一、脑机接口的基本概念
脑机接口在大脑与外部设备之间建立了一条直接的通信链路，使神经信号能够控制外部装置，同时外部装置也能向大脑提供反馈。这一技术在帮助肌萎缩侧索硬化症、脑干卒中和脊髓损伤等严重神经疾病患者恢复对外界的控制能力方面展现出巨大潜力。一个完整的脑机接口系统由三个核心环节构成：信号采集、信号解析与处理、设备控制输出。
二、信号采集方式的分类
根据电极植入的深度和侵入性程度，脑电信号采集可分为四种主要类型。
侵入式：通过开颅手术将电极阵列直接植入大脑皮层灰质或放置于皮层表面。该方式记录两类核心信号------局部场电位和动作电位。前者反映神经元群体的同步电活动，后者记录单个神经元的放电脉冲。侵入式方法具有最高的信噪比，信号质量可比非侵入式记录高出20至100倍，但伴随免疫排斥、术后感染和永久性神经损伤等风险。
半侵入式：电极放置于颅骨内壁与大脑皮层之间的硬脑膜或蛛网膜上，典型代表为皮层脑电图。ECoG的信号质量显著优于头皮记录，且无需直接刺入脑组织，在信号保真度和安全性之间取得了较好的平衡。
非侵入式：电极安装在头皮表面，操作安全便捷，但信号受颅骨衰减影响，空间分辨率较低。主要技术手段包括：
-
脑电图：通过头皮电极记录脑电的时域和频域信息，时间分辨率高
-
脑磁图：利用超导量子干涉器件检测大脑产生的微弱磁场
-
功能磁共振成像：通过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：通过注射放射性示踪剂追踪脑区代谢
-
功能性近红外光谱：利用近红外光检测脑内血氧含量变化
介入式：近年出现的新型采集方式，通过血管介入技术将电极经静脉送入脑内血管壁采集信号，无需开颅手术，兼具较低创伤和较高的信号质量。
三、信号处理流程
脑电图信号处理通常包含预处理、特征提取和特征分类三个阶段。
（一）预处理
原始脑电信号幅值微弱（微伏级），易受工频干扰、基线漂移和生理伪迹（眼电、肌电、心电）污染。预处理的目标是抑制噪声、增强目标信号。关键步骤包括：带通滤波提取特定频段（δ、θ、α、β、γ）、选择合适参考电极降低共模干扰、通过回归分析或独立成分分析剔除眼电和肌电伪迹。
（二）特征提取方法
时域方法：直接分析波形的几何特征，包括波幅、峰值潜伏期、过零点率和方差等参数。优点在于信息失真度低、物理意义明确。
频域方法：通过功率谱密度估计和傅里叶变换提取节律活动的频域特征。不同频段的能量分布反映了不同的认知状态------α波与放松相关，β波与警觉相关，θ波与注意力相关。
时频联合分析：同时解析信号的时间和频率属性，常用短时傅里叶变换和小波变换，特别适用于处理脑电这类非平稳信号。
空域分析：不同思维任务激活不同的脑区网络，通过对多导联信号的空间投影提取判别性特征。主成分分析用于降维，共空间模式专门针对二分类任务设计，可最大化两类信号的方差差异。
时空分析：综合提取多导联信号在时间和空间维度的隐含特征，常用方法包括时空成分分析和多元自回归模型。
深度特征学习：通过卷积神经网络等深度架构自动学习原始信号的层次化表征，实现端到端的特征提取与分类，近年已成为BCI领域的主流方法之一。
（三）特征分类
特征分类将提取到的神经特征映射为离散的意图类别。常用分类器包括：
-
线性判别分析：计算简单、训练快速，适用于小样本场景
-
支持向量机：通过核函数处理非线性问题，泛化能力较强
-
K近邻：基于距离度量的非参数方法
-
卷积神经网络与长短期记忆网络：擅长处理时序和空间特征
-
集成学习：组合多个弱分类器提升整体性能
四、分类器性能评价指标
离线评估中最核心的指标是分类准确率，反映了模型对已知数据的判别能力。但对于在线实时系统，还需要综合考量：计算速度（决定系统响应延迟）、泛化能力（对新数据的适应程度）、模型简洁性与可解释性（便于调试和临床接受度）。在线场景下，通常优先选择泛化能力强且计算开销小的分类器。
五、总结与展望
脑机接口系统构成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、重参考、伪迹去除）→ 特征提取（时域/频域/时频/空域/时空/深度学习方法）→ 特征分类（LDA/SVM/神经网络/集成学习等）→ 输出驱动外部设备。脑电图因其成本可控、时间分辨率优越和操作便捷，在非侵入式脑机接口中应用最为广泛。
当前领域正朝着高精度、低延迟、长时稳定和便携化方向发展。深度学习的引入显著提升了端到端的解码能力，介入式技术的进步正在降低手术风险。未来，脑机接口有望在更广泛的医疗康复、神经调控和人机交互场景中落地应用。