|
更多技术干货第一时间送达 关于脑机接口的分类可以查看《快速入门脑机接口：BCI基础(一)》 组成成分 脑活动神经系统由两个主要部分组成：中枢神经系统和周围神经系统。大脑是中枢神经系统的主要器官，它包含约1000亿个神经元和数万亿个称为神经胶质细胞。大脑由三个主要部分组成：大脑(或皮层)，小脑和脑干。 图片来源于[18] 大脑皮层(或大脑)分为四个主要部分，称为脑叶：额叶，顶叶，颞叶和枕叶。 图片来源于[19] 大脑不断产生电信号。头部的颅骨和皮肤是非常好的电绝缘体，因此很难从单个神经元记录下来。但是，当大量神经元同时做相同的事情时，可以通过将电极放在头皮表面上来观察活动。
图片来源于[20] 在人脑中，每条神经都与大约10000条其他神经相连，主要是通过树突状连接。[21] 当神经元交流时，会产生电流：电信号沿着轴突或树突传输。轴突末端的电信号被转换为化学信号，轴突释放出称为神经递质的化学信使。神经递质通过突触到达树突，然后转换回电信号。 电流离开的地方是正极性，电流进入的地方是负极性。这些电流被称为初级电流，嵌入脑组织和脑液中，并到达头骨和头皮。头皮上的电压差可以被脑电图电极捕捉到。脑电图中产生的主要信号是沿上皮层树突的电压梯度。为了获得可测量的信号，成千上万平行方向的相邻树突必须同步活动。[22]通过脑电图可测量的信号有： 1）沿着连接神经元的轴突的动作电位 2）电流通过突触间隙连接轴突和神经元/树突 3）沿树突从突触到神经元体的电流[23] 信号采集在EEG-BCI中，大脑活动的电位是通过放置在头皮上的电极来测量的。电极是放置在scap上的金属盘，其位置采用国际10/20系统测量。 电极有两种主要类型： 湿电极 -使用盐溶液的凝胶。因为电距离最小，所以电导率增加。大多数由不锈钢，锡，金或银制成，并覆盖一层氯化银涂层。 在图像中，镀金的EEG电极 干电极 -更方便，更易于使用，但可能会丢失较高的频率照片 为了帮助定位，需要许多电极->帽 脑电图对于实时应用是可靠的，因为它可以每千分之一秒进行一次测量。脑电图的问题是噪音。将电极放置在头皮上，所以中间有几层，加上背景噪音和肌肉。 脑电采集工作如何进行的？ 脑电图测量大脑中发生的电活动。记录的是最少两个电极之间的电压差。需要从多个电极同时记录EEG，以解释ERP。在神经元中树突的突触激发过程中，利用EEG采集电流。由于电极距离神经元很远，而且信号要穿过骨骼和头骨，所以检测到的信号很差，因此需要一个放大器来记录电流。 需要什么？
"电极从头皮获取信号，放大器处理模拟信号以扩大EEG信号的幅度，以便A / D转换器可以更精确地数字化信号。最后，记录设备(可能是个人计算机或类似设备)存储和显示数据。"[24] 电极 如前所述，EEG中可以使用不同类型的电极，例如：一次性(干或湿)，可重复使用的盘状电极（金，银，不锈钢或锡），头带和电极帽（例如消费级电极） ，盐基电极，针状电极[25]。在1958年，已经开发了标准的电极放置系统，其中按比例距离划分头部(Jasper，1958年)。 图中：国际10-20 EEG记录系统的电极位置 [26] 最小配置由三个电极组成：有源电极，参考电极和接地电极。脑电图测量信号或有源电极与参比电极之间随时间变化的电势差。在没有脑电活动的地方很难得到参考。参考电压通常位于乳突，耳垂或鼻尖。接地电极用于测量有源点和参考点之间的差分电压。 放大器 电极所接收到的信号距离较远，并且由于需要传播的不同层而衰减。出于这个原因，需要一个放大器来将微伏提高到可以数字化的范围。信号通过1-2米长的电缆发送到放大器。不幸的是，电缆可以作为天线和拾取信号，这会干扰脑电图信号，导致噪音被放大。一些“有源”电极包括一个小型前置放大器在电极内，以避免这种噪声干扰。然而它们很大而且很昂贵，在某些情况下可能不合适。[27] A / D转换器 A / D转换器会将放大的信号从模拟形式转换为数字形式。EEG信号的带宽限制为大约为100Hz，200Hz足以采集EEG信号。 记录装置 它可以是计算机或类似设备，将记录，存储和显示转换后的信号。 预处理由于受噪声和伪影的影响，原始脑电图数据往往不干净。噪声和伪影主要有四个来源，分别是：
在额部和枕部记录中，眼睛的闪烁非常清晰，而枕部电极上的心电图(来自心电活动)则非常清晰。由于角膜和视网膜之间存在约100mV的电位差，眼球和眼皮的运动引起了电位场的变化。[30] 预处理步骤有助于从噪声和伪影中清除数据。在预处理过程中有不同的方法和步骤。例如，过滤器通常应用于数据。为了去除信号的直流分量和漂移，采用高通滤波器，通常频率截止为1Hz就足够了。通常，低通滤波器也可以用于去除信号的高频，因为在EEG中，通常不研究超过90Hz的频率。其他的方法被用来移除伪影，如眼球运动或眼睛闪烁。 经过不同的预处理步骤后，当信号中的大部分伪像和噪声都没有干扰时，记录就会在几秒钟的时间内被切断：这使我们可以从单个EEG记录中获得大量特征，并可以使用它们用于统计或应用分类器，我们将在下一部分中看到。