# 非侵入式脑机接口：技术现状与趋势 > AI 辅助翻译，非官方版本。专业判断、引用和争议应以原文及其勘误为准。 - 来源 ID：S0196 - DOI：10.1109/RBME.2024.3449790 - 原始来源：https://www.ebi.ac.uk/europepmc/webservices/rest/PMC11861396/fullTextXML - 许可：CC BY 4.0 - 翻译方法：Argos Translate 1.11.0; translate-en_zh 1.9; MiniSBD 0.9.5; structured extraction and immutable-token validation - 审校状态：机器翻译，需专业人工复核 ## 原始文件映射 - [fullTextXML.xml](../original/fullTextXML.xml) ## 许可文件（保留原文） - [europepmc-fullTextXML.xml](../license/europepmc-fullTextXML.xml)：法律或许可证据原文未翻译 ## 原始文件：fullTextXML.xml # 非侵入性脑机接口:艺术状况和趋势 - 期刊:IEEE在生物医学工程方面的评论 - 作者: Bradley J Edelman; 张水来; Gerwin Schalk; Peter Brunner; Gernot Müller-Putz; Cuntai Guan; Bin He - 道尔:10.1109/RBME.2024.3449790 ## 摘要 ### 摘要 脑机接口(英語:BCI)是一种快速发展的技术,具有广泛影响研究,临床和娱乐用途的潜力. 非侵入式BCI方法尤其常见,因为它们能够安全地以相对较低的成本影响大量参与者. 在传统的非侵入式BCI用于简单的计算机光标任务的地方,这些系统现在越来越普遍地控制机器人设备,以完成可能在日常生活中有用的复杂任务. 在本次审查中,我们概述了总的BCI框架以及可用于记录神经活性,提取感兴趣的信号,并解码大脑状态的各种方法. 在这方面,我们总结了目前非侵入性BCI研究的先进水平,侧重于BCI用于控制外部设备的应用和优化其使用的算法开发两方面的趋势. 我们还讨论各种开源的BCI工具箱和软件,并描述它们对整个领域的影响。 关键词:BCI,脑机接口,深层学习,电脑学,多层次分类,运动影像,运动相关皮层潜力,神经解码,神经技术,机器人臂,转移学习 ## 导言 BRAIN-计算机接口(BCI)是一种神经技术,能够使个人与世界其他地方直接进行脑源通信[.[1] ], [ [2] 虽然BCIs可以广泛应用于不同的患者群体,甚至普通人群,但专门针对患有神经肌肉损伤的用户,如肌萎缩性横向硬化症(ALS)[[3] ], [ [4] ], [ [5] 脊髓损伤(SCI)[[6] ], [ [7] ], [ [8] 或中风 [9] ], [ [10] ], [ [11] 但它的认知功能仍然完好无损 事实上,BCIs的临床应用虽然仍然局限于研究用途,但已经比以往任何时候都更加被接受,并经常补充其他治疗策略[.[10] ], [ [12] ], [ [13] ], [ [14][ . ] [ 有. ] ] 这一技术最近也获得了娱乐性的受欢迎程度(例如“大脑游戏”)[。[15] ], [ [16] 由于低成本系统和开源工具箱,神经记录越来越容易取用。 因此,通过由大脑控制的渠道增强和恢复人的能力的概念现在允许个人在以前无法达到的水平上与其他人建立联系。 以最基本的形式来说,BCI是解码用户精神状态或意图的系统,并将此类信息映射到一个与周围环境相互作用的设备的动作上[.[17] ], [ [18][ . ] [ 有. ] ] 这些互动可以传递信息,从回答简单的是/否问题,到构建基于文字的通信,到机械臂,轮椅等设备的导航和控制等等. 尽管如此,BCI的广泛研究空间也为这种技术的新的和有创意的应用提供了便利. 例如,现代的BCI不是从计算机屏幕上呈现的词库或字母库中解码出一个预定的句子,现在可以直接从大脑中解码出笔迹信号[.[19][ . ] [ 有. ] ] 此外,有人提议,应探测并在某些情况下提供闭路回馈,以改变各种敏感状态[。[20] ], [ [21] ], [ [22][ . ] [ 有. ] ] BCIs的其他有趣途径调查感知反馈,是否提供给外围(即随机反馈)[[23] ], [ [24])或中心(即内部微刺激[.[25][[26][[27] 神经系统,影响这些系统完成各种任务的性能. 虽然这些例子代表了BCI领域令人振奋而有创意的渠道,但BCI子域的方向往往以如何从大脑录音中解码出轻松而强烈的心意为指南. 因此,有各种方法可以获取神经信号,包括非侵入性和侵入性两种方法,它们表现出不同的信号与噪声比,空间覆盖,spatiental分辨率等. 这一系列的信号获取技术伴随着广泛的精神状态和任务集合,可以被融入BCI系统. 对于入侵性BCI,高分辨率的录音提供了详细的大脑状态和动力学(通常与运动功能有关)的信息,然而,这些系统往往被限制在有限的临床参与者或对啮齿动物和非人类灵长类动物(NHP)的基本研究[.[28] ], [ [29][]. 非侵入性BCIs 另一方面,在没有安全顾虑的情况下对用户影响最小,在日常生活中容易被使用,并方便大量参与者的长期性能跟踪. 然而,由于神经信号从脑组织、通过头骨和头皮传播时信号对噪声的比例和信息传输率有限,目前的非侵入性BCI的性能有限。 然而,许多适当参与者的方便获取提供了各种机会,使非侵入性的BCI研究人员能够推动强力范式和编解码技术的极限,以优化人类应用的任务准确性、信息传输和系统可靠性。 在本次审查中,我们侧重于非侵入性BCI研究领域的最新创新. 我们首先重述传统的BCI信号获取方法,并描述各种新的方法来测量来自大脑的信息. 然后,我们详细介绍不同的非侵入信号类型,并着重指出这些信号是如何用来实现目前最先进的脑设备控制演示的。 我们进一步概述了各种相关的算法趋势,这些趋势能够实现高性能的基于EEG的大脑状态解码. 最后,我们审查现有的各种BCI工具箱和软件,这些工具箱和软件有助于大规模进行可靠的BCI实验。 ## 入侵和非入侵BCI 所有BCI都有一个共同的目标,即解码个人的精神状态或意图. 然而,入侵性与非入侵性BCI技术存在隐含的分化. 最低侵入性技术的中间地带需要直接的大脑接触,但不能穿透神经组织,这也显示出了希望(Fig.1) (中文(简体) ). 一般而言,部署这些不同技术的复杂性存在显著差异,其中许多技术还提供了不同程度的大脑覆盖和信号质量. 目前,侵入性BCI技术仅限于临床试验的病人,其使用涉及一个漫长的时间表,其中包括手术规划和任务培训。 虽然入侵的BCI接触了数量有限的个人,但由于可获得的高信度信号,控制的细节有了显著的进步. 在这方面,显著的成就包括控制了机械臂和下肢骨骼、语音解码等。 ### 发相.1.:脑机接口应用所使用的神经记录方式. (top) 非侵入技术包括磁脑光学(MEG),电脑光学(EEG)和功能性近红外光谱学(fNIRS). (middle) 最小侵入性方法包括电摄取法(ECoG)和相对新的技术,如内血管电极(即Stentrode)和功能超声波(fUS). (下方)入侵技术包括有穿透电极和多单元阵列(即犹他阵列)的立体EEG(sEEG). 几乎所有这些技术都测量了电生信号,除了fNIRS和fUS,它们测量神经活性的间接出血动力读取. 利用马达相关信号(如:马达皮层,后鹦鹉皮层等)的入侵BCI传统上使用犹他阵列或其他多站点记录探测器. 这些阵列从数百个记录站点提供详细的多单元活动(MUA),并能够控制机械臂、病人自己的武器以及语音解码[。[30] ], [ [31] ], [ [32] ], [ [33] ], [ [34] 然而,这些电极的长期使用由于缺乏长期信号质量和对感兴趣的信号进行长时间取样所需的高功率要求而受到阻碍。 因此,侵入性记录方法往往需要将脑植入与解码硬件,供电等物理连接. 因此,除了需要手术植入记录器外,这些技术限制限制了临床的广泛使用. 尽管如此,仍然有使用更低的忠心信号和更先进的硅酮电极(即Neuropixels)的尝试,这些尝试可能在未来使无线系统能够被更多的病人使用[.[35] ], [ [36]· 立体电脑学是一种替代侵入技术,利用插入到大脑深处的穿透电极。 这些电极一般用于监测癫痫等脑病变,但也为闭路刺激而逐渐得到认可[.[22][[37] ]. 除了这些入侵和穿透电极阵列外,还有一个替代办法是最小程度的入侵性电脉冲(ECoG)网格,该网格记录出大脑表面的神经活性[.[8] ], [ [38][ . ] [ 有. ] ] 这种方法覆盖了比穿透阵列更大的大脑区域,记录了较低的忠诚度信号,并实现了无线数据传输. 基于ECoG的BCI早就表现出临床用途的希望,但往往仅限于为了其他目的需要进行脑切除手术的人。 然而,采用自足装置,如WIMAGINE系统[[39] 由可被刺入头骨的可植入的ECoG网格组成,对于BCI特定目的一直有用. 事实上,使用WIMAGINE设备,通过将与运动有关的脑信号与机器人外骨骼或脊髓刺激相结合,为恢复行走能力提供了便利,从而获得了知名度[.[40] ], [ [41][ . ] [ 有. ] ] 这些个别的演示表现出了显著的临床BCI翻译,而ECoG和EEG之间的信号特征的相似性引发了何时以及是否能够完全非侵入性地取得类似成就的问题. 在过去几年中,BCI领域也出现了两种相对新颖的方法迅速兴起来,对侵入性最小的神经记录. 记录来自大脑的信号的一种有希望的方法是使用放置在大皮质容器(如上等分泌子)的发光管内的内血管电极[。][42][ . ] [ 有. ] ] 这种被称作"斯腾特罗德"(Stentrode)的电极类似一个也包含有多个录入/刺激站点的简单站点,可以使用标准的内血管医疗程序插入大脑. 然而,由于这种装置依赖于大脑中容器的位置,录制范围仅限于两个大脑半球间裂缝内的组织,经常针对与中前陀螺的接触. 这些电极通过运动蹄体的地形组织,主要探测出与脚有关的运动指令,但将来也可能包括其他精神状态。 尽管如此,Stentrode还是获得了美国联邦药品管理局(FDA)对人类使用BCI的许可,并且已经成功地控制了患者与计算机光标有关的任务[.[43] ], [ [44] ]. 功能性超声波(fUS)最近也证明可以直接从大脑中解码运动意图. fUS以相对缓慢的时间分辨率测量神经活性的间接血动力读取(~2–10 Hz),需要有一个颅窗和/或声学上透明的头骨假肢,以便获得高质量的信号[[45] ], [ [46] 尽管需要这一程序,但fUS为长期电磁录音提供了一种潜在的替代办法,这种录音可以随着时间的推移降解。 在BCI应用中使用这种技术仍处于起步阶段,但已经证明了在NHPs的平面皮层中存在可以实时检测到的可区分的运动意向信号[.[47] ], [ [48]. 重要的是,FUS最近也被用来记录患有子宫颈植入症的病人与运动有关的信号[。[46],表示人类BCI的应用在地平线上. 然而,对于健康的成年人或患者来说,尚未通过一个有利于大规模BCI研究的斯皮提奥-时分分辨法(和无对比剂)实现跨性fUS. 矩阵混合和异常校正方法[[49] ], [ [50] 这些概念需要在活体中进一步验证。 非侵入性BCI技术主要利用能测量头皮电能的EEG录音. 其他方法使用磁脑光谱法或功能性近红外光谱法,分别测量来自大脑的磁和血动力信息,但这些方法不太受欢迎。 由于EEG是廉价的,完全非入侵性的,易于设置,并且是临时性的,因此它可以被有多达上千人参与的大型研究所雇用,以获得有力的统计结论[.[51] ], [ [52] 此外,非侵入性记录模式独有地记录了整个大脑的活动,提供了各种信号类型,可以单独或混合方式用于构建BCI. 这些信号类型(如下一节所描述的)往往很坚固,可以使用最小的处理步骤为BCI目的取出. 方便使用和低入门障碍反过来又导致在研究和消费者应用中更具创造性的BCI应用,包括移动使用。 因此,现在有几十个无线和(或)干电极的EEG系统,能够购置最多至 128 频道在 >2 kHz [ [53] ], [ [54] 重要的是,无线系统避免与有线移动有关的伪迹,并便利于用于流动任务,这些任务最终将在自然主义环境中进行神经记录。 然而,移动任务和运动也带来了与步道周期和头部运动有关的其他扭曲,必须进一步加以定性和说明[。[55] ], [ [56] ]. ## 非侵入性BCI信号 关于本次审查的其余部分,我们讨论了用于非侵入性BCIs的各种信号(见图一.2). ### 发相.2.: 用于非侵入性脑机接口控制的神经信号概览. 这些信号可按来源、频率或时间域的内生或外生分类,并按获得信号的大脑区域/电磁覆盖范围分类。 摩托成像任务产生出一种与事件相关的(去)同步,可以从摩托电极上被检测出,并产生出一个以速度为基础的信号,用于终端效应器控制方向. 显性空间注意指在覆盖了鹦鹉皮层的电极中被检测到并驱动一个端效应器向特定方向移动的一种以视点为基础的动作. 稳态视觉激发潜力(SSVEPs)是指在注意相应频率的刺激闪烁时,覆盖视觉皮层的电极中窄带功率增加. P300 响应在选择用户选择时的奇球类上下文中被引出. 最后,缓慢的皮层潜力是指电能被固定在运动事件的时间上或与肢体运动相对应的电能偏移. ### 视觉释放出的潜力 视觉激发的潜力取决于用户视觉领域对目标的自觉识别。 VEP依赖于外部刺激,一般由具有不同时间特征的闪光所组成. 这些概况分为五大类:1(f) 频率调制;2 时间调制(t-VEP),3 代码调制(c-VEP),4 相位调制(p-VEP),以及 5) 运动起落(m-VEP. 在所有这些情况下,每种刺激都具有独特的时间规律,根据调制方案,也可以在头皮脑电图中检测出,以表示选定的刺激。 例如,在t-VEPs和c-VEPs中,不同的刺激在从试起的不同延迟时呈现出,然后可以在时间域 EEG 信号中被检测出[.[57] ], [ [58] ], [ [59] 然而,由于时间范围信号很吵,这些VEP的变异需要大量的试验平均值才能取得强劲的结果. 相比之下,f-VEP和p-VEP在不同的频率和/或相位进行刺激闪烁. 前往特定目标时,会增加覆盖了卵巢皮层的电极上相应振荡的波段功率. 因此f-VEP和p-VEP也统称为稳态VEP(SSVEP). 在实践中,基于SSVEP的BCIs提供了一些最高的信息传输率,因为频率和相位调制的组合可以高精度地解码[.[60][ [ ] [ ] ]. ] 这种组合现在也能够成功地检测到 >100 目标选项 [[61] ], [ [62],在使用互补信号类型时可在混合系统中进一步扩大[[63] 最后,m-VEP刺激包括跨越虚拟键盘移动行以诱导视觉运动与事件有关的潜力[.[64] 组成BCI咒语. 特别是,这些被触发信号的N200部分被认为主要与运动起落的视觉处理有关. 这些快速而高维的BCI在各种应用上效果良好,包括拼接器和较少的空间导航,在相对狭窄的时间窗口中需要正确识别单个指令. ### 公开空间注意 公开的空间注意(OSA)任务利用在鹦鹉皮层中产生的活动模式,以应对用户的空间注意. 与运动成像(MI)任务类似,OSA信号不需要外部刺激并生成α波段活性的焦距模式. 这使得OSA任务非常适合补充其他内生信号,例如执行MI任务产生的信号[.[65] ], [ [66],在不牺牲BCI整体性能的前提下增加控制维度. 虽然这个相对新的BCI范式显示了对更高维度控制的希望,但用户和实验者仍然必须考虑显眼控制和其他BCI相关任务的相互作用效应[.[67] ], [ [68] ]. ### P300 语 P300是 EEG 内源性事件相关潜力(ERP),被检测到覆盖了鹦鹉皮层的电极. P300信号在奇球范式中出现[.[69],并依靠用户的隐含能力来区分很少呈现的目标刺激和其他更常见的非目标刺激. 这种结构使得这样的事件相关响应对于拼写应用程序很有用,在拼写应用程序中,必须从更大的一组不相关的字母中选择一个特定的字母. 大部分基于P300的BCI使用视觉行/柱式,其中的矩阵(例如,6 × 6 含有字母、数字和其他项目的单元格或变量,将提交用户选择[[70] ], [ [71]. 当矩阵的行和列按随机顺序闪出,在所处理的所希望的项目上汇合时,就会得到P300的答复。 P300早在BCI使用前就有文献记载,并长期被牵连为包括抑郁症在内的各种临床疾病的生物标志[.[72] 精神分裂症[[73][ . ] [ 有. ] ] 虽然这些信号可以依赖视星等和空间,但刺激设计的进展,例如快速连续视觉展示方法的变化,大大提高了信息传输率以及任务的可靠性和性能[。[74] ], [ [75] ]. ### 与运动有关的地皮潜力 其他宽带时间域策略有利于识别被提示和连续的精神状态,这些策略涉及缓慢的皮质潜能,也被称为与运动相关的皮质潜能(MRCPs). 在仔细审查自愿运动时,低频活动的变化(德尔塔波段,~1 – 4 Hz)发生于调度规划和执行阶段,并被时间和相位限制为调度开始[[76] ], [ [77][ . ] [ 有. ] ] 在许多试验中平均计算后,所谓的 " 最大风险控制程序 " 变得明显;其主要组成部分是 " Bereitschafts position " ( " Bereitschafts " 潜力)或准备状态潜力、运动潜力(负峰 " )和正反弹潜力。 文献显示,这种MRCP发生在不同的自愿行动之后,并且可以从感官区域得到. 在过去十年中,MRCP特征被大量用于解码运动探测[.[78] ], [ [79] ], [ [80] ], [ [81] ], [ [82] ], [ [83] ], [ [84],但也用于速度等运动相关参数的分类[.[85][[79] ]. 虽然与其他一些信号类型相比,基于MRCP的运动控制的成功率不大,但想象出不同类型运动的负担却被大大地减轻了. 例如,在MoreGrasp项目期间[[86],研究参与者描述了在校准和使用BCI期间的低负担,建议能够成功地将MRCP转移到自然控制上. 尽管如此,虚假的正率和成功率仍然可以提高,这是目前和未来工作的问题(见[[87][供全面审查之用] ### 事件(去)系统化 与事件相关的去同步(ERD)或与事件相关的去同步(ERS)分别指相对于参考期的波段功率下降或增加[.