本文是对脑机接口BCI及其脑控系统框架的简单介绍。
以下是本篇文章正文内容
脑机接口(Brain Computer Interface，BCI)是建立在大脑和机器设备之间信号传输的技术，简单来说：人脑可以通过BCI技术机器进行控制或机器对人脑的想法做出反馈。
一个完整的脑机接口系统如图1.1所示一般包含信号采集、信号处理和BCI应用三个模块。
信号采集过程设计多种脑信号(如脑电图(Electroencephalogram, EEG)，脑磁图，功能磁共振，功能性近红外光谱，皮层脑电以及局部场电位等)均可作为脑机接口的信号。
本文讨论的脑信号为脑电图(Electroencephalogram,EEG),EEG是一种电信号，通常使用接触头皮的电极来采集。
脑信号中一般包含诱发电位(evoked potentials)和自发电电位(spontaneous potentials)。诱发电位是大脑对特定外部刺激产生的瞬态或者稳态的电位响应，比如事件相关电位(event-related potentials,ERP)，稳态视觉诱发电位(steady-state visual evoked potentials,SSVEP)等。与之对应，自发电位则是在没有明显外加刺激情况下可检测到的节律性波动。这些节律波一般有明显的频率特征且与特定的生理状态相关，如表1.1。
信号处理是脑机接口的核心工作，它通过分析处理信号来解码人的意图。
BCI的信号处理包含预处理、特征提取和模式分类。
预处理主要作用是滤除信号中的非脑电数据，即伪迹(artifacts)。主要方法有：1.滤波与回归(使用滤波器)。2.盲源分离或信号分解(先分解信号，然后对信号的成分进行伪迹判别，最后重组非伪迹成分)。
脑电信号特征主要分布在时域、频域以及空间域。
特征提取完成后，应建立分类器对特征进行模式分类。
常用的分类器算法：线性判别分析(LDA)、正则化LDA、逐步线性回归分析(stepwise linear regression analysis, SWLDA )、贝叶斯分类器[56]、支持向量机(SVM)、隐马尔科夫模型等在脑电信号分类中都有应用。
信号采集和处理是实现对用户意图的解码，BCI应用则负责这种意图的表达，比如BCI应用将脑机接口分类器输出的命令作用设备，从而允许用户通过思维控制设备等。
事实上，BCI应用不仅承担脑机接口命令的输出，还为用户提供反馈，这种反馈在人机交互系统中非常重要，它让用户了解脑机接口系统的工作状态如何。
感觉运动节律(sensorimotor rhythms, SMRs)是大脑皮层运动感觉区域中u，β节律的统称。这种节律伴随着人体进入运动状态而被抑制(事件相关去同步，event-related desynchronization, ERD)[60]，反之伴随运动的结束而恢复(事件相关同步，event-related synchronization, ER.S)/64]。
同时，ERD和ERS还有明显的空间分特征，其还有一个重要的特性是:ERD/ERS不仅发生在真实运动中，也发生在想象运动(motor imagery, MI)时。
P300是最常用来建立脑机接口的ERP，它是一种大脑对“新奇”事件的响应信号，一般出现在事件发生后300-600ms左右。P300与认知功能密切相关，因此多种人体感觉通道(如视觉通道、听觉通道和触觉通道)输入的事件均可诱发P300信号。
周期性刺激可诱发周期性脑电响应，包括周期性视觉刺激诱发的稳态视觉诱发电位(steady-state visual evokded potential, SSVEP)、在体表施加周期性刺激(微电流刺激或者震动刺激)诱发的稳态触觉诱发电位(steady-state somatosensoryevoked potantials, SSSEP)以及施加周期性声音刺激诱发的听觉稳态响应电位(auditory steady-state response, ASSR)。
控制应用是脑机接口的一大分支，如何合理设计与控制任务匹配的脑机接口,确保脑机接口工作的效率和良好的人机交互体验、控制系统的可靠与安全、脑机接口与控制设备的协调统一，是脑机接口控制系统设计时需要考虑问题。本节将简单介绍五种脑控系统设计的相关理论技术问题。
脑机接口的工作方式有同步/异步性，一般脑机接口系统的研究都在实验室进展，默认用户始终工作在控制态。但这并不适用于实际，实际中用户不会一直需要控制设备，所以要区分控制与非控制态，这种脑机接口称为异步脑机接口。
不同的脑机接口有不同的特点如下表所示。我们可以针对具体的控制任务，将不同的脑机接口组合起来，充分发挥其各自的特点，从而构建出可靠高效的控制系统，这种脑机接口称为混合脑机接口(hBCI)。
BCI控制通路与反馈通路的非对称性如下图所示，极大制约了系统的性能。改善BCI非对称性的关键在于提高BCI的信息传输能力。技术手段主要是改进信号处理算法、优化刺激范式等。
让脑机接口直接驱动控制设备会给用户带来极大的精神负荷，且效率不高。所以我们将控制对象设计为具有自主性，能够自主完成一定任务的智能对象。这样，用户通过脑机接口与智能对象协同完成工作，共享机器的控制权(或自主性)，这样的系统被称为共享控制系统。这一技术的关键问题在于人和机器到底谁在对系统进行控制，什么时候获得控制权以及控制成都，这依赖于良好和可靠的人机协同机制。
脑控系统的核心和难点问题在于实现人机协调、人机合一，而这一问题的关键在于能否对人体自主运动进行准确建模和实时预测，使人与设备之间的交互协调自如。人体各种复杂和连续的动作，是通过神经系统实时产生和调制一系列简单和离散的原子运动而实现的。所以，研究这种机理有助于实现人机一体化。
本文是基于国防科技大学-唐景昇-移动机器人脑控关键技术研究而写的一篇关于BCI及其在脑控系统方面的简单介绍。