[31] 特征提取下一步是特征提取：信号分析和信息提取。由于EEG信号非常复杂，因此仅通过查看是不可能找到有意义的信息。然后需要应用处理算法来查找肉眼看不到的内容(例如，一个人的意图)。特征提取的方法很多，其中一些是：频带功率(BP)、脑电频带功率之间的互相关频率表示(FR)、时频表示(TFR)、Hjorth参数，参数化建模逆模型和用于P300的特定技术和VEP，例如峰值挑选(Peak picking, PP)和慢皮质电位计算(Slow cortical potentials calculation, SCP)[32] 分类另一个可以应用于信号的步骤是应用分类算法，该信号现在大多已从伪像中清除了。使用机器学习技术，可以训练分类器来识别哪些特征属于一个或另一类。数学上，分类有助于找出受试者正在执行哪种任务(Ochoa，2002) 转换 对信号进行分类后，将结果传递给特征转换算法。此时，需要将特性转换为所需的相应动作。"例如，可以将P3电位转换为诱发它的字母的选择"，因此，在这种情况下，算法会将命令发送到反馈设备，以选择字母。 反馈装置反馈设备接收来自转换步骤的命令。例如，它可以是计算机，信号将用于移动光标，也可以是机械臂，数据用于允许移动。 局限性BCI的当前状态仍有许多局限性需要克服： 第一个问题是信号采集硬件。对于EEG，传感器仍有采集限制。正如我们所看到的，信号在被EEG机器获取之前要经过一段距离，而噪声和伪影正在造成重要的问题。EEG必须在各种环境下都能达到良好的性能。可靠的电极是必要的。尽管设备会产生噪音，但这项技术必须能够可靠，因为许多脑机接口是针对病人的，而病人经常被许多电子设备包围着。[33] 我们看到的最好的信号是通过侵入性技术获得的。但是，侵入性BCI也有许多限制。首先，它们仅被植入少量患者中，这出于其他原因需要进行手术。侵入性技术涉及道德伦理问题。要克服的问题很复杂：系统需要安全并且数十年保持完整，功能可靠。必须证明其长期安全性，因为植入物可能会导致感染或被人体排斥。植入物必须具有坚固，舒适，方便且不引人注目的外部元件；并轻松与高性能应用程序接口。安全性：[34]当侵入性技术被用于研究大脑时，可能没有最好的模型，因为植入到有问题或受伤的病人身上并不是理想的模型。BCI验证和传播可靠性[35] 当前对生物信号和变异性的理解 问题是难以解码信号，或者需要数月的训练，并且每个人的情况都不一样-不符合标准。信号特征的可变性导致需要用于适当功能的自适应BCI算法。尽管已知BCI的选择和调整的基本规则，但仍不清楚为什么某些BCI范例或特征对某些患者有效，而有些则无效。艾莉森(Allison)等人(在稳态视觉诱发电位–基于SSVEP的BCI领域)对所谓的"BCI demographic assessment"进行了研究，即多少人以及哪些人可能使用某种BCI。(Allison et al., 2010) and Volosyak et al. [36] 参考 18.Image available from: http://3.bp./_TnLZz2ZDDxM/SsG-AuitJyI/AAAAAAAAAKA/BRZpWh3UrCc/s320/Brain_parts.gif 19.Wikipedia. Lobes of the brain. Available from: https://en./wiki/Lobes_of_the_brain 20.Neurons & glial cells. Available from: https://training.seer./brain/tumors/anatomy/neurons.html 21.Sanei, S. (2013). Adaptive Processing of Brain Signals. Somerset: John Wiley & Sons, Incorporated. Retrieved from 30 http://ebookcentral./lib/dcu/detail.action?docID=1207774 22.Introduction to EEG and MEG. http://imaging.mrc-cbu./meg/IntroEEGMEG#signalgeneration 23.Introduction to EEG and MEG. http://imaging.mrc-cbu./meg/IntroEEGMEG#signalgeneration 24.Nicolas-Alonso, L. F., & Gomez-Gil, J. (2012). Brain Computer Interfaces, a Review. Sensors (Basel, Switzerland), 12(2), 1211–1279. http:///10.3390/s120201211 25.Sanei, S. 2013. Adaptive Processing of Brain Signals. John Wiley & Sons, Incorporated. 