[88] ], [ [89] ], [ [90][ . ] [ 有. ] ] 这些现象通常是因应运动任务而诱发的,在α/mu中产生出可靠的正反ERD和外相ERS (.8–13 Hz)和(或)β(14–30 Hz 头皮脑电图 因此,将不同的ERD/ERS痕迹投射到每个电极的时间频率图中,可以进一步生成所谓的ERD地图[.[91] 确定这些信号的空间、时间和光谱特征。 这些特征以传统的神经-结构模型为基础,并运用了Fig所说明的简单任务范式得到了有力的利用.3 [ [92] ]. #### 发相.3.: 神经结构模型和一般试验结构,以吸引ERD/ERS. (a) 用于描述和解释所形成的教育、工程和工程模式的神经结构模型。 M1和S1分别象征了主马达和somatosensory皮层,两者都携带双向通向深脑和脑通路(DB/BS). M1项目直接与脊髓相接,脊髓也通过升降纤维与DB/BS相接. 外围神经系统中的易发和易发接用双行箭头来表示. (b) 国家 任务试验的一般结构包括准备阶段(灰盒),再由"任务"(红盒)和后运动阶段(蓝盒)组成. 运动起发由垂直黑线表示. 发相. S1概述了在各种运动条件下为身体健全和有脊髓损伤的参与者(SCI)产生的典型ERD/ERS模式. 在此,我们将这些条件分为:(a)主动、自愿运动;(b)由功能电刺激引起的被动运动和运动;(c)复杂的手指运动和外围刺激;(d)连续手指、手/臂运动;以及(e)运动图象。 我们还指出,由于这些个人的身体限制,对SCI的人来说,条件相同,但是没有对应c),f)描述了企图移动而不是实际移动。 最古典的ERD/ERS模式出现在身体健全的参与者在进行自愿手动时(图S1a,h)[[90] ], [ [93][ . ] [ 有. ] ] 这些环境在运动前和运动期间经常产生mu/βERD,以及运动后βERS(PMBS)也叫β反弹. 活性脚运动(图S1a,f)也可以诱发明显的β ERD,然后是PMBS[.[94] ], [ [95] ], [ [96][ [ ] [ ] ]. ] 这些振荡活动也往往伴随着一个MRCP[.[97] ], [ [98] ]. 在被动手动期间(图S1b,h),没有预运动的ERD,但在手动期间(完全被动,或由FES协助)存在mu/beta ERD,之后是PMBS[.[93]. 在两脚的被动多活化时(图S1b,f)也观察到β ERD和PMBS[。[95][] 在复杂的手指运动(图S1c,h;立方体操纵)和增加中度神经的情况下也会出现类似的模式刺激性。 这些任务还诱发了一种反面的mu/beta ERD;在其中,当然的β ERS迅速返回基线,mu ERD/ERS振荡 [[99][ . ] [ 有. ] ] 这些任务还产生比休息条件大得多的感官激发潜力[.[100] ]. 除了振荡活性的变化外,运动轨迹(Fig. S1d, h)可以从三角洲波段活性中解码出[.[101]. 例如,[[102],在参与者进行节奏指向运动(弹性,扩展,重复)时,观察到了一个"mu ERD"和"特征三角地"波段活性. 在这些线路上,低频时间域(LFTD)信号被显示用于编码手/臂动运动[.[103] ], [ [104] ], [ [105] 对这些作品和其他作品十分重要[[106] 在移动过程中也存在Mu和β ERD,在移动终止后也存在PMBS. 在对EEG研究中被处决的动向进行调查后很早就,想象出动向或运动成像(MI)(图S1e,h)在BCI开发中起主要作用. Mu和β ERD发生在MI期间[.[90] ], [ [107],并经常被一个PMBS[[96] ], [ [108] ], [ [109](图S1e, f.). 这些ERD/ERS信号往往是根据运动花鸟的地貌组织产生的焦现象,类似于以前观察到的为运动执行任务而出现的. 例如,利用EEG源成像和fMRI的多模式工作揭示出感官皮质活化的强烈共地化,用于手和脚运动执行和成像任务[.[110] ], [ [111] 类似地,还利用EEG源成像观测到在fMRI中观测到的BOLD高地的共同模式[[112] 以感受器皮层中的ERD形式. 基于这些发现,涉及有空间相隔的运动皮层表现的机体部件的MI任务往往会定义可以使用的控制信号的数量. 许多在线BCI范式包括了四个或更多不同身体部分的MI任务来控制一个多维的终端效应器. 共同的任务包括想象出右手、左手、双手、休息、脚和舌头的行动。 研究表明,手运动或想象出手运动的速度也与EEG活性相关[.[113]. 许多这些任务可以很容易地被覆盖传感器区域的标准电极探测和分离[[114] ], [ [115] 然而,包括较大组电极的主题特性,可以改善离线和在线性能[[116] ], [ [117] ], [ [118] 此外,在同一身体部分(即手势、肢体关节等),成功歧视更专门的管理信息系统任务,在离线情景中显示出希望,并可能在未来纳入在线控制[[119] ], [ [120] ], [ [121] ], [ [122] ]. 在SCI的人中,MRCP明显用于不同的运动尝试(图S1f,h)以及βERD,有时还包括βERS[.[94] ], [ [123][ . ] [ 有. ] ] 在一项有关徒步运动尝试的研究中,只看到微小的ERS,这表明PMBS并非完全由活泼的输入而是由内部过程所触发[.[95]]. SCI患者(图S1g,f)的被动脚动没有显出明显的规律,这是有道理的,因为这些个体的大脑没有强烈的回馈[.[95][ . ] [ 有. ] ] 然而,在不完全的SCI病人中,可能存在轻微的ERD/ERS活性. 总体而言,在审查幼儿保育中心人员中存在ERD/ERS模式时,需要考虑几个关切问题。 首先,试图连续的手/臂移动会导致在感官和半导体区域的活动(手-眼协调)。 例如,在Pulfer等人案中[[124] 三角波段活动可用于SCI患者的动能解码. 此外,在SCI的病人进行手脚MI(Fig.S1i, f.h)中,也可以观察到Mu和βERD[.[125] ], [ [126] ], [ [127] ], [ [128] ], [ [129] ], [ [130] 最后,这些模式因患者的不同而大相径庭,取决于其受伤害的严重程度,即自受伤以来的时间[[94] ], [ [131] 个人是否拥有先前的BCI培训经验。 ## 非侵入性BCI的能力 BCIs由三个主要支柱组成,促进用户和系统的相互学习,以尽可能容易地完成任务[[132][]. 考虑和优化所有三大支柱----用户、应用程序和机器----对于确保BCI的成功十分重要。 虽然一些实验室和研究试图解决所有这三个支柱,但侧重于一个支柱则更为常见. 在这方面,我们将探讨最近所报告的对这些概念的一些有希望的办法。 ### 用户-培训战略 虽然一些非侵入性BCI信号可以内在产生,但其他信号必须在整个往往很长的培训期间学习。 有些用户从未学会成功控制BCI,尽管培训经验很长,这在具体BCI模式中通常被称为"BCI文盲". 因此,必须查明造成文盲的人的因素并制订战略,促进BCI技能的获得和最佳表现。 域内的一种流行理论认为,用户的注意对于用户培训的成功和实现BCI控制起着关键作用. 这经常被描绘在叶尔凯斯-多德森法中[.[133] 这描述了用户参与和习惯/技能形成之间的倒置的U形关系。 从这个意义上讲,任务或环境过于简单会引发无聊,而那些过于困难会引发压力,两者都会对性能产生不利影响(Fig.4) (中文(简体) ). 为了解决这一问题,研究人员制订了新的或适应性的任务,使课题适当参与,并改进BCI的培训和业绩[。[134] ]. #### 发相.4.:BCI战略利用耶克-多德森法的原则来提高性能. 虚拟和扩展的现实范式已纳入BCI控制,以增加用户的参与. 相反,各种基于调解的做法有助于减少焦虑程度。 在这两种情况下,用户的精神状态都朝向一个最佳的性能区,在这个区里,技术的获取和执行可以最大化。 同样,在BCI研究中也采用了许多互补技术来增加用户的参与并避免因无聊而降低性能. 依赖内生信号的传统BCI任务使用简单的视觉反馈范式,涉及计算机光标,但最近的趋势表明虚拟现实(VR)的使用有所增加[.[135] 利用计算机化武器进行人类形态反馈[[10] 以往的认知研究发现,虚拟手和手臂可以引起一种强烈的、依赖使用([[136],并建议这些工具也有利于BCI培训。 事实上,对总体呈阳性的中风病人进行运动恢复培训时,通常会探讨VR对MI任务的反馈,但成功程度仍然不同[.[10] ], [ [14] ], [ [137][ . ] [ 有. ] ] 这些研究往往侧重于运动功能而不是BCI性能,必须适应高度可变性的脑损伤,因此很难对VR辅助器的功效得出结论. 然而,使用健康个体的VR工具,通过提供增强虚拟四肢的活化环境,显示出了更大的希望。 其中许多研究显示,与经典的计算机光标反馈相比,相应的ERD/ERS信号的振幅有所增加,在线BCI性能得到进一步改善[.[138] ], [ [139] ], [ [140] 使用VR目前是BCI系统的一个成本相对较低的附加;然而,它完全使用视觉频道使得这一技术对于今后融入日常生活来说有些不切实际. 相形之下,增强现实(AR)更能与日常任务相容,并被证明至少能与基于SSVEP的BCI相相相容[.[141] ], [ [142] 然而,这些背景可以造成拥挤的视觉场景,必须加以考虑,以免压倒和分散用户的注意力[[143] ]. 在另一端,焦虑已经表明,对基于MI和SSVEP的BCI的学习和表现具有明显的负面偏见[.[144],表明精神状态的自律可以减轻这些影响. 最近通过使用能帮助减轻焦虑程度的冥想做法,创造性地处理了这一因素。 典型的以冥想为基础的战略,如心智认知培训(MBAT)和以心智减压(MBSR)培训[[145] ], [ [146] ], [ [147] 提高了基于MI的BCI的性能. 总体而言,这表明急性和慢性压力水平影响BCI性能. 因此,控制BCI的能力可以随着减压训练经验的数量和产生与管理任务相联的更强大的EEG信号的能力的提高而扩大. ### 应用程序 - 外部设备控制 现代的以脑为主的外用设备导航包括控制计算机光标,四面体/德龙,轮椅,和机器人臂. 计算机光标范式仍然是能探索出新的解码算法,任务/符号类型等的强力测试床. 目前,非侵入光标控制可以分为两个[.[107] 利用管理信息系统任务[[116] ], [ [148] ], [ [149] 或使用MI和OSA的混合系统[[66] 使用虚拟直升机或无人机也实现了更先进的导航控制[[150] ], [ [151] 然而,这种应用更为复杂,因为持续飞行往往需要与正在进行的命令/任务同步控制战略,而不是进行独立的试验,例如中外模式。 在三维空间中由BCI控制的物理四面体连续飞行首先使用与MI任务相适应的ERD/ERS信号进行演示[.[152][ . ] [ 有. ] ] 这一壮举是用右手和左手的MI来达到控制的一个方面,而MI是双手的,休息是第二个方面。[152]. 最近,还采用了SSVEP和MI任务相结合的办法,以控制四合会飞行的各个方面[[153] ]. BCI的另一项重要应用是对轮椅进行脑控制[.[154] ], [ [155] 这种任务使BCI技术以及使用各种脑信号,如P300或SSVEP响应,除MI任务外,还能够帮助类似日常生活的受损病人[[156] ], [ [157] ], [ [158]). 最近的一项研究表明,患有SCI的四聚体患者在复杂的通航任务中可以使用MI协议操作自速轮椅[.[155] ]. 近年来,多个非侵入性BCI的研究都以机械臂控制为主. 控制机器人比之前描述的装置复杂得多,因为抓取任务所需的增加体能技能需要相应的心理策略. 通过头皮EEG进行机械臂控制的初步演示侧重于端点速度或位置控制。 然而,随着更详细地控制日常援助的伸展和重担任务成为人们的理想,这项工作又分了几个部分,侧重于个别任务。 这些段可以大致分为导航机器人装置控制(“到达”)和可调谐的手相指令(“grasp”)等. 沿着这些路线,到达的一面最初在中出行和运动执行任务的三维运动解码中被证明[.[159] 并大大扩大了[[160] ], [ [161] ], [ [162] ]. 除了运动执行之外,还利用ERD/ERS信号来控制机器人的手臂伸展、抓住和移动。 他和同僚们为利用军管局接触和掌握情况制定了一个独特而全面的框架。 按照这些思路,Meng等人首先在一组人类主体中展示了对机器人臂的在线非侵入性BCI控制,其中使用MI任务来接触并抓住一个乐高块(Fig.5) [ [163][]8个科目完成了所有任务,并表现出色 80% 用于完成需要二维导航的到达任务。 对三维空间中更复杂的任务序列也取得了类似的性能,这些任务涉及从架子上取出块来,伸到上方 70% 准确性。 Edelman等人进一步证明,机器人臂通过基于源码的解码和在由6个人类主体组成的群体中持续追求控制模式的结合而不断伸展[.[164] ], [ [165][ . ] [ 有. ] ] 这项工作首先表明,与传统的离散试验协议相比,扩大的目标跟踪任务大大改善了基于MI的BCI学习,在整个培训过程中增加了用户的参与。 通过整合实时电源成像,在天真而经验丰富的用户中,在技能谱面上进一步提高了BCI的性能. 这些作品代表了BCI机器人臂控制的范围和把握的重大进步. 这个框架合并后,将来可能会使神经肌肉功能障碍的个人能够仅使用基于MI的脑信号自主地执行日常任务. #### 发相.5.:EEG-BCI基于机器人臂的控制,使用运动成像任务. 机车图像是为了控制一个和两个维度的机器人臂的“伸入”。 类似的运动成像规程也被用来对一个扇形区块进行“刮草”。 任务复杂性从 2 改为 5 在课程培训期间。 转自"滇".1 联 合 国 [163]. 机械臂控制也从解码动作执行中被追求. 因此,为了解码控制启动,Pereira等人[[166] 开发了一种在现实情况下在线检测自发运动的模式。 电磁脉冲信号被固定在神圣的发作时间,参与者在瞄准目标时会改变视线。 这项战略使相关地物的取出和凝视得以结合,并认真处理伪迹[[167][]. 利用低森林覆盖率和低森林覆盖率特征的分级分类方法 54% 实际正率(比 12%) (中文(简体) ). 这项工作扩大了现实设置的可能性,将运动和视觉处理纳入现实世界的任务. 克布勒等人[[103] 进一步设计了一个涉及中外和连续目标定向运动的实验,并考虑了两个条件(观察,执行)来研究不同的自愿状态. 无论是哪种情况,参与者都以2D工作空间的目光瞄准目标刺激。 在运动执行试验中,参与者通过在追逐跟踪任务(PTT)中移动右臂(平面上)来控制光标以调查位置和速度的调试特性. 这些时间调谐特征表明,光标速度之前的神经活性大约是 150 ms [ [103][ . ] [ 有. ] ] EEG的这些观测结果与M1神经元的振荡活性的调节特征一致[.[168] ]. 在后续研究中,Mondini等[.[105] 调查了从EEG中不断解码自愿手/臂运动轨迹以实现对机器人臂的闭路在线控制的可行性. 这项工作还实施了一个PTT,要求参与者通过控制机械臂来跟踪屏幕上移动的对象. 克布勒等人[[104] 然后建议在解码模型中将非方向动能(如距离,速度)的信息整合起来,可以缓解振幅不匹配的问题. 这种非方向动能信息在ECoG中都有发现[.[169][[170]. 如果距离和速度与位置和速度无关,那么以前采用的卡尔曼过滤法(PLSKF)部分最小的方形[[105][] 被扩展至一个未被聚焦的卡尔曼滤镜(PLSUKF). 克布勒等人[[104] 重新分析 EEG [[103][[170] 评估PLSUKF在观察和执行运动期间在PLS和PLSKF方面的表现。 实际上,与其它算法相比,被执行者与被解码的轨迹之间的关联性对于PLSUKF更强. 此外,随着非定向动能在解码模型中的整合,记录和解码轨迹之间的振幅不匹配可以被降低,从而克服了前作的局限性[.[105] Müller-Putz等人和Pulferer等人的后续研究调查了解码试图移动的可行性,模仿SCI患者有限的运动功能(将每个参与者的主要手臂绑在椅子上)[[86] ], [ [171][ . ] [ 有. ] ] 他们研究了当用户多次执行相同的运动控制任务时可能出现的潜在学习效果[.[171] 在五天内,10名能干的与会者举行了三次会议。 选定的时限旨在使与会者能够从各种任务的精神压力中恢复过来,同时确保他们保持对前几届会议的独特记忆。 校正后,EEG解码被逐渐纳入在线反馈,直到达到 100% EEG控制系统. 总体而言,这一纵向研究揭示了不同培训日的学习效果,表明培训对解码业绩的积极影响。 虽然为改善机器人臂控的导航方面作出了大量努力,但大量工作也侧重于将基于电子电子设备的取取回信号纳入BCI。 恢复瘫痪者手动的最初尝试纯粹是务实的,因为BCIs与矫正或病人的臂部使用FES直接相关[.[127] ], [ [128] ], [ [129][ [ ] [ ] ]. ] 这些工作证明,有可能将BCI与闭路式FES连接起来,从头皮录入EEG,并刺激出一具尸体。 然而,它们仍然是概念的证明研究。 研究对象能够通过预先定义的取取模式进行转换,但BCI控制仍然相当人为,因为他们使用了不同四肢(脚和右手)的想象力[.[129] 或只用左手[[126] 触发不同的神经假体步骤。 尽管如此,由于认识到掌握不同大小、形状和取向的物体涉及各种复杂问题,此后已作进一步研究,研究如何将相关把握行动和特征编码入头皮脑电图。 特别是,使用MRCP帮助支持了神经假肢装置自然控制的假说. 不同类型移动或抓取的MRCP各不相同,这可能是用作基于BCI的神经假肢的自然控制信号. 事实上,有健全参与者的学习显示不同的运动类型(右臂:手张开 手紧 发作 发作 手肘起伏肘伸展),取取动作(即棕榈花,平起子,平起子.旋转),把握后起性(即单人对双人)和能够使用MRCP从头皮 EEG中成功解码出抓取力(即能与精度)[.[172] ], [ [173] ], [ [174] ], [ [175] ], [ [176] ], [ [177] ], [ [178] ], [ [179] 重要的是,在单一试验一级,在SCI的个人中也可以看到多种抓取类型之间的类似差异[[123] ]. 虽然这些研究显示神经机器人控制很有希望,但它们主要受雇于离线分类环境。 将这些离线研究转化为在线性能,大大提高了面向患者的BCI的潜在效用. 