脑机接口技术详解：信号采集、处理与分类

一、脑机接口概述

脑机接口是一种建立在大脑与外部设备之间的直接通信通路，能够使大脑信号控制外部机器，同时机器也可向大脑提供反馈。典型应用场景是帮助严重神经肌肉疾病患者（如肌萎缩侧索硬化症、脑干卒中、脊髓损伤等）通过大脑信号控制外部设备。一个完整的脑机接口系统通常包含三个核心环节：信号采集、信号分析与处理、设备控制。

二、信号采集方式分类

根据电极植入位置和侵入程度的不同，脑电信号采集分为三种类型，而非原文所述的两种。

侵入式：通过开颅手术将电极直接植入大脑皮层（灰质）或放置于皮层表面。记录两类主要信号——局部场电位（LFP，反映神经元群体的综合电活动）和动作电位（spike，记录单个神经元的放电脉冲）。此方式信噪比最高，侵入式脑电的信号质量可比同时记录的非侵入式脑电高出20到100倍，但存在免疫排斥、感染风险和永久性神经损伤风险。

半侵入式：电极置于颅骨与大脑皮层之间，典型代表为皮层脑电图（ECoG），使用放置在皮层表面的电极记录信号。ECoG信号质量优于头皮脑电，但无需直接刺入脑组织。

非侵入式：电极安装在头皮表面，安全便捷但信号精度较差。主要技术手段包括：

• 脑电图（EEG）：通过头皮电极记录脑电的时域和频域信息，时间分辨率高但空间分辨率低，是目前应用最广泛的非侵入式方法

• 脑磁图（MEG）：通过超导传感器检测大脑产生的微弱磁场

• 功能磁共振成像（fMRI）：通过检测血氧水平依赖信号间接反映神经活动

• 正电子发射断层扫描（PET）：通过注射放射性示踪剂追踪脑区代谢活动

• 功能近红外光谱（fNIRS）：利用近红外光检测脑内血氧含量变化

此外，近年还出现了介入式脑机接口等新型采集方式，通过血管将电极送入脑内采集脑电信号，无需开颅手术。

三、信号处理流程

脑电图信号处理通常包含预处理、特征提取、特征分类三个主要阶段。

（一）预处理阶段

原始脑电信号幅值微弱（微伏级）且易受多种噪声干扰，预处理的主要任务是去除噪声、增强信号。常见预处理步骤包括：

• 滤波：去除工频干扰（50/60Hz）、基线漂移等，根据研究目的提取特定频段（δ、θ、α、β、γ波）

• 重参考：选择合适参考电极以降低共模噪声

• 伪迹去除：剔除眼电、肌电、心电等生理伪迹

（二）特征提取方法

时域方法：直接分析波形几何特征，如波幅、峰值潜伏期、过零点等，信息失真度低、直观性强。常用波形参数提取、峰值检测、方差分析等。

频域方法：通过功率谱估计、傅里叶分析提取节律活动的频域特征。不同频段（α、β、θ等）与不同认知状态相关。

时频结合方法：同时考察时间和频率特征，常用短时傅里叶变换（STFT）和小波变换，适用于非平稳信号分析。

空域方法：不同思维活动激活大脑不同区域，通过对多导联EEG信号的空间分析可提取空间特征。常用主成分分析（PCA）降维和共空间模式（CSP）——后者特别适用于运动想象任务的二分类问题。

时空结合方法：综合提取多导联信号的时间和空间隐含特征，如时空成分分析、多元自回归模型等。

深度学习方法：通过多层神经网络自动学习特征表达，实现端到端的特征提取与分类。近年来已成为EEG-BCI领域的研究热点。

（三）特征分类

特征分类将提取到的神经电特征映射为指定类别。常用分类器包括：

• 线性分类器：线性判别分析（LDA），计算简单、性能良好

• 非线性分类器：支持向量机（SVM），适合高维空间分类

• 距离类方法：K近邻（KNN）

• 神经网络：卷积神经网络、长短期记忆网络等

• 集成学习：组合多个基分类器提升性能

• 迁移学习：利用已有知识改善新任务的学习效果

四、分类器性能评价

离线评估中，分类正确率是最重要的指标。在线实时系统中，除正确率外还需重点考虑计算速度、泛化能力、模型简洁性与可解释性。对于在线脑机接口系统，通常优先选择泛化能力更强、计算速度更快的分类器，以确保实时响应性能。

五、总结

脑机接口系统是一个完整的闭环链路：信号采集（侵入式/半侵入式/非侵入式/介入式）→ 预处理（滤波去噪）→ 特征提取（时域/频域/时频/空域/时空/深度学习）→ 特征分类（LDA/SVM/神经网络/集成学习等）→ 输出驱动外部设备。脑电图（EEG）因其成本适中、时间分辨率高、操作简便而成为非侵入式BCI中最广泛采用的信号来源。随着深度学习等技术的发展，脑机接口在医疗康复、智能控制和神经科学研究领域将持续拓展应用边界。