0. 脑机接口

脑机接口（Brain-Computer Interface， BCI）：它是在人或动物脑（或者脑细胞的培养物）与计算机或其他电子设备之间建立的不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的一种全新通讯和控制技术。

1. 运动想象

运动想象(Motorimagery, MI)信号产生的理论依据是事件相关去同步（ERD）和事件相关同步（ERS）。脑电图的 $\alpha$ 和 $\beta$ 频率对运动想象的影响最大。当人在头脑中想象某肢体运动时，感觉运动皮质的相应区域便会处于活跃状态，对侧区域产生的脑电信号中的 $\alpha$ 波和 $\beta$ 波将出现幅值上的衰减，这种现象被称为事件相关去同步。相反，若大脑没有进行运动想象任务，脑电 $\alpha$ 波和 $\beta$ 波频谱震荡的幅度就会表现出明显的增强，即事件相关同步。目前MI脑机接口使用较多的有想象左手运动、右手运动、腿部运动和舌部运动。左手MI的动作变化来自C3区域，右手由大脑的C4区域产生，而足部运动的图像来自Cz区域。

其中，想象左右手运动的事件相关去同步（ERD）的图像如下所示：
在这里插入图片描述
注意：运动想象是一种认知过程，它想象你身体运动的一部分，而不实际移动身体的那个部分。它能够改变显性感觉运动区域的神经模式，接近实际运动执行。

2. 信号处理

对于脑电信号的处理，主要包括以下流程：信号采集>>信号预处理>>特征提取>>分类识别>>控制命令>>反馈。
在这里插入图片描述

2.1 信号采集

当下，脑机接口的信号采集技术可分为非侵入式、半侵入式和侵入式三大类（目前主要研究重点为非侵入式信号采集）：
在这里插入图片描述

侵入式：需要将电极植入颅内，可以获得具有高信噪比的脑电信号，但是具备很大的危险性。
半侵入式：将脑机接口植入到颅腔内，但是在大脑皮层之外。主要基于皮层脑电图进行信息分析。虽然其获得的信号强度及分辨率弱于侵入式，但是却优于非侵入式，同时可以进一步降低免疫反应和愈伤组织的几率。
非侵入式：非侵入式（EEG）的脑机接口是指头戴式的脑电帽，它主要是使用脑电帽上的电极从头皮上采集脑电信号。这种方式可以在头皮上监测到群体神经元的放电活动，主要缺点是不够精准。此外，头戴式的脑电帽虽然不会损伤大脑，但每次使用时都需要先洗干净头发，再往脑电帽的电极中注入导电胶，操作起来十分麻烦。虽然操作麻烦，但是不需要外科手术的介入，因此对非侵入式的研究，已成为BCI研究的热点方向。而脑电信号由于其时间分辨率高，采集设备容易携带，便于投入使用等优点，正成为脑机接口应用于控制系统的主要方式。

2.2 信号预处理

信号预处理主要指滤波，包括对信号进行时域、空域、频域等进行滤波，目的是减少信号中的伪迹与干扰，降低噪声对脑电信号的影响，提升与受试者思维活动任务相关的脑电信号的占比，以便进行后续分析。

2.3 特征提取

特征提取是BCI技术最为关键的部分，对预处理的脑电信号进行时、空、频域的分析，将原始脑电信号不易被观察和检测的特征提取出来，以供分类器学习和分类，特征提取方法包括FFT、小波变换以及功率谱估计等。当前最为广泛使用的算法为：CSP（共空间模式）、FBCSP（滤波器组共空间模式）和OVR-FBCSP（一对多的滤波器组共空间模式）。当然，随着研究人员在该领域的不断探索，越来越多的关于CSP的优化算法被提出。下方提及的视频链接中讲解了多种CSP的变种，有兴趣的可以观看

CSP算法：

算法简介：一种对两分类任务下的空域滤波特征提取算法，能够从多通道的脑机接口数据里面提取出每一类的空间分布成分。
算法原理：利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值差异最大化，从而得到具有较高区分度的特征向量。
设计目的：旨在设计空间滤波器使得两组脑电时空信号矩阵滤波后，方差值差异最大化，从而得到具有较高区分度的特征向量。用于下一步将特征向量送入分类器进行分类。
文章讲解：可以参考文章共空间模式算法（CSP）、Python中MNE库利用CSP分析运动想象数据。
视频讲解：可以参考视频 2020世界机器人大赛-BCI脑控机器人技术赛运动想象主流算法讲座

注意：CSP算法只能针对两类分类任务，如果需要多分类任务，需使用OVR算法。简单介绍而言为：分别选取一类作为一类，然后选取其余类作为另一类，得到的任务即为二分类，最终可以得到n个特征矩阵。其中n为总类别数。

FBCSP算法：在CSP算法的基础上加入了对频带分片处理的操作。
在这里插入图片描述

2.4 分类识别

分类识别：是BCI技术另一项重要组成部分，分析提取的信号特征进行分类器的构建，再使用分类器对不同类别的脑电信号进行分类，将其转化为控制命令输出给控制器，分类方法有KNN分类器、线性判别分类器、Fisher分类器、支持向量机和BP神经网络等。当然，现在主流的是使用CNN模型进行分类，另外，encoder-decoder框架也被用于BCI的分类。

3. EEG波段介绍

自发性的EEG变化范围一般在1-30Hz之间，一般根据频率分为4个波段：

$\delta$ 波：0.5-4Hz，一般在大脑皮层的额叶和枕叶出现，振幅为20-150uv，只有在极度疲乏、器官病变或者深度睡眠的情况下才会出现；
$\theta$ 波：4-8Hz，一般在大脑皮层的额叶和顶叶出现，振幅为20-150uv，正常人在疲倦或缺氧时可以产生，精神类疾病患者也可以检测到该波；
$\alpha波$ ：8-13Hz，一般在大脑皮层的枕骨区出现，振幅为20-200uv，人在精神放松状态并且闭眼时可以检测到该节律，睁眼时消失，一般将其作为人睁眼闭眼的依据；
$\beta波$ ：14-30Hz，一般在大脑皮层的枕骨区出现，振幅为5-20uv，医学上一般认为在人受到惊吓或高度紧张状态时出现，该节律与事件相关电位联系紧密，在BCI系统的研究中占据着重要地位；
此外， $u$ 波在关于运动想象思维任务的BCI研究中占据着重要地位，该节律主要出现在大脑的运动感觉皮层，频率范围是8-12Hz，与人的躯体运动有着密切关系。