|
更多技術(shù)干貨第一時(shí)間送達(dá) 關(guān)于腦機(jī)接口的分類可以查看《快速入門腦機(jī)接口：BCI基礎(chǔ)(一)》 組成成分 腦活動(dòng)神經(jīng)系統(tǒng)由兩個(gè)主要部分組成：中樞神經(jīng)系統(tǒng)和周圍神經(jīng)系統(tǒng)。大腦是中樞神經(jīng)系統(tǒng)的主要器官，它包含約1000億個(gè)神經(jīng)元和數(shù)萬(wàn)億個(gè)稱為神經(jīng)膠質(zhì)細(xì)胞。大腦由三個(gè)主要部分組成：大腦(或皮層)，小腦和腦干。 圖片來(lái)源于[18] 大腦皮層(或大腦)分為四個(gè)主要部分，稱為腦葉：額葉，頂葉，顳葉和枕葉。 圖片來(lái)源于[19] 大腦不斷產(chǎn)生電信號(hào)。頭部的顱骨和皮膚是非常好的電絕緣體，因此很難從單個(gè)神經(jīng)元記錄下來(lái)。但是，當(dāng)大量神經(jīng)元同時(shí)做相同的事情時(shí)，可以通過(guò)將電極放在頭皮表面上來(lái)觀察活動(dòng)。
圖片來(lái)源于[20] 在人腦中，每條神經(jīng)都與大約10000條其他神經(jīng)相連，主要是通過(guò)樹突狀連接。[21] 當(dāng)神經(jīng)元交流時(shí)，會(huì)產(chǎn)生電流：電信號(hào)沿著軸突或樹突傳輸。軸突末端的電信號(hào)被轉(zhuǎn)換為化學(xué)信號(hào)，軸突釋放出稱為神經(jīng)遞質(zhì)的化學(xué)信使。神經(jīng)遞質(zhì)通過(guò)突觸到達(dá)樹突，然后轉(zhuǎn)換回電信號(hào)。 電流離開的地方是正極性，電流進(jìn)入的地方是負(fù)極性。這些電流被稱為初級(jí)電流，嵌入腦組織和腦液中，并到達(dá)頭骨和頭皮。頭皮上的電壓差可以被腦電圖電極捕捉到。腦電圖中產(chǎn)生的主要信號(hào)是沿上皮層樹突的電壓梯度。為了獲得可測(cè)量的信號(hào)，成千上萬(wàn)平行方向的相鄰樹突必須同步活動(dòng)。[22]通過(guò)腦電圖可測(cè)量的信號(hào)有： 1）沿著連接神經(jīng)元的軸突的動(dòng)作電位 2）電流通過(guò)突觸間隙連接軸突和神經(jīng)元/樹突 3）沿樹突從突觸到神經(jīng)元體的電流[23] 信號(hào)采集在EEG-BCI中，大腦活動(dòng)的電位是通過(guò)放置在頭皮上的電極來(lái)測(cè)量的。電極是放置在scap上的金屬盤，其位置采用國(guó)際10/20系統(tǒng)測(cè)量。 電極有兩種主要類型： 濕電極 -使用鹽溶液的凝膠。因?yàn)殡娋嚯x最小，所以電導(dǎo)率增加。大多數(shù)由不銹鋼，錫，金或銀制成，并覆蓋一層氯化銀涂層。 在圖像中，鍍金的EEG電極 干電極 -更方便，更易于使用，但可能會(huì)丟失較高的頻率照片 為了幫助定位，需要許多電極->帽 腦電圖對(duì)于實(shí)時(shí)應(yīng)用是可靠的，因?yàn)樗梢悦壳Х种幻脒M(jìn)行一次測(cè)量。腦電圖的問(wèn)題是噪音。將電極放置在頭皮上，所以中間有幾層，加上背景噪音和肌肉。 腦電采集工作如何進(jìn)行的？ 腦電圖測(cè)量大腦中發(fā)生的電活動(dòng)。記錄的是最少兩個(gè)電極之間的電壓差。需要從多個(gè)電極同時(shí)記錄EEG，以解釋ERP。在神經(jīng)元中樹突的突觸激發(fā)過(guò)程中，利用EEG采集電流。由于電極距離神經(jīng)元很遠(yuǎn)，而且信號(hào)要穿過(guò)骨骼和頭骨，所以檢測(cè)到的信號(hào)很差，因此需要一個(gè)放大器來(lái)記錄電流。 需要什么？
