zhí)行等方面對開發(fā)基于過程控制的主動式人機交互系統(tǒng)奠定理論與技術基礎。

2.3 運動意圖錯誤相關電位檢測

在人機交互的過程中，被試的意圖很有可能被錯誤解碼而產(chǎn)生與意圖相悖的輸出指令，機械臂等外設將因此做出意料之外的動作。在這種情況下，不匹配的預期動作和指令反饋在被試大腦中將誘發(fā)與錯誤信息處理相關的模式，稱之為錯誤相關電位(Errp)。通過對Errp的正確識別，可實現(xiàn)對被試意圖信息的在線連續(xù)解碼校正或分類策略優(yōu)化從而改善BCI的性能[33,34]。

早期研究中，在運動意圖解碼過程中檢測Errp特征的研究大多基于預先設定錯誤發(fā)生率的離線實驗范式，檢測準確率較低，且無法真正反映受試者對于在線M I-BCI解碼錯誤時的表現(xiàn)[35]。通過分析離線數(shù)據(jù)中Errp特征與優(yōu)化解碼方法，Lopes-D ias等人[36]首次進行了在線異步Errp的連續(xù)解碼(如圖3(a))。該系統(tǒng)連續(xù)識別受試者右手運動意圖并控制機械臂朝目標靠近。當機械臂運動方向發(fā)生錯誤時，若系統(tǒng)檢測到Errp，則重新對當前運動意圖進行解碼以校正控制指令。Zhang等人[37]通過檢測Errp校正智能汽車在模擬駕駛過程中的轉(zhuǎn)彎方向(如圖3(b))，增加了模擬行駛過程的安全性。

圖3 運動意圖錯誤相關電位檢測

Errp還可以應用于BCI系統(tǒng)中模型分類策略的優(yōu)化，從而降低用戶運動意圖被錯誤輸出的概率[38,39]。K reilinger等人[40]使用經(jīng)典G raz范式控制小球運動，將離線測得的Errp特征波形融入在線M I的判別分析特征選擇和高斯分類器中，M I在線分類正確率從70%提升到80%。Parashiva等人[41]融合Errp特征實現(xiàn)了運動想象方向意圖解碼性能的提升。該研究使用小波相位、幅度特征解碼模型結(jié)合Errp檢測模型的新型糾錯算法，手部雙向(左右)運動想象在線平均解碼正確率從隨機水平提升至64.9%。

如上述，現(xiàn)有研究證實了BCI系統(tǒng)中融合Errp特征的檢測有助于提升運動意圖的解碼性能。在此基礎上，Errp結(jié)合M I被越來越多的用于運動康復領域的應用開發(fā)，為腦卒中患者的臨床康復提供了新的研究思路[42]。

3 基于運動意圖解碼的BCI應用

M I-BCI結(jié)合機械臂、輪椅、功能性電刺激等外部設備，已成為幫助殘疾患者恢復正常生活重要的探索方向。近年來，運動意圖的腦電編解碼技術已經(jīng)取得了長足進步，在此基礎上當前相關的BCI應用研究主要聚焦于高自由度運動指令控制與運動功能臨床康復兩大領域。

3.1 高自由度運動指令控制

通過解碼運動意圖實現(xiàn)高自由度的運動指令控制是提升腦控外部設備運動精細度的必要途徑。近年來本領域已取得一些突破性的進展，如控制無人機在3維空間飛行[43]、控制機器臂實現(xiàn)吃飯喝水[44]等。總的來說，現(xiàn)有研究主要聚焦基于不同肢體部位運動想象解碼的指令控制和基于運動參數(shù)意圖解碼的指令控制。

