目前几种常用的脑机接口范式

The basic structure of BCI（脑机接口）

目前几种常用的脑机接口范式

1. Steady-state visual evoked potentials(SSVEP)
       基于稳态视觉诱发电位的BCI系统是目前最常用的头皮脑电BCI系统之一，以SSVEP作为目标信号。SSVEP是一种通过向subject呈现以一定频率快速闪烁的刺激块，然后在头皮上记录到与刺激频率倍频相同的稳态脑电响应。

如上图所示，给subject呈现了以12Hz闪烁的刺激块时 其EEG在频域与时域的波形显示。Frequently，可清楚observe 明显的peak在12,24,36,48Hz, 及就是1,2,3,4倍频处。Temporarily，可observe the steady period response。
SSVEP 原理：检测EEG signal中是否存在某些特定的频率成分。
典型算法: 由于SSVEP具体显著的频率特征, 基于频率的特征提取方法被大量采用，如: Power spectral density(PSD)
A. Canonical Correlation Analysis(CCA)

       CCA是一种度量两组信号之间线性相关性的多元统计方法。由于此方法采用参考信号为正余弦信号，并没有加入EEG signal自身的high temporal resolution特性。在此不过多讲解此方法。
B. template-based CCA

       此方法思想与CCA基本一致，不同之处是template-based 是将之前记录的刺激频率的EEG data的时间上的叠平均信号作为模板来估计空域滤波器。相比CCA，此方法可以更好的反应subject的EEG特异性。
C. Filter-bank CCA
       为了有效的利用SSVEP的基频和谐波信息，从而提高识别精度。Filter-bank CCA was introduced.

       此方法首先进行滤波器组分析，及就是将EEG signal滤波到不同的频率子带；然后对每个子带的数据做CCA得到CCA系数；最后将各个频率带的CCA系数加权求和，取和不同参考信号得到的加权和最大值对应的频率为识别目标。
D. Task-related Component Analysis(TRCA)
       主要思想为寻找一个线性组合，使得原始数据中与事件相关的频率成分在多次试验的可重复性最大。具体可参考论文：Nakanishi, M., Wang, Y., Chen, X., Wang, Y., Gao, X., & Jung, T. (2018). Enhancing Detection of SSVEPs for a High-Speed Brain Speller Using Task-Related Component Analysis. IEEE Transactions on Biomedical Engineering, 65(1), 104-112.
2. P300
       基于P300的BCI系统是以event-related potential(ERP)中的P300作为目标信号。P300电位是与大脑决策过程相关的ERP成分，反映着大脑对外界刺激的评价与分类过程。实验中 通常用oddball范式诱发P300电位。从EEG signal的时域图来看，是指大脑接受目标刺激大概250-500ms内呈现的正向偏移电位。
       如下图，显示了通过oddball范式为正常站立状态下受试者呈现Non-target(80%)和Target(20%)视觉闪烁刺激时，在Pz channel出检测到的ERP时域波形图。相比于Non-target，在target刺激呈现后400ms处出现明显的正向偏移电位，即P300电位，且此时顶叶脑区活动明显增强。详细可查阅： https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3024562/pdf/fnhum-04-00202.pdf

3. Motor Imagery BCI(MI-BCI)
       基于运动想象的BCI是通过检测用户MI产生的EEG来判断用户意图，进而实现人脑与外部设备之间的直接通信与控制。Subject在MI过程中，大脑皮层会产生两种变化明显的节律信号，8-15Hz的Mu与18-24Hz的Beta。同时，大脑皮层对侧运动感觉区的脑电节律能量会明显降低，而同侧运动感觉区的脑电节律能量增大，这种现象为事件相关异步(Event Related Desynchronization, ERD) 和 事件相关同步(Event Related synchronization, ERS)。 且不同部位的躯体运动想象与该躯体对应的感觉皮层ERD/ERS相关，也就是说ERD/ERS现象存在空间分布特性。也就是因为运动想象EEG signal空间分布的特性，构成了解码运动想象思维信号的生理基础，加上之前提到的特征提取算法就可以较好识别subject的意图。详细可查阅：https://www.researchgate.net/publication/23169123_Comparative_Analysis_of_Spectral_Approaches_to_Feature_Extraction_for_EEG-Based_Motor_Imagery_Classification