"電極從頭皮獲取信號(hào)，放大器處理模擬信號(hào)以擴(kuò)大EEG信號(hào)的幅度，以便A / D轉(zhuǎn)換器可以更精確地?cái)?shù)字化信號(hào)。最后，記錄設(shè)備(可能是個(gè)人計(jì)算機(jī)或類似設(shè)備)存儲(chǔ)和顯示數(shù)據(jù)。"[24] 電極 如前所述，EEG中可以使用不同類型的電極，例如：一次性(干或濕)，可重復(fù)使用的盤狀電極（金，銀，不銹鋼或錫），頭帶和電極帽（例如消費(fèi)級(jí)電極） ，鹽基電極，針狀電極[25]。在1958年，已經(jīng)開發(fā)了標(biāo)準(zhǔn)的電極放置系統(tǒng)，其中按比例距離劃分頭部(Jasper，1958年)。 圖中：國(guó)際10-20 EEG記錄系統(tǒng)的電極位置 [26] 最小配置由三個(gè)電極組成：有源電極，參考電極和接地電極。腦電圖測(cè)量信號(hào)或有源電極與參比電極之間隨時(shí)間變化的電勢(shì)差。在沒有腦電活動(dòng)的地方很難得到參考。參考電壓通常位于乳突，耳垂或鼻尖。接地電極用于測(cè)量有源點(diǎn)和參考點(diǎn)之間的差分電壓。 放大器 電極所接收到的信號(hào)距離較遠(yuǎn)，并且由于需要傳播的不同層而衰減。出于這個(gè)原因，需要一個(gè)放大器來(lái)將微伏提高到可以數(shù)字化的范圍。信號(hào)通過(guò)1-2米長(zhǎng)的電纜發(fā)送到放大器。不幸的是，電纜可以作為天線和拾取信號(hào)，這會(huì)干擾腦電圖信號(hào)，導(dǎo)致噪音被放大。一些“有源”電極包括一個(gè)小型前置放大器在電極內(nèi)，以避免這種噪聲干擾。然而它們很大而且很昂貴，在某些情況下可能不合適。[27] A / D轉(zhuǎn)換器 A / D轉(zhuǎn)換器會(huì)將放大的信號(hào)從模擬形式轉(zhuǎn)換為數(shù)字形式。EEG信號(hào)的帶寬限制為大約為100Hz，200Hz足以采集EEG信號(hào)。 記錄裝置 它可以是計(jì)算機(jī)或類似設(shè)備，將記錄，存儲(chǔ)和顯示轉(zhuǎn)換后的信號(hào)。 預(yù)處理由于受噪聲和偽影的影響，原始腦電圖數(shù)據(jù)往往不干凈。噪聲和偽影主要有四個(gè)來(lái)源，分別是：
在額部和枕部記錄中，眼睛的閃爍非常清晰，而枕部電極上的心電圖(來(lái)自心電活動(dòng))則非常清晰。由于角膜和視網(wǎng)膜之間存在約100mV的電位差，眼球和眼皮的運(yùn)動(dòng)引起了電位場(chǎng)的變化。[30] 預(yù)處理步驟有助于從噪聲和偽影中清除數(shù)據(jù)。在預(yù)處理過(guò)程中有不同的方法和步驟。例如，過(guò)濾器通常應(yīng)用于數(shù)據(jù)。為了去除信號(hào)的直流分量和漂移，采用高通濾波器，通常頻率截止為1Hz就足夠了。通常，低通濾波器也可以用于去除信號(hào)的高頻，因?yàn)樵贓EG中，通常不研究超過(guò)90Hz的頻率。其他的方法被用來(lái)移除偽影，如眼球運(yùn)動(dòng)或眼睛閃爍。 經(jīng)過(guò)不同的預(yù)處理步驟后，當(dāng)信號(hào)中的大部分偽像和噪聲都沒有干擾時(shí)，記錄就會(huì)在幾秒鐘的時(shí)間內(nèi)被切斷：這使我們可以從單個(gè)EEG記錄中獲得大量特征，并可以使用它們用于統(tǒng)計(jì)或應(yīng)用分類器，我們將在下一部分中看到。[31] 特征提取下一步是特征提取：信號(hào)分析和信息提取。由于EEG信號(hào)非常復(fù)雜，因此僅通過(guò)查看是不可能找到有意義的信息。然后需要應(yīng)用處理算法來(lái)查找肉眼看不到的內(nèi)容(例如，一個(gè)人的意圖)。