为实现这个目标,一些融合了模拟在线控制的解码范式的研究显示,在执行三种不同的抓取类型(即棕榈花花花,平相花,腕相花相花相花相花相花)[.[180]]. 更近期的工作已成功推进,利用MI任务完成对四种抓取类型的在线控制(即圆柱形,球形,平面形,披针形)[.[181] ]. 这一演示表明,可以实时使用头皮脑电图进行可触动的抓取,然而,在任务抓取部分难以压制达到信号,反之亦然。 在这种情况下,模式切换将极大地有利于告知BCI用户是专注于定位臂还是抓取对象. 与前述的移动起发探测类似,提出了各种BCI“开关”,但也尚未无缝地融入在线控制范式 [[182] 因此,对外地广泛采用的日常任务进行机器人臂控的更方便的解决办法是利用共同控制战略[[183] ], [ [184] ], [ [185] ], [ [186][ . ] [ 有. ] ] 在这个意义上,共享控制指用户的部分自主控制以及由BCI的部分自动任务识别和执行[.[187][ [ ] [ ] ]. ] 在这些情况下,这样的策略允许用户利用各种MI和SSVEP信号(通常为混合信号)在最多三个维度上控制BCI来选择预先确定的任务/行动,然后自动执行. 然而,共享控制的程度和复杂性各不相同。 有些系统使用自定义的图像处理管道进行对象识别,使用现成相机组件,如现在已断开的Xbox Kinect. 然而,这种方法可以限于以相同取向一致看待的形状相近的物体[[184] ], [ [185] ], [ [188][ [ ] [ ] ]. ] 其他战略使用深度相机和更先进的姿势估计方法[[189] 或简单的 QR 代码 [[186] 确定可从不同角度或角度处理的物体,可能提供一个更加多面性的解决办法。 为确保效力和安全,用户和机器在使用现实机器人臂时必须考虑实际因素。 最近关于机械臂控制的工作至少利用了一个控制维度的SSVEP信号. 然而,在将这些系统融入日常生活时,这些信号所需的视觉注意力可能会分散注意力. 在使用MI任务控制机械臂时也观察到了类似的问题——虽然视觉通道被保留用于观察机械臂而不是闪烁的刺激,但受损的视线仍然会导致性能略有下降[.[165][ . ] [ 有. ] ] 还表明,在控制一个交互设备时,其他认知分心伴随着使用者,这可以降低其有效性[.[190] ], [ [191][ . ] [ 有. ] ] 最近处理的机器人装置控制的另一个实际考虑是,需要施加物理限制,如避免障碍或修正轨迹[。[192] ], [ [193] 确保用户和其他人的安全。 控制机器人臂是一个高度复杂的认知过程,在BCIs中应当添加各种预防措施和辅助手段来达到最大效果. ### 应用程序- 临床使用 非侵入性BCI已经成为一种具有重大临床应用的变革性技术,具有巨大的潜力来改善有各种神经病和残疾的个人的生活质量。 利用BCI技术进行临床应用可以补充传统的疾病诊断、治疗和康复战略。 例如,BCIs促进早期检测用于癫痫监测和干预的EEG生物标记. 此外,BCIs与大脑直接相互作用,从而能够精确地瞄准神经路径. 这可以导致对特定身体功能进行更准确有效的治疗,并根据大脑活性提供即时反馈. 最后,BCIs的互动性质可能比重复的身体锻炼更能吸引和激励病人。 BCI技术有两个主要的临床应用:1(b) 辅助性BCI和 2 康复性BCI[[194]. 辅助性BCI设法绕过被破坏的神经道,提供连续和永久的通信和控制外部装置的手段。 辅助性BCI系统是为严重运动障碍的个人设计的. 这些系统使用SSVEP,P300或MI信号来控制各种外部设备,如拼接器[.[195][[196][[197] 或语音合成器[[198],从而提高用户的生活质量和独立性。 恢复性BCI旨在恢复受损的神经连接,通过有效促进神经弹性来恢复受损的功能能力. 这种方法提供了全面和个性化的功能、认知和情感康复疗法。 恢复运动功能是BCIs对有SCI,中风,或ALS等神经变性疾病的个人最有前途的临床应用之一. 由于中风等条件不影响形成运动意图的能力,BCIs可以解码与这些活动相关的神经信号. 这允许通过机器人系统,虚拟现实,功能电刺激等辅助设备进行神经feedback训练. 尽管基于BCI的康复在运动功能方面受到极大关注,但认知培训方面的应用仍然没有得到充分利用。 有证据表明,基于BCI的神经feedback训练可以在关注相关多活性障碍等条件下改善认知功能[.[199][[200],并可能同样有利于中风后认知障碍[[201][ . ] [ 有. ] ] 这些发现凸显出以神经feedback为基础的认知培训有可能诱发对康复至关重要的神经弹性变化. 基于BCI的干预措施也显示出情感和情绪调控的巨大潜力,为应对抑郁等重大挑战提供了解决方案. 通过利用实时神经反馈,这些干预措施使个人能够自觉地调节大脑活性,并提升更积极的情绪状态. 高级BCI系统可以检测并应对与情绪紊乱相关的特定神经规律,提供个性化的治疗反馈,鼓励神经重组和情绪复原力. 这种干预措施不仅补充了传统治疗方法,而且为管理和缓解抑郁症状提供了一种非侵入性、自律性的办法,从而为精神保健开辟了新的途径。 我们认为,临床应用的BCI的未来在于将功能性、认知性和活性康复纳入一个整体方法。 这一全面战略加强了运动恢复,支持认知和情感健康,为更有力、更具包容性的康复解决方案铺平了道路。 与针对健康使用者的BCI相比,为临床应用而设计的BCI仍然面临一些独特的挑战. 患者通常在神经病情中表现出较高的个体可变性. 患者在使用BCI系统时也可能经历更高的疲劳和认知负荷. 此外,神经损伤会影响BCI所依赖的神经信号的质量. 许多神经康复患者的活性或dextery可能有限,使他们难以舒适地使用BCI硬件. 因此,最近的进展建议采用先进的解码方法[[202] ], [ [203] ], [ [204] ], [ [205] 并整合其他医疗干预措施,如转动直流刺激(tDCS)、转动磁刺激(TMS)和转动有重点超声刺激(tFUS)[。[10] ], [ [26] ], [ [27] ], [ [206] ], [ [207] ], [ [208][]开发更强健,无校准,方便用户的BCI用于临床应用. ### 机器- BCI 解码算法 EEG解码涉及开发算法和模型来分析所记录的EEG信号,目的是理解和解释基本的神经过程. EEG解码对BCIs至关重要,因为它能够将神经信号转化为可操作指令,实现人脑和外部设备之间的交流和控制. 大脑信号解码总是BCI中一个具有挑战性的部分,特别是对于非入侵性EEG. 随着EEG信号从大脑的源头穿过低导头骨到头皮表面,它们遇到了由生物和非生物因素引起的各种噪音. 虽然EEG信号解码可被视作一种特定的分类问题,但这个话题呈现出独特的复杂性. 在典型的分类任务中,较大的数据集通过提供更丰富的信息来增强性能. 然而,在EEG分类中,更多的数据需要较长的获取时间,这可能导致参与者疲劳和分心. 这降低了数据质量,引入了噪音和不一致,并对模式培训产生了负面影响。 因此,适当的电子教育分类需要在数据数量和质量之间取得平衡。 一般建议将EEG记录会议限制在 30–60 分钟,定期休息,以保持高数据质量。 在学科内培训方面,对一个模型进行了培训并测试同一科目的数据。 相比之下,学科间培训包括从多个学科中培训一个数据模型并测试不同学科的数据。 这需要一个庞大而多样的数据集来捕捉跨个体的EEG信号中的可变性,同时还要进行更复杂的操作来创建一个能够以不同分布处理EEG数据的模型. BCI中的传统分类管道一般包括一个适用于EEG信号的初始过滤过程,然后是被过滤数据的分类. 这种过滤操作的设计是根据具体BCI范式,从时间,光谱或空间维度中提取出相关信息. 然而,传统方法在对EEG进行解码时面临许多挑战. 首先,传统方法中的特征提取和分级过程会分别使用截然不同的客观功能进行优化. 这可能导致解码过程出现不理想的解决办法. 第二,传统方法强烈地依赖于手工制作的特征,这种人工选择过程可能耗费时间,主观. 最后,虽然这些方法在某一具体主题上证明是有效的,但应用在主题独立的应用上,其性能往往会下降. 因此,将探讨更先进的方法来克服这些限制。 在本节中,我们全面探讨最近在基于电子工程技术的BCI编码方法方面取得的进展。 我们概述了这些方法所依据的原则、这些方法如何相互联系,并就其适当应用提供指导。 本节讨论的方法摘要见图。6 和表一。 #### 发相.6.: EEG基于BCI的近期解码方法概述. 这些方法可大致分为五大类: 深层学习,转移学习,多层次分解,适应性学习,以及EEG源分析. 这些类别中的每一类都由详细的算法组成,旨在改进EEG解码和BCI性能的各个方面. 归根结底,所有这些方法都旨在发展健全、无校准和方便用户的BCI。 #### 表一:当前基于教育、科学和技术的高级解码方法概要 |解码方法|算法|文学| | --- | --- | --- | |深入学习|CNN (美国有线电视新闻网)| [210]-[216] | |基于图表的方法| [217]-[221] | | |自动调试| [222],[223] | | |有关注机制的神经网络| [224]-[226] | | |变形器| [227]-[229], [233] | | |混合深层学习| [230]-[233] | | |转让学习|微调| [230],[236]-[242] | |领域适应| [244]-[246] | | |领域对抗| [247]-[251] | | |少见的学习| [252]-[257] | | |基于 Manifold 的分类|里曼语多面体| [258]-[261] | |基于内核的非线性多面体| [262] | | |草人数| [263] | | |适应性学习|监督学习| [238] | |无监督的学习| [264],[265] | | |半监督学习| [266]-[268] | | |EEG 源分析|EEG 源成像| [110]-[112], [121],[164]-[166],[270]-[276] | #### 深入学习方法: 深度学习是机器学习的一个子领域,注重人工神经网络的开发和应用,以解决计算机视觉,语音识别,自然语言处理等复杂问题[.[209][ . ] [ 有. ] ] 深层学习方法能够从原始数据中自动学习分层表现,为EEG解码提供了有希望的替代办法并取得了最先进的性能. 革命神经网络(CNN)是EEG解码最受欢迎和最成功的深层学习方法之一. CNN是为信号处理和分析而设计的,特别是那些提供空间信息的环境. 演化地层是CNN的基本构件,通过将小滤波器滑过输入来取出特征. 每个滤波器都配备了可学习的分量来检测出特定的图案,而多滤波器的聚合会形成一个特征图. 在CNN训练期间,采用回推法来计算与网络权重相关的损失函数的梯度,从而可以进行重量更新来将整体损失降到最低. 当被采用为EEG解码时,CNN一般以一个接受预处理的EEG数据的输入层来启动. 然后,CNN通过沿通道维度部署空间分层和沿样本维度部署时间分层来提取光谱和空间特征. 在这一步骤之后,将遵循多层来将特性投射到更高的维度. 在两个分层之间,总是存在一个集合层来减少参数维度并消除过度相配. 在最后阶段,完全连接的地层起到决策层的作用,将高级别代表物映射到与解码任务相关的特定类别. 目前许多方法完全或部分基于有线电视新闻网。 在典型和开创性的作品中,Cecotti & Graser [[210][]提出了基于CNN的P300解码方法. 这个网络相当简单,但很有效,只有两个演化层和一个完全相连的层. 作为将CNN应用于BCI的最初论文之一,Sakhavi等. [[211][] 设计了一个从EEG中学习时间信息的框架,并实现了BCI竞争IV-的最好的分类性能.2a 数据集。 随后的努力旨在通过纳入具有不同深度的结构并采用高级培训战略来提高业绩。 在Schirrmeister et al.中为MI解码引入了两个基于CNN的分类器,取名"Shallow ConvNets"和"Deep ConvNets"[.[212][ . ] [ 有. ] ] Shallow ConvNet是用空间演化层和时间演化层启动的,分别从空间和光谱域提取地物. 深层ConvNets配备了三个再进化层,将输出投放到更高的维度,为在更复杂的空间中学习地物提供方便. 结果表明,深层ConvNet的性能至少与过滤库共同空间模式(FBCSP)一样好,后者是实地的主要产品[[213] Lawhern等人提议的EEGNet[[214][] 在四个不同的BCI范式上,即P300、与错误有关的消极性(ERN)、MRCP和ERS上,展示了基于CNN的方法的高度多用途性。 这种方法引入了深度和可分化的集合来进行地物提取并实现了高分类精度,同时使用比其他模型更少的参数. 在最近的著作中,Mane等人[[215] 提议建立一个过滤-银行演化网络(FBCNet),从EEG中为健康科目和中风科目对MI任务进行分类。 FBCNet采用多视图数据表示法,然后进行空间过滤取出分光-分光分光特征。 采用多尺度CNN以学习癫痫癫痫检查的空间-时态特征的类似工作可见于[[216] ]. EEG信号由位于头皮上的多个电极来收集,内在形成空间网络. 为了考虑EEG信号的实际分布,引入了图演网络(GCNs)作为CNN的扩展. 在图中,数据以节点和边缘为代表,而演化涉及汇总相邻节点的信息. “邻里”概念对传统演变和图解有不同的含义。 对于传统的分化,一个邻里指输入数据的局部补丁或区域. 然而对于图解,它指的是由边缘相接的相邻节点的一组. 当使用GCN来解码EEG时,数据首先被表示为带有节点(electrodes)和边缘(电极间的关系)的图. 这可以通过计算绝对的皮尔逊EG数据的矩阵来实现[.[217][ [ ] [ ] ]. ] 然后,初始特性向量被分配到这个图中的每个节点. 最后,图分层被执行,以捕捉连接节点之间的关系. GCN被用于MI分类[.[218], P300 解码 [[219][[220] 通过学习不同EEG通道之间的内在关系. 最近,CNN的变体考虑到EEG电极的"邻接"——PointNet——开始研究MI BCI的连续跟踪[來源請求].[221] ]. 一个经常性的神经网络(RNN)假设连续数据中有长期依赖性. RNNs通过保持隐藏状态获取以往时间步骤的信息[.[222],能够从EEG解码时间和光谱信息. 长短存储器(LSTM)是一个典型的RNN,它被提议用来解决RNN中已消失的梯度问题,包括一个内存单元格和三个门被命名为忘却门,输入门,输出门. 内存细胞能够维持长期内存,而三道门控制了内存细胞入出的信息流. 这种结构使LSTM能够处理不同长度的序列,并长期保留重要信息. Totora等人 [[223][]提出LSTM网络,分两层,使网络能够从脑信号中捕捉出低等和高等的行走模式. 尽管有线电视新闻网和LSTM在连续的EEG中捕捉光谱和时间特征方面十分有效,但它们在处理远程依赖性时会遇到挑战并可能经历长时间的培训过程,有选择地侧重于EEG中的关键元素. 为解决这一局限性,建立了关注机制[[224][ [ ] [ ] ]. ] 在 EEG 解码中,用于预测的相关信息并不平均分布在整个试验中. 关注机制使模型能够动态地权衡投入的不同部分,从而更加重视相关区域。 在注意机制中,“query”代表模型所关注的当前位置或上下文,而“关键”代表输入数据中的不同位置或要素。 注意是通过计算注意力分数实现的,这代表了每个键对当前查询的重要性. 关注机制已在企业资源规划系统分类中使用[[225][[226][ [ ] [ ] ]. ] 一个典型的以注意力为主的方法是变压器,它使用多头注意力. 这涉及多个平行的自觉机制,使每个顺序的职位都能够处理所有职位。 变形器被用于 MI 解码 [[227],企业资源规划检测[[228],SSVEP识别[[229], 等 (中文(简体) ). 以前提出的深入学习方法的特点是单一的建筑框架。 另一方面,混合深度学习(hDL)方法结合了不同解码方法的不同优点,有效地将时间,光谱,空间等特征与EEG数据相融合,从而为EEG解码提供了全面的解决方案. 最常见的hDL方法将同质CNN结合,或者将CNN与其他神经网络融合,包括RNN,变压器等变体. [1].[230][] 将有线电视新闻网与多层能见度(MLP)结合,以便于癫痫发作的癫痫发作预测. 提出了CNN-LSTM框架,从EEG中提取光谱、空间和时间特征,以解决MI范式中的BCI文盲问题[。][231] 并促进SSVEP范式的分类[[232]]. Song等[.[233][]引入了紧凑的革命变压器来增强SSVEPs的解码,将局部和全球性的特征封装在一个统一的框架中. 尽管hDL有可能对EEG信号进行更全面的分析,但其更高的模型复杂性和计算成本仍然对BCI构成挑战. 深层学习方法对EEG解码的吸引力主要有三个原因. 首先,EEG信号是内在的,在时间和主题上差异很大,导致传统方法无法很好地概括这些多样性. 相反地,深层学习方法能够直接从原始的EEG整合高层次的知识,大大减少了解码算法对先前知识的依赖. 第二,深层学习方法以端到端的方式培训,而不是传统方法采用的分两步进行的培训,确保解码过程中的全球最佳效果。 最后,深层学习方法自动取出特征,避免了传统方法高度耗时和劳动密集型的取出器设计过程. 然而,必须指出,深层学习方法假定培训和测试数据具有相同的分布,这种假设在许多现实世界中可能没有。 此外,在临床应用等实际情况下,获得广泛和多样的标签培训数据来培训深层学习模式往往不可行。 因此,尽管有其优势,但深层学习方法仍然面临挑战,应当探索更先进的方法. #### 转移学习方法: 转移学习目前是机器学习和数据挖掘中的热门话题. 与深层学习方法不同,转移学习假设培训和测试数据的分布不同,并试图利用一个群体所学到的知识来解决另一个群体的问题[.[234][ [ ] [ ] ]. ] 在转移学习中,域包含特征空间 ```xml 𝒳 ``` 和概率分布 ```xml P(X) ``` 时, ```xml X={x1,x2,…,xn}∈𝒳 ``` ,与 ```xml n ``` 是特性向量的数量。 在一个特殊的 EEG 解码问题, ```xml X ``` 在此解码任务中所有可用的 EEG 特性向量 ```xml xi ``` 从一次EEG试验中提取出一个特定的矢量。 ```xml n ``` 因此,也可视为EEG试验的数量,以及 ```xml 𝒳 ``` 所有 EEG 样本的特性空间。 