何为脑机接口？

脑机接口的概念

脑机接口应用是指允许用户与计算机交互以测量用户大脑活动的设备，以其独特的优势加速了医疗器械行业的转变，并将持续下去。脑电图 (EEG) 可以识别大脑的能量和频率模式，成为了测量头皮电活动的常用方法。人工智能 (AI) 和机器学习 (ML) 可以提高评估和开发脑机接口应用的准确性和可靠性。接下来，我们将深入探讨此领域，并介绍测量脑电波所需信号链中的一些关键电子元件，以及AI是如何将这些元件整合起来的。

脑机接口与脑电图

人脑会产生振荡的电压，其典型值非常小，以百万分之一伏特为单位计量。因此，通常采用脑电图来收集和分析这些脑波电压，这是一种记录头皮电活动的电生理监测方法， 用于捕捉与头骨正下方发生的脑电波直接相关的信号。

通过脑电图进行的脑机接口通信可以是单向或双向的。双向通信允许信息双向流动，从而向大脑提供反馈并进一步调整。脑电图可以采用非侵入式、半侵入式和侵入式技术：侵入式脑电图是指将设备直接植入大脑并建立连接；半侵入式脑电图是将电极安置在大脑皮层表面；而非侵入式通常通过在头骨上放置一个带有各种电极的盖子来实现。脑电图具有0.05秒的时间分辨率和10mm左右的空间分辨率。除脑电图采用的电技术外，也可以采用磁、代谢等其他技术来收集数据。

脑波依频率通常分为五类（表1）， 而医学研究人员将其分为五个波段，每个波段对应着不同的大脑状态。例如，记忆和回忆这类关键性活动通常在θ波段进行处理，但也有例外。研究人员利用这些波段来分析信号过小、过大或达到最佳值时可能发生的情况。

表1：脑电波分为五大类，每个频率范围都是一个标称值，而非绝对值。（资料来源：作者）

 

波段	频率 (Hz)
Delta	0.5-3
Theta	3-8
Alpha	8-12
Beta	12-38
Gamma	38-42

 

脑电图采集脑电波信号并将其数字化， 然后对它们进行信号处理，提取特征并使用翻译算法进行分类。当然，也可以打印或记录下来以供将来分析用。信号输出可用于生成设备命令，以提供与电机控制、运动/移动以及环境条件或刺激相关的指令。因此，脑机接口能够帮助残疾人更好地控制外部环境。

脑机接口与人类状况

由于人类生物学的原因，我们的感官和智力有着根本的局限性。可以想象，脑机接口和植入物可以增强或提供新的感知信息，增强生物能力。人类和机器有着不同的运行方式，因此在融合时需要特别注意如何实现信息的实时提取和交换。除此之外，还需要很多其他操作，以了解指导大脑的单个可寻址神经元之间的相互协调如何在环境中发挥作用，同时保持与接口数字可寻址域的协调。

脑机接口研究

脑机接口现阶段以帮助人类为研究方向，包括恢复或增强人类视力、残疾肢体的运动恢复以及帮助恢复和纠正各种神经损伤和疾病的大脑定位。大脑映射可以帮助我们更好地理解人类思维是如何转化为人类行为的， 进而激发出增强学习、新的或增强的人类感知以及新的嵌入式自主神经系统。下面我们来看两个例子，了解脑机接口可以在哪些方面继续发展并占据主导地位。

超人认知

亿万富埃隆·马斯克 (Elon Musk) 正在积极研究脑机接口问题。他是Neuralink公司的创始人之一，这是一家开发植入式脑机接口的神经技术公司， 致力于打造先进的脑机接口工具。公司创始人相信，有了合适的团队，这项技术的应用前景将更加广阔。Neuralink正在探索将允许神经活动的超细电子线植入大脑的可行性。  

