[论文解读] Brain Computer Interfaces for Mobile Apps: State-of-the-art and Future Directions

Sumit Soman, Siddharth Srivastava+2 more|arXiv (Cornell University)|Sep 4, 2015

EEG and Brain-Computer Interfaces被引用 3

一句话总结

本文综述了脑-计算机接口（BCI）在移动设备上的最新应用进展，重点关注基于脑电图（EEG）的控制范式，如P300拼写器和SSVEP，以实现直观、免提的交互。文章识别了信号处理、设备便携性以及用户疲劳等方面的关键挑战，并提出了未来方向：将BCI与移动传感器及机器学习技术结合，以提升辅助技术和消费类应用中的准确性和可用性。

ABSTRACT

In recent times, there have been significant advancements in utilizing the sensing capabilities of mobile devices for developing applications. The primary objective has been to enhance the way a user interacts with the application by making it effortless and convenient. This paper explores the capabilities of using Brain Computer Interfaces (BCI), an evolving subset of Human Computer Interaction (HCI) paradigms, to control mobile devices. We present a comprehensive survey of the state-of-the-art in this area, discussing the challenges and limitations in using BCI for mobile applications. Further we propose possible modalities that in future can benefit with BCI applications. This paper consolidates research directions being pursued in this domain, and draws conclusions on feasibility and benefits of using BCI systems effectively augmented to the mobile application development domain.

研究动机与目标

• 整合近期关于基于BCI的移动应用的研究，特别聚焦于EEG驱动的交互。
• 识别并分析在移动平台部署BCI系统时面临的关键挑战，包括信号处理限制和设备便携性问题。
• 评估现有BCI模态（如P300拼写器和SSVEP）在移动应用集成中的可行性与性能。
• 探索将BCI与移动设备传感器及机器学习技术结合的未来研究方向，以提升准确性并减轻用户疲劳。
• 评估BCI在辅助技术与通用移动应用中的潜力，特别是对运动功能障碍用户的应用价值。

提出的方法

• 通过Google Scholar和Scopus进行系统性文献回顾，聚焦于过去三年内发表、关键词包含“mobile”、“BCI”、“EEG”、“HCI”和“assistive technology”的论文。
• 评估适用于移动使用的EEG采集系统，强调设备的便携性、电极数量减少以及用户设置简化（如无需导电凝胶）。
• 分析P300拼写器和SSVEP等控制范式，用户通过聚焦于闪烁刺激进行选项选择，信号处理采用典型相关分析和带通滤波技术。
• 回顾基于EEG或s-EMG信号的移动BCI应用，如移动拨号应用、手势控制器和家庭自动化系统。
• 提出将BCI与移动传感器（如加速度计、摄像头、麦克风）及用户行为数据（如通话记录）进行多模态整合，以降低误报率。
• 讨论平台无关的BCI开发框架，支持多种EEG设备，并实现在移动平台上的低延迟处理。

实验结果

研究问题

• RQ1 适用于移动设备交互的当前最先进的BCI控制范式有哪些？其在信息传输速率（ITR）和可用性方面的表现如何？
• RQ2 将传统EEG-BMI系统适配至移动平台时面临的主要技术与可用性挑战是什么，特别是在信号处理和设备便携性方面？
• RQ3 如何将移动设备传感器（如摄像头、加速度计、麦克风）与BCI系统结合，以提升可靠性并减少误报？
• RQ4 用户特定的行为数据（如通话记录、应用使用情况）在增强BCI驱动的移动应用中发挥何种作用？
• RQ5 未来哪些研究方向最有可能推动BCI在移动应用中实现实际、现实世界的部署？

主要发现

• 在九名志愿者参与的研究中，基于SSVEP的BCI系统实现了平均33.53比特/分钟的信息传输速率（ITR），表明其在基于菜单的移动界面中具有高度可行性。
• 基于SSVEP的手机拨号应用实现了平均26.46比特/分钟的ITR，表明其在实时移动交互中具有实际可行性。
• 在SSVEP系统中采用典型相关分析进行频带选择，通过为每位用户个性化筛选频率，显著提升了分类准确性。
• 使用s-EMG信号的移动BCI应用（如基于手势的控制器）表现出高效控制，且用户付出的努力极少，延迟极低。
• 将BCI与移动传感器及用户行为数据（如通话记录）整合，可显著降低误报率并增强系统鲁棒性。
• 研究趋势显示，过去十年中移动BCI相关论文数量稳步增长，尤其在最近六年出现显著上升，表明该领域兴趣日益浓厚且可行性不断提高。