在转移学习中,持有已知知识的域被称作源域,一般指: ```xml 𝒟𝒮 ``` 。包含待获取的未知知识的域称为目标域,通常作为 ```xml 𝒟𝒯 ``` 。学习目标被称为一项任务。 ```xml 𝒯 ``` ,由标签空间组成 ```xml 𝒴 ``` 和预测函数 ```xml f(⋅) ``` ,以及 ```xml Y={y1,y2,…,yn}∈𝒴 ``` 是培训数据集中的标签空间。 更正式的,给定源域 ```xml 𝒟𝒮 ``` 任务 ```xml 𝒯𝒮 ``` 和目标域 ```xml 𝒟𝒯 ``` 任务 ```xml 𝒯𝒯(𝒟𝒮≠𝒟𝒯) ``` ,转移学习旨在利用从下列来源获得的信息: ```xml 𝒟𝒮 ``` 便利预测功能 ```xml fT(⋅) ``` [ [235]]. 根据现有数据的标签类型,转会学习可以分为入门转会学习,入门转会学习,入门转会学习,入门转会无监督.学习。 在诱导性转移学习中,目标域的标签是已知的,目标任务和源任务是不同的(. ```xml 𝒟𝒮≠𝒟𝒯 ``` ) (中文(简体) ). 在无监督的转移学习中,来自源域和目标域的数据都没有标签,两个域的任务也不同 (. ```xml 𝒟𝒮≠𝒟𝒯 ``` ) (中文(简体) ). 大多数BCI研究侧重于转录转录学习,其中 ```xml 𝒟𝒮≠𝒟𝒯 ``` 不过 ```xml 𝒯𝒮=𝒯𝒯 ``` 例如,在一组执行相同管理信息系统任务的主体中,标有某些主体(源域, ```xml 𝒟𝒮 ``` )用于改进天真对象(目标域, )中无标签的 EEG 信号的解码. ```xml 𝒟𝒯 ``` ). 迄今为止,在BCI的转移学习方面的主要做法主要依靠微调技术。 在一个典型的跨主题微调应用中,一个主题独立的模型 ```xml fS(⋅) ``` 将对所有来自 ```xml 𝒟𝒮 ``` ,然后从 ```xml 𝒟𝒯 ``` 将用来微调一个依赖主题的模型 ```xml fT(⋅) ``` 打开 ```xml fS(⋅) ``` [ [236]]. 张等.[237] 在交叉主体应用中,使用其他主体预先培训的模型,证明了微调的效果。 除此之外,微调方法还可以被用在跨会场场景中,其中从校正会场得到的数据经过预先训练以初始化一个模型,而从后会场得到的数据被采用来微调一个会场特有模型[.[238]]. 微调被广泛用于MI解码[.[239],SSVEP检测[[240],和P300识别[[241] 以往有深入学习的研究表明,将一些初始权重固定在 ```xml fS(⋅) ``` 在通过优化器来调整他人的同时,会提高转学的性能. 这一技术被称为被冻结并被采用为BCI,以提高微调策略的解码性能[.[242] 特别是,并非所有目标群体都从源组的业绩中受益。 无论源域与目标域之间的异同性如何粗糙地进行转移,会导致更糟糕的解码精度. 这种现象被称为“负转移”[。[243][ . ] [ 有. ] ] 为了解决这一问题,在EEG解码中提出了域适应技术. 采用了域适应技术来调整源域信息,以更好地与目标域的特征相配合. 在EEG解码中引入了这种方法,以帮助缓解不同主题,会话或实验条件之间的可变性. 域适应可以通过有条件的分布适应和边际分布适应来实现,即有无考虑变量之间的关系. 有条件的适应考虑多个变量的联合分布,寻求保留数据中存在的关系. 它不仅协调单个特征分布,还旨在捕捉特征之间的相互依存关系和关系. 另一方面,边际分布适应在不考虑变量之间的关系的情况下进行域适应. 陈等 [1].[244][]提出了多源边际分布适配法. 首先,设计了一个共同特征提取器,将原始特征空间的出处和目标数据映射到共同共享的潜在空间. 随后,来自目标域和源域的EEG被合并为对等输入来学习域特有特征. 为了尽可能地从目标和源域投影数据,他们采用了最大平均相差(MMD)损失来得到域-变量特性. 迄今为止,越来越多的关于域调适的工作既涉及边际分布,也涉及有条件的分布,以便在保留特定任务信息的同时使模型适应新的主题或数据集[.[245] ], [ [246] ]. 域相对抗是实现域相适应的较新的方法,旨在学习一个无法识别输入观测来源域的模型. 这个想法是基于这样的信念,即如果一个算法不能仅仅根据被转变的表示来区分出源域,它表明该表示已经有效地抽象出特定域的信息. 在进行域对抗时,同时带有类标签和域标签的数据最初是输入到特征提取器中. 这些表达式然后被指向标签预测器和域分类器. 目标是在使用梯度倒转层来将域分级器的损失最大化的同时,将标签预测器的损失最小化. 这个过程会减少代表空间内特定域的信息,并大大提高标签预测器的通缩能力. 受此思想所启发,李等.[247] 通过减少特定主题信息对EEG情感识别过程的影响来培训主题独立模型. 刘等.[248][]提出了统一的多源优化框架,以通过学习重量分配和聚变结果实现多源域适应. 除了实现域调整外,还采用对抗性培训,通过产生与所培训的实际数据分布相仿的人工样本来进行数据增强。 基因对抗网络(GAN)是另一种转移学习方法. 它包括一个生成器来创建EEG数据,和一个区分真实生成和人工生成的样本的区分器. 两性平等网络的培训过程涉及发电机与歧视者之间持续的前后斗争。 当生成者能够生成与歧视者真实数据无法分辨的合成数据时,它就会成功. 通常,这种方法可用于EEG数据增强[.[249] ], [ [250][[251]· 由于普遍存在的不稳定问题,广泛认为利用教育、科学和技术培训全球网络是一项艰巨的任务。 当歧视者迅速达到最佳状态,毫不费力地区分合成样品和真正的EEG样品时,就会出现一个显著的挑战。 因此,这将不产生有意义的梯度,也不给示范培训带来任何进展。 在提高分类准确性的同时,转录学习也能够实现无校正的BCI. 少时学习是实现这一目标的有效转让学习工具[[252][ . ] [ 有. ] ] 这种方法训练模型进行准确的预测或分类,很少标注实例,甚至没有任何监督信息(零镜头学习). 现有三种主要方法来推动短时间学习。 第一个备选办法是扩大培训数据集。 除上述全球网络外,还可通过纳入各种具有时间性电磁学实验的表述(例如时空特征和电能光谱密度)来实现数据增强[[253][[212] 将各种噪音(如高斯人、波森人等)注入清洁的EEG,以创造新的EEG试验[。[254],并通过进行过度抽样[[255][[256] 关于EEG试验的 第二个选择是限制模型内的假说空间. An等人[[257][]通过使用嵌入模块的两个分支从支持数据和查询数据中提取数据,提出了几发学习方法. 这项工作适用于一些短镜头的学习,因为,它不是在每一个EEG试验中单独学习,而是侧重于学习EEG试验之间的关系,这大大限制了假说空间. 第三个选项是在假说空间内修改搜索策略. 前面提到的微调方法是一种共同的搜索战略,从源任务中完善了现有的参数来优化目标任务的参数. BCI数据集由于收集大脑数据时遇到的挑战,典型的样本有限,使转移学习成为信号解码的理想解决方案. 转移学习显示其在培训学科独立模式方面享有优先地位。 值得注意的是,在执行转让程序之前,建议认真考虑域的调整,以防止负转让。 #### 基于操纵的方法: 曼尼佛方法与我们之前讨论过的分类算法不同. 这些算法的特征空间在欧几利得空间中被定义,而欧几利得空间在各地都是平地. 另一方面,操纵空间显示某一特定地点及其附近处的平地[。[258][ . ] [ 有. ] ] 多元理论假设高维的EEG特征空间由下维空间来映射. 在整个绘图过程中,地物空间引入了维度冗余并干扰地物提取过程. 因此,多维分类旨在揭示这种高维数据的内在结构或几何学,用更简洁的下维空间来表示,然后进行分类。 在不同的多基分类方法中,Riemannian多基是EEG解码最常用的[.[259][ . ] [ 有. ] ] 这种方法旨在将同一阶层的对称正向性(SPD)特征拉向他们的巴音中心,并在更远处的里曼尼亚空间将不同阶层的其他特征分开[.[260][]. SPD特征对计算里曼距离很重要,因为其对称性确保里曼距离在坐标转换下保持不变,其正向确定性保证里曼度量的明确界定性质,最终产生有意义的距离度量. 在EEG解码中,SPD矩阵一般取自EEG试验的共变矩阵,代表为: ```xml C=1N−1XXT∈RN×N ``` 时, ```xml N ``` 是 EEG 频道的数量。 这个SPD矩阵描述出各种电极之间的关系,并作为捕捉EEG信号特征的有效工具. 鉴于两个SPD矩阵 ```xml C1 ``` 财务报告和审定财务报表 ```xml C2 ``` 费斯-内向的里曼距离 ```xml δ ``` 两者之间可按[[317] ], [ [318] ]: ```xml δR(C1,C2)=‖log(C1−1∕2C2C1−1∕2)‖F=[∑i=1N12log2λi]1∕2 ``` 地点 ```xml λi,i=1…N ``` 是真实的 eigen 值 ```xml C1−1∕2C2C1−1∕2 ``` 通过使用Riemann的距离, ```xml I ``` 通过下列公式可以得到里曼倍数上的SPD矩阵(也叫里曼正分数点): ```xml G(C1,…,CI)=argminC∈C(n)∑i=1IδR2(C,Ci) ``` 地点 ```xml C(n) ``` 是 SPD 矩阵的空间,并且 ```xml C ``` 是代表多点的SPD矩阵。 当将 EEG 解码为 Riemannian 复数时, EEG 试验的所有 SPD 矩阵首先被映射入 Riemannian 复数空间. 随后,每类里曼的几何平均值被计算出. 当引入了新的测试数据后,会计算出里曼在这个点和每个类的里曼几何平均点之间的距离. 该分后被分入与最小里曼距离相关的分级. 这种方法被称为Riemannian最小距离(RMDM)[.[319],并且是无参数的,强于噪声,因此显示出更好的通化能力. 其他解决方案试图将线性差异分析(LDA),支持向量机(SVM),神经网络等传统分类器引入分类. 由于这些方法依赖于欧几里得几何假设(LDA和SVM假设在输入空间中决定边界是线性的,而神经网络严重依赖利用以欧几里得几何为基础的梯度下降来优化),额外操作将数据点从里曼空间投射到切入空间. 某个特定点的正切空间的平和线性性质充当了该点的欧几里得几何的近似值,从而满足了传统分类者的假设. 这个概念导致了Tangent Space LDA(TSLDA)和Tangent Space SVM(TSVM)的开发,用于EEG解码. 基于Riemannian几何学的曼尼佛被成功采用在EEG解码中. [1] 提出了一种以几何深层学习为基础的新型模式。[261] 完全用Riemannian SPD的多面体 来学习EEG数据的瞬间表现 这项工作在MI、ERP和SSVEP数据集上进行了测试。 除了Riemannian的多面体外,近年来还探索了许多其他多面体. Gunawardena等人 [[262] 提出了以内核为基础的非线性多分分类器,以识别EEG数据中的重要通道相互关系。 Li等人[[263][] 将低等代表法从欧几利得空间扩展至格拉斯曼多相,目的是研究次空间信息并重新呈现EEG信号. 基于Manifold的分类可以不受监督地进行,从而可以对EEG数据进行解码而不需要被标记为示例. 此外,基于多种方法的强性还延伸到它们能够处理电磁学信号中的噪音和外源,使其更适用于现实世界的情况。 #### 适应性学习方法: 适应性分级算法是一类分类算法,可以根据所处理数据的特点来调整其参数或结构. 这种分类器的可适应性使它能对输入数据分布的变化作出反应,使其更加灵活,并可能更适合动态或不断变化的环境。 适应性分类可分为三类:有监督的适应,无监督的适应,和半监督的适应. 对于有监督的适应,所有用于适应的数据都应该被贴上标签. EEG解码的大部分适应方法都是基于有监督的适应. 一个典型的应用是为长期利用BCI进行跨会间调整,这就需要用收到的无标签数据不断适应主体的精神状态的方法. 在这种情况下,解码算法旨在重新训练一个新的模型,对会话中未标记的数据进行分类 ```xml i ``` 与会话数据合并 1 改为 ```xml i−1 ``` [[238] ]. 相反,对于不受监督的适应,目标领域没有标签数据. 在这种情况下,模型必须依靠域信息或其他不受监督的学习技术来适应新域. 大多数工作都使用EEG解码的不受监督的适应,试图通过培训域-对抗或域-对接模式来学习域-变量特征[.[264] ], [ [265] ]. 对于半监督改造,大部分用于模型训练的EEG没有被贴上标签,而只有一小部分被贴上标签. 鉴于数据标签可能耗时而乏味,半监督适应在EEG解码中可能比监督适应更具潜力. Pseudo-labeling,自训,并联训练是EEG解码使用的三种半监督方法. 在伪标签中,最初的EEG解码模型在被标注的EEG数据集上被训练. 然后,经过训练的模型被应用到无标签的EEG数据中来生成伪标签. 最后,将被贴上标签的和被伪贴有标签的数据集合并,重新训练出模型. 这个过程通常被多次反复地反复地修改来完善模型并更新伪标签[.[266][] 自学训练与伪作标签相似,但只有那些具有高度信心的预测才被添加到下一期培训的标签集中[[267][ . ] [ 有. ] ] 在共同训练中,多个模型都接受了关于EEG特性不同子集的培训. 模型随后在无标签的 EEG 的标签上投票,最有自信的预测被添加到被标签的集合中[.[268][ . ] [ 有. ] ] 事实证明,在使用适当方法时,半被监督方法可以达到与被监督方法相类似的性能[.[269] ]. 相较于静态方法,以适应性学习为基础的方法在实时调整和稳健性对 EEG 解码的非站态性方面显示出更多的优势. 因此,它们特别适合现实世界的应用。 #### EEG 源分析 : 采用EEG解码的源域分析,与以前讨论过的传感器域分析中观察到的常规不同。 传感器域分析直接涉及脑电图传感器所记录到的头皮上的信号,侧重于传感器层面的规律和特征. 另一方面,源域分析寻求超越头皮级信号来估计这些信号的神经源,提供更详细的大脑活性空间信息. 他和他的同事进行了源域分析[[270] ], [ [271] ], [ [272] 与传感器域分析相比,[[121]). 这一专题的早期工作调查了使用EEG源成像使用皮质电流密度或等同的二极管模型对MI任务进行分类而没有BCI反馈的性能[.[121] ], [ [273] ], [ [274] EEG源成像在在线BCI实验期间完成的MI任务期间被进一步用到线下,以定位和图像皮质活化,在线解码只基于传感器数据[.[110] ], [ [111] ], [ [112][ . ] [ 有. ] ] 在实时在线MI BCI实验中也采用了这种方法,用于连续光标和机器人臂控制[.[164] ], [ [165],其中在线解码是基于估计的源信号. 为了进行EEG源成像,应用了"最小标准估计"(MNE)和"低分辨率电磁成像"(LORETA)等反向变换,将头皮上记录的EEG数据(传感器域)转换为皮质源估计(源域). 第二,对大脑皮层感兴趣的区域根据具体任务或数据驱动的方法加以选择,以实现适应性选择[。[275][ . ] [ 有. ] ] 然后,数据可以按照传统的解码方法或深层学习方法处理[.[276] ]. 源域分析非常适合分解不同臂段的精确运动. 它进一步使精细的MI运动能够解码[.[166] 并且通过解释MI任务实现机械臂的机动控制. 虽然这种方法的计算需求可能很高,但源分析已经在在线MI BCI应用程序中成功部署[.[164] ], [ [165] ]. #### BCI 解码方法展望 : 目前,编码方法优先考虑了三个主要目标:提高分类准确性,建立无校正的BCI,提高BCI的稳健性. 明显需要提高分类准确性,因为这有利于有效沟通、准确控制外部设备并改进用户经验。 无校准的BCI有助于获得更方便用户、更高效的经验,特别是对现实世界的应用程序而言,用户可以在不经过长时间校准的情况下迅速与系统接触。 强有力的 " BCIs " 处理会话对会话的非站式和主题之间的可变性,确保各届会话和主题的一贯业绩,从而提高 " BCI " 的整体效力。 虽然解码方法分为不同的部分,但必须指出,这些部门没有严格分开。 相反,这些类别之间往往存在着相互联系和重叠。 例如,转移学习可能配备有CNN用于学科内分类,并采用适应性学习的战略来实现学科间转移。 与离线应用相比,在线评价为解码方法在实际和现实世界中的表现提供了更现实和动态的评估. 虽然目前BCI研究中的解码方法主要使用预先录入的数据集进行线下测试,但迫切需要鼓励和优先安排在线应用,特别是新兴的机器学习方法. 事实上,最近一项实施EEGNet和PointNet的研究表明,深入学习对在线环境中利用MI范式持续跟踪虚拟对象的好处[[221] ]. ## BCI 软件 如前几节所显示的,现在有充分证据表明,非侵入性BCI系统连同适当的反馈/空调协议,可以用来替换、恢复、改进、增强或补充因不同神经系统紊乱而丧失的功能[。[1] ], [ [277][ . ] [ 有. ] ] 这些可能性的实现关键取决于各种BCI方法的有效而高效的实施和验证。 遗憾的是,实施任何新的BCI系统都涉及复杂的技术,结果可能需要支持不同的情况。 BCI系统在技术上是复杂的;它们从大脑以及可能的其他生理或行为来源获得信号,分析它们以产生输出命令,并最终实现输出和相关反馈. 这些信号的获取使用专门的硬件完成,需要实施专有软件接口来配置设备并同时获取数据. 作为一种额外的复杂情况,获得所有信号往往需要同步. 这在技术上具有挑战性,因为不同输入装置的取样率和采购延误必须考虑在内。 最后,所有有关设备的相互作用和处理功能必须实时发生,最少的拖延和一致的时间。 虽然对这些时间要求没有正式的定义,但显然必须把反馈视为持续性的(例如,必须提供反馈)。>20 时间(每秒) 因此,BCI软件比 50 ms 储存、可视化和处理获得的数据,并产生所有必要产出。 这些时间要求需要高度优化的编码,将CPU负载和延迟变化降到最低,操作系统或其他因素可能引入这些变化. 实施和整合这些职能具有挑战性、耗时和费用高昂。 BCI的大型多中心研究或开发工作造成了额外的挑战. 这些努力通常涉及在不同地点进行实验或分析数据的不同人员. 因此,如此大规模的BCI努力需要建立许多不同的BCI系统,所有系统都必须以适当附加说明的标准格式存储由此产生的数据. 