[论文解读] EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications

Xiaotong Gu, Zehong Cao+5 more|arXiv (Cornell University)|Jan 28, 2020

EEG and Brain-Computer Interfaces被引用 26

一句话总结

本文对2015–2019年期间基于脑电图（EEG）的脑机接口（BCI）进行了全面综述，回顾了干电极技术、可穿戴设备、信号增强技术以及计算智能方法（如深度学习、迁移学习和可解释模糊模型）的进展。研究表明，这些技术显著提升了认知状态监测与性能追踪能力，关键成果包括利用左半球和右半球脑电信号对抑郁与正常状态进行分类的准确率分别达到93.5%和96.0%。

ABSTRACT

Brain-Computer Interface (BCI) is a powerful communication tool between users and systems, which enhances the capability of the human brain in communicating and interacting with the environment directly. Advances in neuroscience and computer science in the past decades have led to exciting developments in BCI, thereby making BCI a top interdisciplinary research area in computational neuroscience and intelligence. Recent technological advances such as wearable sensing devices, real-time data streaming, machine learning, and deep learning approaches have increased interest in electroencephalographic (EEG) based BCI for translational and healthcare applications. Many people benefit from EEG-based BCIs, which facilitate continuous monitoring of fluctuations in cognitive states under monotonous tasks in the workplace or at home. In this study, we survey the recent literature of EEG signal sensing technologies and computational intelligence approaches in BCI applications, compensated for the gaps in the systematic summary of the past five years (2015-2019). In specific, we first review the current status of BCI and its significant obstacles. Then, we present advanced signal sensing and enhancement technologies to collect and clean EEG signals, respectively. Furthermore, we demonstrate state-of-art computational intelligence techniques, including interpretable fuzzy models, transfer learning, deep learning, and combinations, to monitor, maintain, or track human cognitive states and operating performance in prevalent applications. Finally, we deliver a couple of innovative BCI-inspired healthcare applications and discuss some future research directions in EEG-based BCIs.

研究动机与目标

• 系统总结2015至2019年间基于EEG的信号感知技术与计算智能方法在BCI中的最新进展。
• 识别真实世界中BCI可用性的关键挑战，包括信号稳定性、分类准确率以及在复杂环境中的鲁棒性。
• 探索可穿戴干电极、迁移学习和深度学习等新兴技术在提升BCI性能方面的整合应用。
• 突出基于EEG的BCI在医疗保健领域的创新应用，特别是在心理健康监测和辅助技术方面。
• 概述未来研究方向，包括混合型BCI系统、对抗鲁棒性以及与增强现实（AR）集成的BCI。

提出的方法

• 对2015至2019年间发表的150余项研究进行了系统性文献综述，重点聚焦于基于EEG的BCI信号感知与计算智能方法。
• 审查了干电极技术，包括基于聚合物的多通道电极以及嵌入导线的硅基干触点传感器（WSBDSs），以提升信号质量与用户舒适度。
• 评估了用于去除伪影和提升EEG质量的信号增强技术，尤其关注真实环境下的表现。
• 分析了计算智能方法，包括深度学习（如卷积神经网络CNNs、循环神经网络RNNs）、迁移学习（TL）、领域自适应以及用于认知状态分类的可解释模糊模型。
• 探索了将EEG与其他生理信号或AR界面结合的混合型BCI系统，以提升分类准确率与可用性。
• 评估了深度学习模型在EEG-BCI中对对抗攻击的脆弱性，并提出临床与实时应用中亟需构建鲁棒的防御机制。

实验结果

研究问题

• RQ1 干电极与可穿戴EEG设备技术如何演进以提升真实世界BCI应用中的信号质量与用户舒适度？
• RQ2 在从EEG信号中分类认知状态方面，哪些计算智能技术（如深度学习、迁移学习和可解释模糊模型）最为有效？
• RQ3 结合EEG与其他信号或AR界面的混合型BCI系统在哪些方面提升了性能与可用性？
• RQ4 哪些关键挑战限制了基于EEG的BCI在真实世界中的部署，特别是在稳定性、准确率和鲁棒性方面？
• RQ5 如何缓解EEG-BCI中深度学习模型面临的新兴威胁，如对抗攻击？

主要发现

• 干电极技术，包括基于聚合物的多通道电极以及嵌入导线的硅基传感器（WSBDSs），显著提升了EEG信号质量与用户舒适度，且接触压力与施加力被证明会影响记录保真度。
• 柔性、柔软且可塑的传感器设计（如采用针状结构的WSBDSs中的铜线）在毛发覆盖头皮区域的应用中表现出良好的可行性。
• 一项研究分别利用左半球和右半球EEG信号对抑郁与正常受试者进行分类，准确率分别达到93.5%和96.0%，支持了抑郁症中右半球过度活跃的理论。
• 迁移学习与深度迁移学习（DTL）方法通过在不同受试者与任务间迁移特征与模型，提升了模型泛化能力与训练效率。
• 将EEG与其他生理信号或AR界面（如带有SSVEP刺激的智能眼镜）结合的混合型BCI系统，在真实场景中表现出更高的分类准确率与实际可用性。
• 研究发现EEG-BCI中的深度学习模型易受对抗攻击影响，凸显了在临床与实时应用中构建鲁棒防御策略的紧迫性。