傳統(tǒng)基于不同肢體M I-BCI的主要控制方式仍為離散指令控制，即受試者的運動意圖以一定的時間間隔被識別并輸出。現(xiàn)有研究中受試者已實現(xiàn)通過M I-BCI控制機械臂完成伸展和抓取等動作[45,46]。為了實現(xiàn)對外部設備更流暢的控制效果，近年來M I-BCI解碼結(jié)合外部設備連續(xù)控制策略的研究受到廣泛關注。Edelman等人[47]通過識別被試想象左手、右手和雙手以及靜息任務產(chǎn)生的不同腦電模式，控制機械臂實現(xiàn)2維光標連續(xù)跟蹤任務(如圖4(a)所示)。該研究中，運動意圖解碼部分仍為基于不同肢體的離散4指令輸出，但研究者利用在線異步M I輸出反饋策略實現(xiàn)了機械臂的連續(xù)控制。相關研究大多基于肢體運動的重復想象范式，并需結(jié)合一些非自然的控制策略。

圖4 高自由度運動指令控制

相比之下，基于運動學與動力學意圖的腦電解碼有利于在任務與輸出指令之間建立更匹配且自然的對應關系，具有重要研究價值[48]。W aldert等人[49]首次實現(xiàn)了3維空間中速度的解碼，研究者也通過解碼低頻腦電實現(xiàn)了對于包含運動學參數(shù)的手部運動軌跡的擬合。2020年，Mondini等人[27]使用偏最小二乘法回歸得到運動參數(shù)信息(位置、速度和加速度)，首次實現(xiàn)了低頻腦電解碼手部運動意圖連續(xù)在線控制機械臂(如圖4(b)所示)。W ang等人[30]利用基于單肢體動力學參數(shù)M I誘發(fā)的腦電模式，實現(xiàn)了一種力敏M I-BCI交互系統(tǒng)，在線三分類平均正確率達到70.9%，不僅可用于擴展BCI指令集增加其控制形式，也有望為受試者提供更精細的力敏反饋。

當前研究已初步證實基于運動意圖解碼用于高自由度控制的可行性，且為BCI的連續(xù)控制提供了技術基礎。但目前可實現(xiàn)的解碼正確率尚不足以實現(xiàn)高效的腦-機交互，相關范式與控制策略仍有待深入研究。

3.2 臨床康復應用

卒中患者通常患有運動功能障礙從而失去自由活動和控制肌肉的能力，但大腦神經(jīng)元的可塑性使得其實現(xiàn)運動功能康復成為可能。近年來，神經(jīng)反饋結(jié)合BCI的康復訓練成為卒中治療的熱門方法。神經(jīng)反饋訓練是生物反饋訓練的一種，它實時地監(jiān)測大腦的活動狀態(tài)，通過計算機系統(tǒng)輔助，給受訓者適當?shù)穆曇簟D像和觸覺等反饋，使受訓者通過主觀地感受、自覺地改變自身生物信號來改變腦的活動狀態(tài)，增強腦的自我調(diào)節(jié)能力，以改善甚至修復受損傷大腦的功能[50]。在神經(jīng)反饋訓練機制的指導下，M I-BCI結(jié)合物理刺激、輔助機器人等用于臨床康復訓練的研究成果引人注目。