这意味着必须包含所有实验参数和事件标记,以使数据切实可行,供不熟悉特定BCI实验的所有实验和技术细节的人分析. 因此,必须促进这种在技术或神经科学方法、人员、地点方面各不相同的、长期执行的大规模BCI研发努力。 以下两节总结了现有的工具箱和BCI软件平台,它们分别可以满足这些相对简单或更复杂的需要(表二). ### 表二:BCI工具箱和软件平台概览 | |语言|许可证|网站| | --- | --- | --- | --- | |工具箱| | | | |心理物理学|M 阿特莱布|麻省理工学院| http://psychtoolbox.org | |埃及|M 阿特莱布|GPL GNU 语言| http://sccn.ucsd.edu/eeglab | |生物图像|M 阿特莱布|GPL GNU 语言| http://biosig.sourceforge.net | |脑暴|M 阿特莱布|GPL GNU 语言| http://neuroimage.usc.edu/brainstorm | | FieldTrip |M 阿特莱布|GPL GNU 语言| http://www.fieldtriptoolbox.org | |货币|M 阿特莱布|BSD 读取| http://martinos.org/mne | |比利时|M 阿特莱布|GPL GNU 语言| http://sccn.ucsd.edu/wiki/BCILAB | |rtsBCI (英语).|M 阿特莱布|GPL GNU 语言| http://biosig.sourceforge.net | | FieldTrip缓冲|C++ 组合|GPL GNU / BSD 语言| https://www.fieldtriptoolbox.org/development/realtime/buffer/ | |g. 碱性|S 通灵|商业| https://www.gtec.at/product/bcisystem/ | |克拉尼欧|实验室视图| ? | ? | |饼干|Py|希波克拉底许可证| https://github.com/CAMBI-tech/BciPy | |p|Py|麻省理工学院| https://github.com/LMBooth/pybci | |美国|Py|创意常识| https://www.medusabci.com | |实验室流层|Py|麻省理工学院| https://github.com/sccn/labstreaminglayer | |烟花|Py|GPL GNU 语言| https://pyspace.github.io/pyspace/ | |神经病|Py|GPL GNU 语言| http://www.psychopy.org | |页|Py|GPL GNU 语言| https://github.com/bbci/pyff | |木须|Py|GPL GNU 语言| https://github.com/bbci/mushu | |维姆|Py|麻省理工学院| https://github.com/bbci/wyrm | |BCI 软件平台| | | | |BCI ++ 键|C++ 组合|GPL GNU 语言| ? | |页:1|C++ 组合| ? | https://xbci.sourceforge.net(过时)| |托毕|C++ 组合|LGPL 语言| https://github.com/tools4BCI/ | |明德顶| ? | ? | https://www.oriossmy.com/project01 | |英国公民联盟|C++ 组合|GPL GNU 语言| https://github.com/slabua/AugmentedBCIFramework | | BCI2000 |C++ 组合|GPL GNU 语言| http://www.bci2000页:1| |打开视频|C++ 组合|GPL 阿费罗| http://openvibe.inria.fr | ### 工具箱 与BCI开发相关的工具箱提供了简化单个BCI系统开发的功能. BCI工具箱通常是在商业高端平台上方(MATLAB,SIMULINK,或LabVIEW)或更近期使用Python等脚本语言开发. MATLAB为一些BCI工具箱提供了展示行为范式的基础(例如:心理物理学工具箱[.[278])和生物信号的后热分析和可视化(例如EEGLab,[[279][]; BioSig [[280];脑暴[[281] ]; FieldTrip [ [282][];和 MNE [[283] EEGLab、BioSig和 FieldTrip已扩展成工具箱,用于快速原型制作和评估网上的BCI,称为BCILAB、rtsBCI和FieldTrip缓冲器,分别为. SIMULINK提供了g.BCIsys的基础[.[284]],一个基于SIMULINK的商业工具箱,为g.tec硬件的用户提供快速BCI研发的前端接口. LabVIEW是若干BCI示威的基础,并被用于实施BCI工具箱Craneux[.[285][ [ ] [ ] ]. ] 在过去十年里,Python在BCI社区的受欢迎程度有所提高,并实施了相当多的工具箱来推动BCI的发展. 它们包括BciPy [[286][]; PyBCI [[287][[288]; 实验室流层 [[289][]; pySPACE [[290]; 心理Py(用于介绍刺激) [[291];以及柏林BCI集团的一套工具箱: Pyff – 一个反馈应用和刺激展示的框架[.[292][; Mushu – 用于BCI信号获取的工具箱 [[293];和 Wyrm – 一个BCI分析工具箱[.[294] ]. ### BCI 软件平台 与BCI工具箱一样,BCI软件平台也提供了便利BCI系统发展的功能. 为此,它们包含了对不同信号获取硬件,信号处理和可视化常规以及不同类型用户反馈的支持. 它们也完全采用不同的BCI方法,这些方法已在不同的场合得到验证,包含大量文件,始终如一地加以维护,以适应设备软件接口或操作系统的变化,并提供在线和离线工具与其他工具或编程语言互动的整个生态系统。 BCI软件平台通常以低等编程语言(如C++)执行,被编译为本土机器代码,执行时不依赖商业库. 成熟平台还支持许多实验室和用户的经济开发和部署。 虽然提出了许多通用BCI软件平台,例如BCI++[[295],xBCI [[296][托比][297] 明德斯克顶 [298],和UniPA BCI [[299] 仅限 BCI2000 [ [300] ], [ [301] 和 OpenViBE [[302] 多年来一直得到发展,许多实验室普遍采用。 #### 打开VibE : OpenViBE软件平台自此开发 2007 [ [302]]. OpenViBE在C++中被执行,可以在Windows和Linux上编译;为Windows提供二进制. OpenViBE基于一个有利于模块功能的集成,扩展和配置的架构,而图形界面使得OpenViBE更容易被包括工程师,科学家,临床医生在内的广大调查人员所使用. 这两个因素使得OpenViBE非常适合支持不同的BCI方法的实施. #### BCI2000: 这个BCI2000 软件平台已经开发 1998 [ [300] ], [ [301] ]. BCI2000 以 C++ 执行,并可在 Windows 和 Linux 上编译;为 Windows 提供二进制. 其实施是基于一个能够描述任何BCI系统的模型[.[300] ], [ [303][ . ] [ 有. ] ] 根据这个模式,BCI2000拥有四个相互交流的模块:源(数据获取和存储);信号处理;用户应用程序;和操作员接口。 这些模块通过基于TCP/IP的有记录的网络能力协议进行交流。 执行BCI2000 高度优化,以便它能够支持即使要求很高的BCI配置,具有良好的授时特性[.[304] ]. BCI2000为Matlab,SIMULINK,LabView,和Python提供接口. 它具有广泛的脚本功能,可以使用包括Matlab,Python在内的各种方法,通过Telnet接口,或者使用Windows动态链接库(DLL)在命令行上使用. 有了这些能力,BCI2000可用于实施完全自定义图形界面的应用程序. 这个BCI2000数据存储格式能容纳数字化信号的变异(如通道数量,采样率),定义了操作协议,并包括了运行期间发生的所有事件的记录(如对用户的反馈,设备控制,伪迹检测等).BCI2000现有执行情况名册,主要有技术文件。 这些实施可以实现不同的BCI设计和易于使用的方法,并使用商业上可获得的相对廉价的硬件组件。BCI2000 在一本书中详细叙述[[301][[305] ], [ [306] ], [ [307] ], [ [308] ], [ [309] ], [ [310] ], [ [311][[300] ], [ [304] ], [ [312] ]. ### 设计BCI软件的考虑因素 设计BCI软件的最初和重要选择是,是使用特定编程语言从头实施,还是继续使用上述现有工具箱或BCI软件平台,以减少与BCI软件开发相关的时间,复杂性和成本[.[313] ]. 从零开始实施BCI软件,如果技术需求相对较低,例如,在一个旨在使用消费BCI耳机创建特定脑信号的简单可视化/回馈功能的学生项目中,那么从零开始实施BCI软件是适当的(而且只有实用的). 这可能是临床BCI系统的最佳选择,这些系统需要通过监管审批,其功能相对固定. 使用BCI工具箱在技术需求有些复杂但预期BCI软件设计,数据收集和数据分析由同一个人完成时是合适的. 实例是发展BCI系统,以支持个别研究生的一项研究。 使用BCI软件平台在技术需求复杂(如同时使用不同的硬件),预计几年来需要许多不同的BCI系统来支持不同人群在潜在不同地点进行的各种实验时最合适. ### BCI软件的影响 BCI软件的最终目的是为不同BCI方法的实施和测试提供便利. 因此,BCI软件在实现这一目标上的成功可以通过它们支持的科学研究数量来衡量. Fig中的插图. S2表示得到不同BCI软件包支持的出版物数量. 使用BCI软件平台的好处是提高了与BCI系统开发相关的实用性或成本[.[313] ]. ## 结论和展望 这一审查表明,非侵入性BCI研究领域是活跃和多产的. BCI研究取得实质性进展,可负担的、有能力的硬件、软件和信号处理/AI组件的提供日益增加,吸引了越来越多的科学家、工程师和临床医生参与这一领域。 目前的研究包含了广泛的神经信号,可以被探测出非侵入性,各种类型的现代解码算法,以及不同类型的输出装置,如机器人臂,运动神经假肢,轮椅,或拼接器等. 它还从认知神经科学(如用户培训)或AI(如序列到序列学习)等其他领域成功地转移并适应了知识. 以特定精神状态为目标的基于游戏或冥想的训练协议也可以与虚拟和增强现实技术相结合,以方便大脑和机器之间更加合作的交流. 尽管采取了这些有创意的做法,但一些参与者仍然存在BCI文盲现象,呼吁进一步创新神经科学协议设计和ML/AI算法. 此外,AI算法,计算机视觉技术,以及不断增强的计算机功率,继续推动神经分解的极限,并帮助使各种BCI应用适应更好地代表日常生活的情景. 毫无疑问,非侵入性BCI研究领域在拓宽其科学和技术方法方面取得了实质性进展,目前是一个成熟的研究企业,在全世界产生了BCI演示. 随着公众意识到这一与健康个人日益共同的成就,商业技术公司也开始有兴趣进一步发展BCI系统。 实际上,Neuralink、Synchron和Meta等公司最近对类似的技术进行了投资,这些技术还可能允许健康的用户和各种病人增加一天的生活[。[314] ], [ [315] 理想的情况是,以这种方式进一步将BCI技术置于公众的视线之下,可能会为整个领域更大的集体创新提供新的机会。 因此,增加资源将大大有助于解决各种技术问题,这些技术问题无疑在今后数年中将继续得到布雷顿森林机构的注意。 这些问题包括但不限于构建能更好地提取并解码埋藏在吵闹的EEG中的精神意图信号的深层学习模型,开发强大的无线硬件,在自然主义环境中容易进行BCI实验,实用电极可以不用凝胶而具有类似研究的阻碍作用,将BCI概括到学科或任务之间,将大型语言模型适当整合,去除眼部连接或活化的人工制品,并开发出更能和多功能的BCI软件. 显然,用来证明和验证技术进步的出版物和参加人数远远超过将技术进步应用于病人的人数。 这一点有些适得其反,因为这些系统的非侵入性质应有助于促进更广泛的临床翻译和接受。 这种现象可能是由于个别病人和病情的异同程度高,神经肌肉康复指标的影响较小,和/或病人遵守规定。 这可能是由于缺乏强有力的解码技术。 未来,将BCI技术与点播和闭路神经调制技术相融合,如转心聚焦超声刺激,转心电刺激,或转心电磁刺激等,可以增强针对大脑的反馈并增加预期效果,同时进一步降低用户所承受的努力和负担. 将神经调节与大脑解码相结合可能有助于将BCI技术带入诊所,治疗需要进一步便利沟通的病人[[27][ 或更好地控制计算机/机器人装置[[26],并将其应用扩大到神经肌肉领域以外的病人群体,例如患有神经精神障碍的人[[316] ]. 简而言之,过去十年来,非侵入性BCI研究领域取得了重大进展。 继续就神经科学范式、ML/AI算法创新以及科学界和广大社会对BCI的更多关注等进行研究,将进一步刺激和促进关于非侵入性BCI的研究进展。 未来的研究应着眼于创新基本BCI技术,利用最新技术突破,如AI,改进单个系统组件并制作技术演示,以及确定和解决患者和临床医生的紧迫问题。 ## 补充材料 ## 承认 这项工作得到了美国国家卫生研究所在Grant RF1-下的支持。NS131069 格兰特R01 NS124564 格兰特R01 NS127849 格兰特R01 NS096761 格兰特R01 AT009263 格兰特·U18 EB029354 格兰特R01 EB026439 格兰特P41...EB018783 格兰特U24...NS109103. ## 贡献者信息 Bradley J. Edelman, 马克斯·普朗克精神病研究所,80804 德国慕尼黑; 马克斯·普朗克生物情报研究所,82152 德国普莱克 新加坡南洋理工大学张水来 639798.. 上海富丹大学格温·沙克 200433 中国。 Peter Brunner,圣路易斯华盛顿大学,MO 63130-4899 美国. Gernot Müller-Putz,格拉茨科技大学,A-8010 奥地利格拉茨... 新加坡南洋理工大学Cuntai Guan 639798.. Bin He, 卡内基梅隆大学,匹兹堡, PA 15217 美国。 ## 参考资料 ## 相关数据 ### 补充材料 ## 原文 DOI 与数字核对索引 下列不变量从原始载荷自动提取，仅用于核对译文完整性，不构成额外证据摘要。 - `10.1001` - `10.1001/jamaneurol.2022.4847` - `10.1002` - `10.1002/ana.24390` - `10.1002/hbm.23730` - `10.1007` - `10.1007/s00221-008-1465-y` - `10.1007/s11517-009-0572-7` - `10.1007/s12021-015-9271-8` - `10.1016` - `10.1016/0013-4694(77)90235-8` - `10.1016/0013-4694(88)90149-6` - `10.1016/S0079-6123(06)59014-4` - `10.1016/S0140-6736(17)30601-3` - `10.1016/S1474-4422(19)30321-7` - `10.1016/bs.pbr.2016.04.017` - `10.1016/j.artmed.2014.12.001` - `10.1016/j.brainres.2006.12.052` - `10.1016/j.brs.2016.07.003` - `10.1016/j.clinph.2005.06.027` - `10.1016/j.clinph.2006.04.025` - `10.1016/j.clinph.2008.03.034` - `10.1016/j.clinph.2009.05.006` - `10.1016/j.clinph.2010.05.012` - `10.1016/j.clinph.2012.01.013` - `10.1016/j.clinph.2014.05.003` - `10.1016/j.cmpb.2023.107357` - `10.1016/j.compbiomed.2020.104079` - `10.1016/j.compbiomed.2023.107323` - `10.1016/j.isci.2022.105418` - `10.1016/j.jneumeth.2003.10.009` - `10.1016/j.jneumeth.2020.108885` - `10.1016/j.neulet.2004.12.034` - `10.1016/j.neulet.2005.03.021` - `10.1016/j.neulet.2009.06.045` - `10.1016/j.neunet.2020.01.017` - `10.1016/j.neunet.2020.12.013` - `10.1016/j.neunet.2023.04.045` - `10.1016/j.neunet.2024.106108` - `10.1016/j.neuroimage.2009.10.028` - `10.1016/j.neuroimage.2013.10.027` - `10.1016/j.neuroimage.2018.07.055` - `10.1016/j.neuroimage.2020.117000` - `10.1016/j.neuroimage.2022.119363` - `10.1016/j.neuroimage.2022.119774` - `10.1016/j.neuroimage.2023.120144` - `10.1016/j.neuron.2021.03.003` - `10.1016/j.neuroscience.2023.05