脑机接口技术是通过信号采集设备从大脑皮层采集脑电信号经过放大、滤波、A/D转换等处理转换为可以被计算机识别的信号，然后对信号进行预处理，提取特征信号，再利用这些特征进行模式识别，最后转化为控制外部设备的具体指令，实现对外部设备的控制。

　　一个典型的脑机接口系统主要包含4个组成部分：信号采集部分、信号处理部分、控制设备部分和反馈环节。其中，信号处理部分包括预处理、特征提取、特征分类3个环节。

　　非侵入式：是指无需通过侵入大脑，只需通过附着在头皮上的穿戴设备来对大脑信息进行记录何解读。这种技术虽然避免了昂贵和危险的手术，但是由于颅骨对于大脑信号的衰减作用，以及对于神经元发出的电磁波的分散和模糊效应，使得记录到的信号强度和分辨率并不高，很难确定发出信号的脑区或者相关的单个神经元的放电。

　　由于脑电信号的本质还未知，难以确定一种特定的信号识别方法。假设脑电信号是线性的，那么大多数BCI使用的线性识别方法足以应用。反之，则线性识别算法对于希望被识别的信号可能是最糟糕的描述。但无论何种情况，BCI技术的首要任务就是从EEG中识别出人的主观操作意识，并将之表达为对外部设备的直接控制。同样的道理，基于皮层脑电图（ECoG）的信息分析也与之类似。

　　在不同的知觉意识下，人们脑电中的不同节律呈现出各异的活动状态。这些节律是受不同动作或思想的影响。按照所在频段的不同分类，一般采用希腊字母（、、、）来表示不同的自发EEG信号节律。比如节律在8～13Hz频段，而节律则在13～22Hz频段。

　　采用以上几种脑电信号作为BCI输入信号，具有各自的特点和局限。P300和视觉诱发电位都属于诱发电位，不需要进行训练，其信号检测和处理方法较简单且正确率高。不足之处是需要额外的刺激装置提供刺激，并且依赖于人的某种知觉（如视觉）。其它几类信号的优点是可以不依赖外部刺激就可以产生，但需要大量的特殊训练。

　　特征提取涉及如何从EEG中提取少量的有用的信息，分别利用这些信息进行不同脑状态的区分。常用的特征提取的算法如：：FFT（FastFourierTransformAlgorithm）、相关性分析、AR（AutoRegression）、参数估开云电竞官网计、CSP（CommonSpatialPatterns）、Butter2worth低通滤波、遗传算法等。算法的选择与所利用的信号特征及电极位置有关。

• 上一篇：千亿“脑控”市场来袭！脑机接口“爆发”
• 下一篇：江苏医保局发布脑机接口价格项目 政策+技术共振推动行业加速发展