融合M I-BCI與反饋刺激，可反復強化從大腦至肌群的正常興奮傳導通路，有效地促進原有障礙的運動反射弧逐漸恢復，神經(jīng)反饋康復效果顯著。反饋刺激有多種模式，如神經(jīng)肌肉電刺激(Functional Electrical Stim ulation, FES)、機械外骨骼動作、視覺刺激。其中，最常見的刺激方式為神經(jīng)肌肉電刺激。2018年，Biasiucci 等人[51]將M I-BCIFES系統(tǒng)應用于卒中患者運動功能康復治療中，結(jié)果發(fā)現(xiàn)在功能神經(jīng)可塑性量化指標評定上 BCIFES表現(xiàn)出顯著的功能恢復效果。同時，BCI 與康復機器人相結(jié)合將機電一體的被動訓練轉(zhuǎn)為了人機一體的主動訓練，有利于提高患者的參與度。Barsotti等人[52]設計了基于M I-BCI的上肢機械外骨骼系統(tǒng)，該系統(tǒng)能提供豐富的感官反饋，以便全面恢復患者的接觸和抓取功能。Liu等人[53]利用M I-BCI控制下肢外骨骼對8名卒中患者進行了長期多階段步態(tài)神經(jīng)康復訓練，結(jié)果顯示患者的關鍵肌肉恢復了部分自主控制能力，步行指數(shù)明顯改善。此外，Bhattacharyya等人[42]開發(fā)了將E rrp與M I-BCI系統(tǒng)結(jié)合的康復機器人，該設備能夠及時撤銷患者在M I過程中錯誤分類的動作以達到提升訓練效率的目的，有助于實現(xiàn)促進神經(jīng)通路重建的功能。另有研究報道，特定的視覺反饋亦有助于激發(fā)大腦皮層功能的重組[54]。Yoo等人[55]將手部運動時對應大腦激活區(qū)域的功能磁共振成像(Functional M agnetic Resonance Im aging, fMRI)信息進行視覺反饋，發(fā)現(xiàn)其能幫助患者學習如何增加與M I任務相關的特定腦區(qū)皮質(zhì)活動，可使其將目標腦區(qū)血氧水平依賴(Blood Oxygenation Level Dependent, BOLD)信號調(diào)節(jié)到最大程度。

上述研究表明了M I-BCI臨床康復應用的巨大潛力。但通過現(xiàn)有文獻研究結(jié)果，可總結(jié)出M I-BCI在實際運用過程中，仍然存在一些亟待解決的問題，如現(xiàn)有M I-BCI康復設備體積較大、便攜性差，M I-BCI 系統(tǒng)信息轉(zhuǎn)換速率較低[48]，對于腦卒中后下肢康復的研究相對較少，運動想象完成質(zhì)量較難評估等[53]。可以預見，在通過系統(tǒng)優(yōu)化、解碼技術創(chuàng)新、臨床科學驗證等手段解決上述問題后，未來將會有交互更友好的M I-BCI功能康復系統(tǒng)進入日常生活，幫助卒中等運動障礙患者完成基本活動從而提高其生活質(zhì)量。

4 總結(jié)與展望

綜上所述，運動意圖的頭皮腦電編解碼研究歷經(jīng)數(shù)十年發(fā)展，隨著相關范式設計與解碼算法日益更新，傳統(tǒng)M I-BCI指令集受限、腦-機交互不自然等瓶頸難題有望得到突破。然而，仍要注意，現(xiàn)有研究仍存在一些問題有待解決：

(1)雖然肢體特定部位精細動作運動意圖以及運動意圖錯誤相關電位的解碼研究已取得重要進展，但因其信號特征弱，總體解碼精度尚不理想，遠不能達到現(xiàn)實應用水平。因此，現(xiàn)有BCI系統(tǒng)多數(shù)只能通過簡單肢體動作M I實現(xiàn)較為高效穩(wěn)定的指令輸出，并通過結(jié)合非自然的控制策略，實現(xiàn)相對高自由度的連續(xù)控制。

(2)運動學與動力學等運動意圖編解碼相關研究通常僅針對某一特定運動學或動力學參數(shù)的腦電特征展開分析，不同運動矢量參數(shù)的腦電響應空間映射模型以及從運動規(guī)劃到運動執(zhí)行全過程的腦電特征動態(tài)演進規(guī)律鮮有報道，有待進一步深入研究，以厘清富含方向、速度、力量等信息的矢量空間運動意圖的編碼原理。此外，現(xiàn)有研究大多為真實動作執(zhí)行范式下的腦電模式研究，未來如何將其應用于M I-BCI系統(tǒng)中，實現(xiàn)主動式腦-機指令輸出，還需進一步深入探究。