特征提取的方法很多，其中一些是：頻帶功率(BP)、腦電頻帶功率之間的互相關(guān)頻率表示(FR)、時(shí)頻表示(TFR)、Hjorth參數(shù)，參數(shù)化建模逆模型和用于P300的特定技術(shù)和VEP，例如峰值挑選(Peak picking, PP)和慢皮質(zhì)電位計(jì)算(Slow cortical potentials calculation, SCP)[32] 分類另一個(gè)可以應(yīng)用于信號(hào)的步驟是應(yīng)用分類算法，該信號(hào)現(xiàn)在大多已從偽像中清除了。使用機(jī)器學(xué)習(xí)技術(shù)，可以訓(xùn)練分類器來(lái)識(shí)別哪些特征屬于一個(gè)或另一類。數(shù)學(xué)上，分類有助于找出受試者正在執(zhí)行哪種任務(wù)(Ochoa，2002) 轉(zhuǎn)換 對(duì)信號(hào)進(jìn)行分類后，將結(jié)果傳遞給特征轉(zhuǎn)換算法。此時(shí)，需要將特性轉(zhuǎn)換為所需的相應(yīng)動(dòng)作。"例如，可以將P3電位轉(zhuǎn)換為誘發(fā)它的字母的選擇"，因此，在這種情況下，算法會(huì)將命令發(fā)送到反饋設(shè)備，以選擇字母。 反饋裝置反饋設(shè)備接收來(lái)自轉(zhuǎn)換步驟的命令。例如，它可以是計(jì)算機(jī)，信號(hào)將用于移動(dòng)光標(biāo)，也可以是機(jī)械臂，數(shù)據(jù)用于允許移動(dòng)。 局限性BCI的當(dāng)前狀態(tài)仍有許多局限性需要克服： 第一個(gè)問(wèn)題是信號(hào)采集硬件。對(duì)于EEG，傳感器仍有采集限制。正如我們所看到的，信號(hào)在被EEG機(jī)器獲取之前要經(jīng)過(guò)一段距離，而噪聲和偽影正在造成重要的問(wèn)題。EEG必須在各種環(huán)境下都能達(dá)到良好的性能?？煽康碾姌O是必要的。盡管設(shè)備會(huì)產(chǎn)生噪音，但這項(xiàng)技術(shù)必須能夠可靠，因?yàn)樵S多腦機(jī)接口是針對(duì)病人的，而病人經(jīng)常被許多電子設(shè)備包圍著。[33] 我們看到的最好的信號(hào)是通過(guò)侵入性技術(shù)獲得的。但是，侵入性BCI也有許多限制。首先，它們僅被植入少量患者中，這出于其他原因需要進(jìn)行手術(shù)。侵入性技術(shù)涉及道德倫理問(wèn)題。要克服的問(wèn)題很復(fù)雜：系統(tǒng)需要安全并且數(shù)十年保持完整，功能可靠。必須證明其長(zhǎng)期安全性，因?yàn)橹踩胛锟赡軙?huì)導(dǎo)致感染或被人體排斥。植入物必須具有堅(jiān)固，舒適，方便且不引人注目的外部元件；并輕松與高性能應(yīng)用程序接口。安全性：[34]當(dāng)侵入性技術(shù)被用于研究大腦時(shí)，可能沒有最好的模型，因?yàn)橹踩氲接袉?wèn)題或受傷的病人身上并不是理想的模型。BCI驗(yàn)證和傳播可靠性[35] 當(dāng)前對(duì)生物信號(hào)和變異性的理解 問(wèn)題是難以解碼信號(hào)，或者需要數(shù)月的訓(xùn)練，并且每個(gè)人的情況都不一樣-不符合標(biāo)準(zhǔn)。信號(hào)特征的可變性導(dǎo)致需要用于適當(dāng)功能的自適應(yīng)BCI算法。盡管已知BCI的選擇和調(diào)整的基本規(guī)則，但仍不清楚為什么某些BCI范例或特征對(duì)某些患者有效，而有些則無(wú)效。艾莉森(Allison)等人(在穩(wěn)態(tài)視覺誘發(fā)電位–基于SSVEP的BCI領(lǐng)域)對(duì)所謂的"BCI demographic assessment"進(jìn)行了研究，即多少人以及哪些人可能使用某種BCI。(Allison et al., 2010) and Volosyak et al. [36] 參考 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 |
|
|
來(lái)自： 腦機(jī)接口社區(qū) > 《待分類》