26.Wikimedia. https://commons./wiki/File:21_electrodes_of_International_10-20_system_for_EEG.svg 27.Tavakoli, P., Campbell, K. The recording and quantification of event-related potentials: I. stimulus presentation and data acquisition. 28.Ochoa, J., 2002. EEG Signal Classification for Brain Computer Interface Applications. 29.Ochoa, J., 2002. EEG Signal Classification for Brain Computer Interface Applications. 30.Riera, A. EEG Signal Processing for Dummies. Available from: http://neuroelectrics./blog/bid/245833/EEG-Signal-Processing-for-Dummies?utm_content=10498748&utm_medium=social&utm_source=googleplus 31.Tarik Al-ani and Dalila Trad (2010). Signal Processing and Classification Approaches for Brain-Computer Interface, Intelligent and Biosensors, Vernon S. Somerset (Ed.), InTech, DOI: 10.5772/7032. Available from: https://www./books/intelligent-and-biosensors/signal-processing-and-classification-approaches-for-brain-computer-interface 32.Shih, J. J., Krusienski, D. J., & Wolpaw, J. R. (2012). Brain-Computer Interfaces in Medicine. Mayo Clinic Proceedings, 87(3), 268–279. http:///10.1016/j.mayocp.2011.12.008 33.Shih, J. J., Krusienski, D. J., & Wolpaw, J. R. (2012). Brain-Computer Interfaces in Medicine. Mayo Clinic Proceedings, 87(3), 268–279. http:///10.1016/j.mayocp.2011.12.008 34.Shih, J. J., Krusienski, D. J., & Wolpaw, J. R. (2012). Brain-Computer Interfaces in Medicine. Mayo Clinic Proceedings, 87(3), 268–279. http:///10.1016/j.mayocp.2011.12.008 35.Emerging Theory and Practice in Neuroprosthetics by Yina Guo, Ganesh Naik. Chapter 10 Brain-Computer Interfaces for Assessment and Communication in Disorders of Consciousness 36.Neurosky. 2015. What Is BCI and How Did It Evolve?. Available from: http:///2015/06/what-is-bci-and-how-did-it-evolve/ 37.Statt, N. 2017. KERNEL IS TRYING TO HACK THE HUMAN BRAIN — BUT NEUROSCIENCE HAS A LONG WAY TO GO. Available from: https://www./2017/2/22/14631122/kernel-neuroscience-bryan-johnson-human-intelligence-ai-startup |
|
|