.033` - `10.1016/s0304-3940(00)01471-3` - `10.1016/s0304-3940(02)00119-2` - `10.1016/s0304-3940(03)00019-3` - `10.1016/s0304-3940(03)00947-9` - `10.1016/s0304-3940(97)00889-6` - `10.1016/s1388-2457(01)00697-6` - `10.1016/s1388-2457(02)00057-3` - `10.1016/s1388-2457(99)00141-8` - `10.1038` - `10.1038/nature11076` - `10.1038/nbt.3428` - `10.1038/s41467-020-15781-0` - `10.1038/s41467-022-33611-3` - `10.1038/s41467-023-42338-8` - `10.1038/s41467-024-48576-8` - `10.1038/s41551-020-0595-9` - `10.1038/s41551-021-00736-7` - `10.1038/s41586-019-1119-1` - `10.1038/s41586-021-03506-2` - `10.1038/s41586-023-06094-5` - `10.1038/s41586-023-06443-4` - `10.1038/s41591-021-01480-w` - `10.1038/s41593-019-0488-y` - `10.1038/s41593-021-00997-0` - `10.1038/s41593-023-01500-7` - `10.1038/s41597-020-0535-2` - `10.1038/s41597-021-00883-1` - `10.1038/s41598-018-21717-y` - `10.1038/s41598-018-36326-y` - `10.1038/s41598-019-43594-9` - `10.1038/s41598-024-60277-2` - `10.1038/sdata.2018.74` - `10.1038/srep38565` - `10.1056` - `10.1056/NEJMoa1608085` - `10.1073` - `10.1073/pnas.0403504101` - `10.1073/pnas.1508080112` - `10.1073/pnas.1817207116` - `10.1073/pnas.2201128119` - `10.1088` - `10.1088/1741-2552/aa8911` - `10.1088/1741-2552/aa8ce3` - `10.1088/1741-2552/aace8c` - `10.1088/1741-2552/aaf3f6` - `10.1088/1741-2552/ab377d` - `10.1088/1741-2552/ab4af6` - `10.1088/1741-2552/ab4dc6` - `10.1088/1741-2552/ab7490` - `10.1088/1741-2552/ab882e` - `10.1088/1741-2552/ab9842` - `10.1088/1741-2552/aba162` - `10.1088/1741-2552/aba6f7` - `10.1088/1741-2552/aba7cd` - `10.1088/1741-2552/abb3b3` - `10.1088/1741-2552/abb5be` - `10.1088/1741-2552/abc0b4` - `10.1088/1741-2552/abf8cb` - `10.1088/1741-2552/ac028b` - `10.1088/1741-2552/ac0584` - `10.1088/1741-2552/ac0b52` - `10.1088/1741-2552/ac0bfa` - `10.1088/1741-2552/ac689f` - `10.1088/1741-2552/ac6ae5` - `10.1088/1741-2552/ac8dc5` - `10.1088/1741-2552/aca220` - `10.1088/1741-2552/ad152f` - `10.1088/1741-2560/1/2/001` - `10.1088/1741-2560/1/3/002` - `10.1088/1741-2560/10/4/046003` - `10.1088/1741-2560/10/5/056015` - `10.1088/1741-2560/11/3/035011` - `10.1088/1741-2560/12/3/036007` - `10.1088/1741-2560/12/5/056013` - `10.1088/1741-2560/13/6/065002` - `10.1088/1741-2560/5/3/007` - `10.1088/1741-2560/7/2/026001` - `10.1088/1741-2560/7/3/036007` - `10.1088/1741-2560/8/2/025015` - `10.1088/1741-2560/8/6/066009` - `10.1093` - `10.1093/cercor/bhaa234` - `10.1093/cercor/bhw033` - `10.1093/pnasnexus/pgae145` - `10.1109` - `10.1109/ACCESS.2018.2809453` - `10.1109/EMBC.2012.6346296` - `10.1109/JBHI.2021.3059686` - `10.1109/JBHI.2021.3131104` - `10.1109/JBHI.2023.3239053` - `10.1109/RBME.2024.3449790` - `10.1109/TBCAS.2019.2929053` - `10.1109/TBCAS.2022.3198265` - `10.1109/TBME.2004.827062` - `10.1109/TBME.2004.827072` - `10.1109/TBME.2007.903709` - `10.1109/TBME.2010.2047259` - `10.1109/TBME.2011.2172210` - `10.1109/TBME.2011.2174637` - `10.1109/TBME.2014.2312397` - `10.1109/TBME.2015.2467312` - `10.1109/TBME.2018.2872855` - `10.1109/TBME.2019.2942974` - `10.1109/TBME.2020.2975614` - `10.1109/TBME.2020.3005518` - `10.1109/TBME.2022.3187085` - `10.1109/TBME.2023.3298957` - `10.1109/TCYB.2021.3122969` - `10.1109/TNNLS.2018.2789927` - `10.1109/TNNLS.2020.3016666` - `10.1109/TNNLS.2022.3202569` - `10.1109/TNNLS.2023.3236635` - `10.1109/TNNLS.2023.3243339` - `10.1109/TNNLS.2023.3287181` - `10.1109/TNSRE.2003.810426` - `10.1109/TNSRE.2005.847386` - `10.1109/TNSRE.2008.2003384` - `10.1109/TNSRE.2010.2076364` - `10.1109/TNSRE.2010.2077654` - `10.1109/TNSRE.2014.2333541` - `10.1109/TNSRE.2014.2375879` - `10.1109/TNSRE.2018.2817924` - `10.1109/TNSRE.2018.2855053` - `10.1109/TNSRE.2019.2900725` - `10.1109/TNSRE.2019.2953975` - `10.1109/TNSRE.2020.2978951` - `10.1109/TNSRE.2020.2998123` - `10.1109/TNSRE.2020.3005771` - `10.1109/TNSRE.2020.3038209` - `10.1109/TNSRE.2021.3102304` - `10.1109/TNSRE.2021.3106897` - `10.1109/TNSRE.2022.3144169` - `10.1109/TNSRE.2022.3150007` - `10.1109/TNSRE.2022.3156661` - `10.1109/TNSRE.2022.3186442` - `10.1109/TNSRE.2022.3194600` - `10.1109/TNSRE.2022.3208717` - `10.1109/TNSRE.2022.3209155` - `10.1109/TNSRE.2022.3219418` - `10.1109/TNSRE.2022.3230250` - `10.1109/TNSRE.2023.3299350` - `10.1109/TPAMI.2010.125` - `10.1109/TPAMI.2023.3308189` - `10.1109/TUFFC.2022.3162836` - `10.1109/TVCG.2018.2873737` - `10.1109/jproc.2015.2407272` - `10.1109/thms.2020.2983848` - `10.1111` - `10.1111/ejn.14965` - `10.1111/psyp.13767` - `10.1126` - `10.1126/science.abd0380` - `10.1126/scirobotics.aaw6844` - `10.1126/scitranslmed.aac7328` - `10.1136` - `10.1136/neurintsurg-2020-016862` - `10.1142` - `10.1142/S233954781450023X` - `10.1146` - `10.1146/annurev-bioeng-062117-120853` - `10.1152` - `10.1152/jn.00028.2021` - `10.1152/jn.00466.2018` - `10.1152/jn.00587.2002` - `10.1155` - `10.1155/2009/104180` - `10.1155/2011/156869` - `10.1155/2011/363565` - `10.1155/2011/879716` - `10.1155/2011/935364` - `10.1155/2020/8882764` - `10.1161` - `10.1161/STROKEAHA.107.505313` - `10.1186` - `10.1186/1475-925X-9-64` - `10.1186/1743-0003-11-153` - `10.1186/1743-0003-11-7` - `10.1186/s12938-015-0087-4` - `10.1186/s12938-019-0633-6` - `10.1186/s12984-023-01185-w` - `10.1371` - `10.1371/journal.pbio.2003787` - `10.1371/journal.pbio.3000729` - `10.1371/journal.pbio.3002664` - `10.1371/journal.pone.0026322` - `10.1371/journal.pone.0051077` - `10.1371/journal.pone.0055344` - `10.1371/journal.pone.0098019` - `10.1371/journal.pone.0131759` - `10.1371/journal.pone.0182578` - `10.1371/journal.pone.0213516` - `10.1515` - `10.1515/BMT.2006.011` - `10.1523` - `10.1523/JNEUROSCI.1739-16.2016` - `10.1523/JNEUROSCI.5312-10.2011` - `10.1523/JNEUROSCI.6107-09.2010` - `10.2011` - `10.21105` - `10.21105/joss.05706` - `10.2196` - `10.2196/16194` - `10.3217` - `10.3217/978-3-85125-682-6-19` - `10.3217/978-3-85125-826-4-22` - `10.3389` - `10.3389/fnbot.2019.00023` - `10.3389/fncom.2023.1120566` - `10.3389/fneng.2014.00035` - `10.3389/fnhum.2019.00210` - `10.3389/fnhum.2019.00244` - `10.3389/fnhum.2019.00329` - `10.3389/fnhum.2021.773603` - `10.3389/fnhum.2022.898300` - `10.3389/fninf.2013.00040` - `10.3389/fnins.2016.00359` - `10.3389/fnins.2020.584971` - `10.3389/fnins.2020.591435` - `10.3389/fnins.2021.684547` - `10.3389/fnins.2021.778488` - `10.3389/fnins.2022.913027` - `10.3389/fnpro.2010.00003` - `10.3390` - `10.3390/jcm11092300` - `10.3390/s21051613` - `10.3758` - `10.3758/s13428-018-01193-y` - `10.3791` - `10.3791/1319` - `0` - `00` - `000` - `00019` - `00028.2021` - `0003` - `00057` - `000729` - `001` - `00119` - `0013` - `00141` - `002` - `0026322` - `002664` - `003` - `003787` - `004` - `00466.2018` - `005` - `0051077` - `0055344` - `00587.2002` - `006` - `00697` - `007` - `00736` - `008` - `0087` - `00883` - `00889` - `009` - `00947` - `0098019` - `00997` - `01` - `01185` - `01193` - `0131759` - `01471` - `01480` - `015` - `01500` - `016005` - `016007` - `016009` - `016048` - `016066` - `0164333` - `016862` - `016873` - `018` - `0182578` - `019` - `02` - `020` - `021` - `0213516` - `021840` - `022` - `0221` - `023` - `0232367` - `024` - `025015` - `026001` - `026002` - `026007` - `03` - `035011` - `03506` - `036005` - `036007` - `036010` - `036745` - `037732` - `04` - `0403504101` - `041001` - `041920` - `046003` - `046011` - `046029` - `046031` - `046045` - `046079` - `046082` - `046094` - `046095` - `0488` - `05` - `052501` - `0535` - `056013` - `056014` - `056015` - `056017` - `056027` - `05706` - `0572` - `058` - `0595` - `06` - `0600255` - `06094` - `061298` - `062117` - `0633` - `06443` - `064966` - `065002` - `066006` - `066009` - `066012` - `066020` - `067` - `07` - `0774125` - `079` - `08` - `0803074` - `0826467` - `082720` - `09` - `09.2010` - `090754` - `09103` - `09263` - `099` - `1` - `1.0` - `10` - `100` - `100%` - `100012` - `100379` - `10081` - `101` - `102` - `102542` - `102937` - `103` - `1034` - `1037` - `103855` - `104` - `104079` - `104180` - `1043` - `1046` - `105` - `1051613` - `105283` - `1053081` - `105418` - `105491` - `10576479` - `106` - `1060102` - `106108` - `10698` - `107` - `107.505313` - `10712` - `107323` - `107357` - `1076` - `1077` - `108` - `10840` - `10849` - `108885` - `109` - `1092300` - `109751` - `11` - `110` - `11018314` - `111` - `1112` - `1119` - `112` - `1120566` - `1122` - `1123` - `11285` - `11294` - `113` - `1134` - `113411` - `1137` - `114` - `115` - `1154` - `116` - `1167030` - `11671` - `11681` - `117` - `117000` - `118` - `11801423` - `1182` - `1185485` - `11861396` - `119` - `1190` - `119363` - `11950506` - `119774` - `12` - `12%` - `120` - `120144` - `12048038` - `120853` - `121` - `1219029` - `122` - `123` - `124` - `125` - `126` - `12668257` - `127` - `1272850` - `1273` - `1274` - `12797728` - `128` - `1280` - `1283` - `129` - `1293` - `13` - `130` - `131` - `131759` - `1319` - `132` - `13279` - `1329` - `13292` - `133` - `134` - `1341` - `135` - `136` - `13679402` - `137` - `13767` - `138` - `139` - `14` - `140` - `141` - `1413` - `142` - `1425` - `142625` - `1427` - `143` - `143161` - `1435` - `144` - `145` - `14550907` - `145578` - `146` - `1465` - `1467` - `147` - `1475` - `148` - `149` - `14965` - `15` - `150` - `1505` - `1508080112` - `1509` - `151` - `15102499` - `1517` - `15188868` - `15188875` - `152` - `15217` - `153` - `154` - `155` - `1551` - `155290` - `1554` - `15585584` - `156` - `15604` - `15618` - `1564` - `1566` - `156869` - `157` - `157750` - `15781` - `15781150` - `158` - `1583` - `1586` - `15876624` - `15876632` - `159` - `1591` - `15911143` - `1592` - `1593` - `1596` - `1597` - `1598` - `16` - `16.2016` - `160` - `1600` - `16003895` - `1608` - `161` - `1613` - `1614` - `161621` - `16194` - `162` - `1621` - `1622` - `1626` - `163` - `163299` - `1635` - `164` - `16461003` - `164761` - `165` - `166` - `167` - `168` - `1684` - `16876476` - `169` - `16915766` - `1695` - `1696` - `17` - `170` - `1700` - `1705.07490` - `17071233` - `171` - `1714` - `172` - `17229403` - `1726` - `173` - `1739` - `174` - `1741` - `1743` - `1744` - `175` - `1755` - `176` - `1766` - `177` - `1771` - `17713` - `1775` - `178` - `1780` - `17849` - `1785` - `17854` - `1786` - `1788` - `179` - `1797` - `18` - `180` - `181` - `1817207116` - `181775` - `182` - `1821` - `182578` - `18258825` - `18270004` - `183` - `1830` - `1835` - `1839` - `184` - `1842` - `185` - `1857` - `18571984` - `18592230` - `186` - `1861396` - `187` - `187162` - `18756030` - `18783` - `188` - `189` - `18990646` - `19` - `190` - `1908` - `1909` - `191` - `1916` - `192` - `193` - `194` - `19421415` - `1946` - `195` - `19535289` - `19545601` - `196` - `1964` - `19641479` - `197` - `1977` - `198` - `19850134` - `1988` - `199` - `1997` - `1998` - `1999` - `2` - `20` - `200` - `2000` - `2001` - `2002` - `2003` - `2003.10.009` - `2003.810426` - `2003787` - `2004` - `2004.12.034` - `2004.827062` - `2004.827072` - `200433` - `2005` - `2005.03.021` - `2005.06.027` - `2005.847386` - `20052556` - `2006` - `2006.011` - `2006.04.025` - `2006.12.052` - `2007` - `2007.903709` - `2008` - `2008.03.034` - `2008.2003384` - `2009` - `2009.05.006` - `2009.06.045` - `2009.10.028` - `201` - `2010` - `2010.00003` - `2010.05.012` - `2010.125` - `2010.2047259` - `2010.2076364` - `2010.2077654` - `2011` - `2011.2172210` - `2011.2174637` - `201128119` - `2012` - `2012.01.013` - `2012.6346296` - `2013` - `2013.00040` - `2013.10.027` - `2014` - `2014.00035` - `2014.05.003` - `2014.12.001` - `2014.2312397` - `2014.2333541` - `2014.2375879` - `2015` - `2015.2407272` - `2015.2467312` - `2016` - `2016.00359` - `2016.04.017` - `2016.07.003` - `20168002` - `201684` - `2017` - `2018` - `2018.07.055` - `2018.2789927` - `2018.2809453` - `2018.2817924` - `2018.2855053` - `2018.2872855` - `2018.2873737` - `2018.74` - `2019` - `2019.00023` - `2019.00210` - `2019.00244` - `2019.00329` - `2019.2900725` - `2019.2929053` - `2019.2942974` - `2019.2953975` - `202` - `2020` - `2020.01.017` - `2020.104079` - `2020.108885` - `2020.117000` - `2020.12.013` - `2020.2975614` - `2020.2978951` - `2020.2983848` - `2020.2998123` - `2020.3005518` - `2020.3005771` - `2020.3016666` - `2020.3038209` - `2020.584971` - `2020.591435` - `20203202` - `2021` - `2021.03.003` - `2021.3059686` - `2021.3102304` - `2021.3106897` - `2021.3122969` - `2021.3131104` - `2021.684547` - `2021.773603` - `2021.778488` - `2022` - `2022.105418` - `2022.119363` - `2022.119774` - `2022.3144169` - `2022.3150007` - `2022.3156661` - `2022.3162836` - `2022.3186442` - `2022.3187085` - `2022.3194600` - `2022.3198265` - `2022.3202569` - `2022.3208717` - `2022.3209155` - `2022.3219418` - `2022.3230250` - `2022.4847` - `2022.898300` - `2022.913027` - `2023` - `2023.04.045` - `2023.05.033` - `2023.107323` - `2023.107357` - `2023.1120566` - `2023.120144` - `2023.3236635` - `2023.3239053` - `2023.3243339` - `2023.3287181` - `2023.3298957` - `2023.3299350` - `2023.3308189` - `2024` - `2024.106108` - `2024.3449790` - `2025` - `202533` - `203` - `204` - `20403781` - `20460690` - `205` - `2052501` - `20541462` - `20567055` - `20582271` - `206` - `2060` - `2066` - `207` - `208` - `20875978` - `20876032` - `209` - `20979665` - `21` - `210` - `2104.01233` - `211` - `212` - `21253357` - `2126` - `213` - `213516` - `2136` - `214` - `21436527` - `21437227` - `215` - `21584256` - `216` - `21687575` - `217` - `21715623` - `21717` - `218` - `2185` - `219` - `219871` - `22` - `220` - `2200` - `22010143` - `2201128119` - `22027549` - `22046274` - `221` - `22194230` - `222` - `223` - `22349305` - `224` - `225` - `22596161` - `226` - `227` - `228` - `229` - `23` - `230` - `2300` - `231` - `232` - `23236433` - `233` - `23366257` - `234` - `23405137` - `2341` - `235` - `2356` - `236` - `237` - `23730` - `23735712` - `238` - `239` - `23986024` - `24` - `240` - `241` - `24161808` - `2417` - `242` - `2427` - `243` - `24390` - `24399965` - `244` - `24428900` - `245` - `24564` - `2457` - `246` - `2461285` - `247` - `24759276` - `247645` - `248` - `24835837` - `249` - `24910150` - `24950192` - `25` - `250` - `25014960` - `251` - `252` - `25221505` - `253` - `25398273` - `254` - `25474811` - `255` - `2552` - `25533310` - `256` - `2560` - `257` - `25712802` - `258` - `259` - `25915773` - `2596` - `26` - `260` - `26001643` - `2606` - `26086029` - `261` - `26177457` - `262` - `26276986` - `263` - `26305233` - `264` - `26439` - `26483479` - `26489759` - `265` - `26560357` - `266` - `267` - `268` - `26854476` - `269` - `26984895` - `27` - `270` - `271` - `272` - `273` - `274` - `275` - `27522166` - `27536214` - `27590965` - `276` - `2764` - `277` - `2772` - `27739405` - `278` - `27849` - `27852775` - `279` - `27959736` - `27966546` - `28` - `280` - `281` - `282` - `2824` - `283` - `2833` - `28363483` - `284` - `285` - `286` - `2863` - `286357` - `286886` - `287` - `28782865` - `28797109` - `288` - `2881` - `28853420` - `2887` - `289` - `28914232` - `2894` - `29` - `290` - `291` - `292` - `293` - `29354` - `2938` - `294` - `29463870` - `29494213` - `295` - `296` - `29688217` - `297` - `29746465` - `29752228` - `298` - `2984` - `299` - `29932424` - `29994075` - `3` - `30` - `300` - `30004882` - `3000729` - `3002664` - `30056196` - `301` - `302` - `30271700` - `30281428` - `302856` - `30295623` - `303` - `30321` - `304` - `305` - `305171` - `30524056` - `30532058` - `305984` - `306` - `30601` - `307` - `30726164` - `3073` - `30734206` - `30744661` - `308` - `30802869` - `3082` - `30862731` - `30883569` - `309` - `31` - `310` - `31019317` - `31069` - `31073142` - `311` - `31116` - `31129` - `312` - `31214009` - `31275126` - `313` - `31331897` - `31354460` - `31365911` - `314` - `3140` - `3147` - `315` - `31545707