基于耳-脑电图的脑机接口研究进展

脑机接口社区 2023-02-08

头皮-脑电图(EEG)常被用来开发脑机接口(BCI)系统。近年来，记录在耳朵周围或内部的脑电图被称为ear-EEG，被频繁地用于开发实用的脑机接口系统，并且之前的许多研究已经证明了其在性能和长期使用方面的可行性。

在本研究中，韩国高丽大学(Korea University)研究人员Han-Jeong Hwang将介绍基于耳-脑电图的 BCI 开发的最新进展，包括其实验室进行的几项研究。研究人员还讨论未来基于耳-脑电图的脑机接口技术的挑战和机遇。

耳-脑电图简介

脑-机接口(BCI)系统采用多种神经成像方法，其中脑电图(EEG)由于其高时间分辨率和便携性而成为最常用的脑-机接口系统。近年来，耳朵周围或耳朵内部的脑电图(ear-EEG)开始被用于开发实用的脑机接口系统。

到目前为止，基于耳-脑电图的脑机接口的可行性已经在性能、设置时间和长期使用等方面得到了很多研究的证实。

图1 scalp-EEG和ear-EEG的电极位置

以往的脑机接口大多采用外部刺激诱发的脑电图，如稳态诱发电位(SSEP)和事件相关电位(ERP)。一些基于耳-脑电的脑机接口研究在认知心理任务中使用了自我调节脑电，如运动想象(MI)和心算(mental arithmetic, MA)。

在我们最近的研究中，我们验证了使用耳-脑电图开发内源性BCI系统的可行性，我们将 MA 与静息状态区分开来，其性能与头皮脑电图的性能相当。我们还研究了基于耳-脑电图的 BCI 系统的最佳重新参考方法，并确认对侧平均信息作为参考信号最有用。此外，我们目前正在实施基于耳-脑电图的实时 BCI 系统，以检查其在在线环境中的可行性，并尝试使用深度学习算法提高基于耳-脑电图的 BCI 系统的性能。

在本次报告中，我将详细介绍基于耳-脑电图的脑机接口的最新进展以及我实验室进行的一些相关研究。我还将讨论基于耳-脑电图的脑机接口的未来研究方向。

在我们最近的研究中，我们验证了使用耳-脑电开发内源性BCI系统的可行性，在此研究中，我们以与头皮-脑电相当的性能，将MA与静息状态区分开来。我们还研究了基于耳-脑电图的脑机接口系统的最佳重参考方法，并证实对侧平均信息作为参考信号是最有用的。此外，我们目前正在实现一个基于耳-脑电图的实时脑机接口系统，以检验其在在线环境下的可行性，并尝试使用深度学习算法提高基于耳-脑电图的脑机接口系统的性能。

基于耳-脑电图(Ear-EEG)的脑机接口

本节将介绍一些之前在我的实验室进行的基于耳-脑电图的BCI研究

图2 4个感兴趣区域的分类精度

A. 基于内源性耳-脑电图的BCI

在 [2] 中，我们研究了使用耳-脑电图开发BCI的可行性，我们记录了双耳后面的耳-脑电图，并与传统的头皮-脑电图进行比较(图1脑电图电极位置)。在实验中，18名受试者执行 MA 和基线任务(BL，静息状态)，我们评估了额、中、枕、耳四个感兴趣区域(ROI)的分类准确率(图1)。结果，耳-脑电图的平均分类准确率为78.36%。尽管耳-脑电图的相对表现低于头皮脑电图，但与头皮脑电图的表现相当，没有显著差异(图2)。基于该结果，我们可以证明使用耳-脑电图开发内源性脑机接口系统的可行性。

图3 5种重参考方法

B. 不同重参考方法的影响

参考部位，如乳突、耳垂或鼻子，通常被用来测量头皮-脑电图，因为这些部位的电位相对于记录位置来说相对较弱。在记录耳-脑电图时，由于设备结构的小型化，参考位置受到限制。利用[2]中使用的相同数据集，我们系统地研究了不同的重参考方法对基于耳-脑电图的脑机接口性能的影响。我们测试了5种不同的重参考方法(图3)，并证实了使用对侧脑电图平均值的对侧平均参考方法相对于记录脑电图的整体优势;使用对侧均值方法获得了较高的信噪比和分类性能。

C. 基于实时耳-脑电图的BCI

在前人研究的基础上，我们实现了一个基于耳-脑电的在线脑机接口系统。每个受试者在三天内进行了三次实验。在实验第1天，我们采用离线实验的方式，分别进行了MA、BL和word association (WA)三种智力任务，并根据分类成绩选择两种智力任务的最优组合。在实验的第二天和第三天，分别对每个受试者选择最优的智力任务进行在线实验，调查已实现的在线脑机接口系统的重测可靠性。不过平均在线性能低于70%，这对于2类BCI来说是可以接受的分类准确率，因此我们目前正在使用深度学习算法进行伪在线分析，以提高分类性能。

图4 睁眼和闭眼分类精度

D.睁眼和闭眼状态的分类

我们证实，从耳-脑电图 [2](图4)也可以清楚地观察到在闭眼期间诱导的α活性显着增加。基于这个结果，我们尝试使用耳-脑电图自动分类睁眼(EO)和闭眼(EC)，为此我们测量了耳-脑电图，同时30名受试者执行EO和EC任务10秒，30次使用传统的机器学习方法（线性判别分析）获得了 91.22% 的平均分类准确率，而使用卷积神经网络(CNN)算法的分类准确率为96.92%。

总结

许多研究已经证明了使用耳-脑电图开发 BCI 的可行性，并表明它们的性能与基于头皮脑电图的 BCI 相当。在实验设置和便携性方面，使用耳-脑电图开发 BCI 比头皮脑电图更方便，但耳脑电图的性能仍然低于头皮脑电图，原因是耳朵周围获得的信息有限。因此，基于耳-脑电图的 BCI 的未来方向将使用新的耳-脑电图特定特征和分类算法来提高分类性能。

参考

H. -J. Hwang, "Brain-Computer Interface Based on Ear-EEG," 2021 9th International Winter Conference on Brain-Computer Interface (BCI), 2021, pp. 1-3,

doi: 10.1109/BCI51272.2021.9385299.

仅用于学术交流，若有侵权，请留言，管理员即时删侵！

更多阅读

将同构迁移学习应用于脑机接口，

解决训练数据不足的问题

用于恢复言语以及帮助治疗抑郁症的脑机接口设想

Transformers 如何模仿大脑的某些部分

当你在梦乡里，大脑是如何唤醒你的？

帮助大脑患病患者生活的脑机接口解决方案

瘫痪患者借助脑机接口可进行数字绘画