(3)在應用方面，為了獲得更好的腦電信號質(zhì)量，現(xiàn)有設備大多體積大、便攜性差，導致了M I-BCI難以應用于日常生活。此外，受范式靈活度和解碼算法有效性的限制，現(xiàn)有M I-BCI系統(tǒng)可實現(xiàn)的功能只能用于較簡單的任務操作，無法完成較為復雜的高難度任務操作，因而相關研究大多數(shù)集中于臨床康復醫(yī)療應用，其他領域應用鮮有報道。由此可見，實現(xiàn)M I-BCI系統(tǒng)廣泛的實際應用仍然具有較大的挑戰(zhàn)性[56]。

針對上述問題，未來應圍繞運動意圖的范式創(chuàng)新和編碼原理、解碼算法與系統(tǒng)優(yōu)化等方面進一步開展研究。

在范式創(chuàng)新和編碼原理方面，設計單肢體多關節(jié)聯(lián)合運動、單肢體部位多個動作(不同運動方向速度)以及雙肢體聯(lián)合運動任務(左右手協(xié)同動作)等符合現(xiàn)實運動場景的精細動作運動意圖范式，結(jié)合多模態(tài)信號(頭皮腦電、近紅外信號、腦磁等)同步采集技術，研究運動意圖深層次神經(jīng)信號傳導與皮層激活機制，探索反映運動過程運動意圖的時-頻-空多維腦電響應特征的空間映射關系與演變規(guī)律模型，為開發(fā)更多新型BCI范式提供必要的科學依據(jù)。

在運動意圖誘發(fā)腦電解碼算法方面，對特征提取和分類算法的創(chuàng)新還需深入探索，應在當前常見的M I誘發(fā)腦電的特征提取算法(例如CSP、黎曼幾何等)和分類算法(例如線性判別分析、支持向量機等機器學習算法)基礎上，嘗試進行算法的創(chuàng)新設計，特別是研究符合運動意圖相關腦電特征特點的空間濾波方法，增強特征的特異性與魯棒性。并結(jié)合當前研究熱點深度學習算法進行探索，以便更好地處理復雜的非線性變換分類[57]。此外，還需在深入理解運動執(zhí)行與M I誘發(fā)運動意圖編碼原理與解碼算法的基礎上，研究模型的遷移算法，進一步指導M I-BCI的應用[58]。

在系統(tǒng)優(yōu)化方面，提升BCI系統(tǒng)的信息傳輸速率(Information T ransfer Rate, ITR)是重要研究發(fā)展方向，而ITR的大小和系統(tǒng)的響應時間、識別正確率與可輸出指令的數(shù)量相關，應開展自適應解碼算法研究，實現(xiàn)模型隨腦電信號動態(tài)變化實時更新，使系統(tǒng)能夠根據(jù)不同腦電特征自動選擇解碼模型，減少系統(tǒng)的響應時間并提高解碼精度，并在運動意圖誘發(fā)腦電信號編解碼技術理論指導下突破M I-BCI指令集瓶頸約束增加可輸出指令的數(shù)量。此外，同步BCI工作模式需要用戶集中注意于系統(tǒng)的提示，無法實現(xiàn)隨心意動，因此開發(fā)基于用戶自主驅(qū)動的異步M I-BCI系統(tǒng)尤為重要。

5 結(jié)束語

綜上所述，運動意圖的頭皮腦電編解碼在范式設計和實際應用方面日益完善，目前已經(jīng)取得了一定進步和發(fā)展。相比傳統(tǒng)M I-BCI，其在高自由度連續(xù)控制和臨床康復等場景應用中具有高指令集、高匹配度以及高容錯率的優(yōu)點。隨著相關技術的研究與發(fā)展，相信未來更多面向工業(yè)、生活娛樂、醫(yī)療、軍事等領域的實用型運動意圖BCI系統(tǒng)將不斷涌現(xiàn)，并在人-機交互工程中發(fā)揮越來越重要的作用，發(fā)展前景令人期待。