` - `31551595` - `31585454` - `31587955` - `316` - `31614342` - `31616269` - `3163` - `31642810` - `31656937` - `317` - `3175` - `31751279` - `318` - `319` - `32` - `320` - `32018158` - `32048612` - `32149621` - `32149645` - `32272464` - `323` - `32327635` - `323842` - `324` - `32480381` - `32497788` - `32511238` - `32561769` - `32613947` - `32634098` - `326682` - `32679573` - `327` - `32745492` - `32746042` - `32746309` - `32747834` - `32780720` - `328` - `32841127` - `329` - `32909315` - `32965471` - `33` - `33049729` - `33055386` - `331` - `33115813` - `33126130` - `33146148` - `33192277` - `33196442` - `332249` - `33401114` - `33414824` - `33433019` - `3350` - `33551719` - `33591923` - `336` - `33611` - `33668950` - `33756104` - `33777542` - `33795705` - `33862607` - `3395478145002` - `33978487` - `33981047` - `34` - `340` - `34016775` - `34038873` - `34096888` - `34130267` - `34134091` - `34155354` - `342` - `3428` - `3432` - `34334804` - `34343094` - `3437` - `344` - `34428142` - `3447` - `3449790` - `3451` - `346` - `34608328` - `34650398` - `34748509` - `348` - `34826300` - `34949983` - `35` - `35041607` - `351` - `35102333` - `35103` - `35133966` - `35140593` - `351497` - `352` - `35259107` - `353` - `35353699` - `35443233` - `354666` - `35477130` - `35566424` - `35688315` - `357` - `35720707` - `35759578` - `35767496` - `35881787` - `359` - `35914032` - `35937679` - `35951572` - `36` - `36041426` - `36099220` - `36136927` - `36155481` - `36326` - `36331634` - `36347863` - `363565` - `36368035` - `36566924` - `36590466` - `36622685` - `36693292` - `368` - `36874240` - `369` - `37` - `37015413` - `37021989` - `37022001` - `37027653` - `37121373` - `37149621` - `371594` - `372` - `37209444` - `37225984` - `37301505` - `37379192` - `374` - `37494151` - `37498753` - `375` - `37612505` - `37619325` - `37639415` - `3767` - `378` - `37880210` - `379` - `38` - `380` - `38036744` - `38091617` - `382` - `38219680` - `3822` - `3830` - `3843` - `385` - `38565` - `38671062` - `38689706` - `388` - `38829885` - `38862476` - `389` - `39` - `392` - `393` - `3940` - `396` - `4` - `4.0` - `40` - `4039` - `4051` - `41` - `411` - `413` - `416` - `42` - `420413` - `421` - `422328` - `42338` - `424` - `425` - `426` - `43` - `431` - `431149` - `433` - `43594` - `436` - `438` - `4382` - `44` - `440` - `4422` - `442591` - `445` - `446` - `45` - `453` - `459` - `46` - `460` - `460405` - `462` - `465229` - `467` - `4694` - `47` - `471` - `473` - `474` - `48` - `482` - `485` - `485743` - `48576` - `486` - `4899` - `49` - `490` - `4913` - `4924` - `493` - `494` - `494966` - `498` - `5` - `50` - `503564` - `504` - `505714` - `5082454` - `509331` - `51` - `510` - `515` - `516430` - `516547` - `517594` - `52` - `521` - `523` - `53` - `5312` - `532` - `533` - `534` - `5344` - `538` - `5391` - `54` - `54%` - `5420` - `545` - `548` - `55` - `552335` - `554428` - `5547` - `5557` - `56` - `5619` - `5629` - `563` - `566209` - `568` - `56869` - `57` - `5706` - `575` - `579` - `58` - `580` - `581` - `584` - `584971` - `589` - `59` - `59014` - `591435` - `593` - `593205` - `594` - `597339` - `6` - `60` - `602` - `60277` - `608` - `608085` - `61` - `6107` - `6123` - `618` - `618360` - `6194` - `62` - `620` - `626531` - `63` - `63130` - `6322` - `634107` - `635` - `63565` - `637` - `637378` - `639798` - `64` - `640776` - `640850` - `640937` - `643551` - `644` - `6482` - `6490` - `65` - `6510` - `652` - `6544` - `655781` - `66` - `67` - `6736` - `6737` - `675` - `676319` - `6793` - `67933` - `68` - `682` - `684547` - `688841` - `69` - `691` - `692` - `699` - `7` - `70` - `70%` - `705645` - `71` - `710` - `7134` - `714519` - `715714` - `716869` - `719` - `72` - `7273` - `727383` - `7285` - `73` - `7312` - `7323` - `7398` - `74` - `75` - `750` - `752268` - `754` - `76` - `765319` - `767` - `77` - `773603` - `775193` - `7753` - `778488` - `78` - `785` - `7858` - `79` - `791` - `7963` - `79716` - `7976` - `798` - `7e2535` - `7e5` - `8` - `80` - `80%` - `8010` - `801246` - `8019` - `804` - `80804` - `81` - `813` - `814169` - `817` - `818527` - `818858` - `82` - `820322` - `821060` - `82152` - `826` - `83` - `831` - `834` - `836` - `839680` - `84` - `841` - `842` - `8421` - `844` - `8440` - `848062` - `85` - `850` - `851` - `85125` - `852` - `853977` - `8565` - `857731` - `858648` - `859` - `86` - `865` - `867` - `869816` - `87` - `871959` - `876` - `879716` - `88` - `8882764` - `89` - `891647` - `898245` - `898300` - `8e3` - `9` - `90` - `900251` - `90149` - `902` - `90235` - `907` - `907523` - `91` - `910` - `911` - `913027` - `914` - `914248` - `914288` - `917` - `9176952` - `92` - `920` - `925` - `926` - `9271` - `928` - `93` - `930851` - `935364` - `936` - `94` - `941524` - `943` - `944920` - `945182` - `9469657` - `947` - `95` - `956207` - `9585` - `9593` - `96` - `9617` - `967415` - `96761` - `97` - `971110` - `9773` - `978` - `978105` - `9786` - `979` - `98` - `984` - `987782` - `99` - `990128` - `996` - `>1` - `>10` - `>10.1109` - `>100` - `>101` - `>102` - `>103` - `>104` - `>105` - `>106` - `>107` - `>108` - `>109` - `>11` - `>110` - `>111` - `>112` - `>113` - `>114` - `>115` - `>116` - `>117` - `>118` - `>11861396` - `>119` - `>12` - `>120` - `>121` - `>122` - `>123` - `>124` - `>125` - `>126` - `>127` - `>128` - `>129` - `>13` - `>130` - `>131` - `>132` - `>133` - `>134` - `>135` - `>136` - `>137` - `>138` - `>139` - `>14` - `>140` - `>141` - `>142` - `>143` - `>144` - `>145` - `>146` - `>147` - `>148` - `>149` - `>15` - `>150` - `>151` - `>152` - `>153` - `>154` - `>155` - `>156` - `>157` - `>158` - `>159` - `>16` - `>160` - `>161` - `>162` - `>163` - `>164` - `>165` - `>166` - `>167` - `>168` - `>169` - `>17` - `>170` - `>171` - `>172` - `>173` - `>174` - `>175` - `>176` - `>177` - `>178` - `>179` - `>18` - `>180` - `>181` - `>182` - `>183` - `>184` - `>185` - `>186` - `>187` - `>188` - `>189` - `>19` - `>190` - `>191` - `>192` - `>193` - `>194` - `>195` - `>196` - `>197` - `>198` - `>199` - `>2` - `>20` - `>200` - `>201` - `>202` - `>203` - `>204` - `>205` - `>206` - `>207` - `>208` - `>209` - `>21` - `>210` - `>211` - `>212` - `>213` - `>214` - `>215` - `>216` - `>217` - `>218` - `>219` - `>22` - `>220` - `>221` - `>222` - `>223` - `>224` - `>225` - `>226` - `>227` - `>228` - `>229` - `>23` - `>230` - `>231` - `>232` - `>233` - `>234` - `>235` - `>236` - `>237` - `>238` - `>239` - `>24` - `>240` - `>241` - `>242` - `>243` - `>244` - `>245` - `>246` - `>247` - `>248` - `>249` - `>25` - `>250` - `>251` - `>252` - `>253` - `>254` - `>255` - `>256` - `>257` - `>258` - `>259` - `>26` - `>260` - `>261` - `>262` - `>263` - `>264` - `>265` - `>266` - `>267` - `>268` - `>269` - `>27` - `>270` - `>271` - `>272` - `>273` - `>274` - `>275` - `>276` - `>277` - `>278` - `>279` - `>28` - `>280` - `>281` - `>282` - `>283` - `>284` - `>285` - `>286` - `>287` - `>288` - `>289` - `>29` - `>290` - `>291` - `>292` - `>293` - `>294` - `>295` - `>296` - `>297` - `>298` - `>299` - `>3` - `>30` - `>300` - `>301` - `>302` - `>303` - `>304` - `>305` - `>306` - `>307` - `>308` - `>309` - `>31` - `>310` - `>311` - `>312` - `>313` - `>314` - `>315` - `>316` - `>317` - `>318` - `>319` - `>32` - `>33` - `>34` - `>35` - `>36` - `>37` - `>38` - `>39` - `>39186407` - `>4` - `>40` - `>41` - `>42` - `>43` - `>44` - `>45` - `>46` - `>47` - `>48` - `>49` - `>5` - `>50` - `>51` - `>52` - `>53` - `>54` - `>55` - `>56` - `>57` - `>58` - `>59` - `>6` - `>60` - `>61` - `>62` - `>63` - `>64` - `>65` - `>66` - `>67` - `>68` - `>69` - `>7` - `>70` - `>71` - `>72` - `>73` - `>74` - `>75` - `>76` - `>77` - `>78` - `>79` - `>8` - `>80` - `>81` - `>82` - `>83` - `>84` - `>85` - `>86` - `>87` - `>88` - `>89` - `>9` - `>90` - `>91` - `>92` - `>93` - `>94` - `>95` - `>96` - `>97` - `>98` - `>99` - `~1` - `~2`