马斯克的一个既定目标是实现“超人认知”。发明家兼未来学家雷·库兹韦尔 (Ray Kurzweil) 认为，人工智能的特点是具有非凡的模式识别能力。他将人工智能视为一个进化的自组织层次系统，在生物模式识别机器环境下运行。马斯克的目的是实现超人认知，因为他希望人类能够更熟练地进行谈判，以理解更强大的人工智能的出现和传播，而人工智能在模式识别方面正变得越来越擅长。

新的感知

在观察脑机接口如何增强人类感知时，可以参考网络基金会创始人内尔·哈维森 (Neil Harbisson) 的案例。他被公认为世界上首位电子人。天生色盲的哈维森在头骨上永久性地植入了一个天线，通过倾听来分辨颜色，用听觉弥补了视觉上的限制。正因如此，哈维森积极倡导将科技融入人体的未来生活理念。

传感器集线器

为了支持脑机接口技术的发展，人类采用了传感器集线器以各种方式收集脑机接口以外的其他生物特征信息。传感器集线器使用多个传感器和一个微控制器来收集和分析大量脑电波无法直接访问的人体参数， 包括收集有关人体脉搏、心率、脉搏血氧饱和度 (SpO2) 和估计血压的信息。

高质量数据

由于大脑信号非常弱小，所以整个电子信号链在设计上需优先考虑降低噪音、杂散以及伪信号等问题。患者可能会通过身体运动、出汗、眼球运动、心律等诱发这些问题。而50Hz/60Hz噪声、电极皮肤接触问题和电缆移动等都可能会造成电气误差。

考虑到上述各种原因，我们在选择电子元器件时，应尽量选择高精度、低噪声、高分辨率的信号链产品。因此，需选择低噪声放大器 (LNA)、单位增益缓冲器和精密模数转换器 (ADC)，以防引入不需要的信号，同时提供准确可靠地解析数据的能力。采用差分放大器和带通滤波器也可以确保传输高质量数据。

用于脑电图的ADC推荐

在这里我们为脑电图信号链设计人员推荐一款ADC，即Analog Device的AD7177-2 32位∑-Δ模数转换器 (ADC)（图2）。此系列器件为低噪声、快速建立、多路复用的2-/4通道（全/伪差分）ADC，可用于低带宽输入。针对完全建立的数据，AD7177-2最大通道扫描速率为10kSPS (100µs)。其输出数据速率范围为5SPS至10kSPS。AD7177-2 ADC集成了关键的模拟和数字信号调理模块，可让设计人员针对使用的每个模拟输入通道单独进行配置。

此外，还有Texas Instruments的ADS1299-x 24位模数转换器 (ADC)，此系列为4/6/8通道、低噪声、24位同步采样Δ-Σ模数转换器 (ADC)。ADS1299-x集成了颅外脑电图和心电图 (ECG) 应用的所有常用功能， 不仅集成度高而且性能卓越，能够在大大降低体积、功耗和总体成本的情况下创建可扩展的医疗器械系统。

人工智能与脑机接口技术

人工智能及机器学习和深度学习 (DL) 等子领域均支持基于脑电图的脑机接口。深度学习为自动分类脑电图信号提供了工具，可将数据用于各种应用和其他卷积神经网络 (CNN) 训练。人类现有的专业知识足以支持人工智能技术。我们的愿望是消除伪影，提高数据质量，并继续实现人工智能技术的进步，从而在测得的脑电波信号继续呈出指数级增长时，可由人工智能通过DL技术进行分类。

结论

基于脑电波的脑机接口技术依赖于高性能的电子信号链。认真选择测量脑电波和其他身体功能所需的所有关键电子元件对于提升设计可靠性至关重要。AI和DL技术不仅有利于更好地解释动态脑电波数据，还能帮助人类从脑机接口中获得更多好处。脑机接口是一种新兴的人机接口方法， 并且终将能为我们遇到的心理障碍提供治疗，特别是作家都会面临的创作枯竭问题。

审核编辑：郭婷