腦-機接口是一門涉及神經科學、計算機科學、材料學、電子學、人機工程學和機械工程等多領域交叉融合的新興學科。腦-機接口系統可以在生命體和非生命體之間建立直接的通信橋梁，能夠將中樞神經系統的活動轉換為人工輸出，從而增強、替代、修復、補充或改善中樞神經系統的正常輸出。現今，基于頭皮腦電的腦-機接口系統應用最為廣泛。

中國工程院顧曉松院士科研團隊在中國工程院院刊《Engineering》2021年第12期發表《基于腦電圖的腦-機接口系統在實用化進程中面臨的挑戰》一文。文章在介紹腦-機接口系統的基礎上，分析了腦-機接口系統發展面臨的挑戰，并從4個方面總結了應對挑戰的重要研究方向。文章指出，腦-機接口是涉及多學科研究領域的復雜問題，需要不同專業知識背景的學者通力合作，今后的重點研究方向為腦-機交互評價新指標、腦-機接口硬件創新提升用戶友好性、低認知負荷腦-機接口范式、基于皮腦電機制和特性的腦-機接口算法開發等。

腦-機接口（brain-computer interface, BCI）這一術語最早由Jacques J. Vidal等于1973年提出，距今已有近50年之久。與傳統電子接口在非生命體間實現信息傳輸不同，BCI系統是在生命體和非生命體之間建立直接的通信橋梁。它能夠將中樞神經系統的活動轉換為人工輸出，從而增強、替代、修復、補充或改善中樞神經系統的正常輸出。現今，基于頭皮腦電（electroencephalography, EEG）的BCI系統應用最為廣泛。

從通信的角度看，編碼策略與解碼策略是EEG-BCI系統中最關鍵的兩個環節。在BCI領域，編碼策略又被稱為范式，它將用戶的意圖指令轉化為可檢測的腦電信號；解碼策略又被稱為算法，它旨在提取和識別相應的腦電特征。因此，作為通信系統中的關鍵指標，信息傳輸速率（information transfer rate, ITR）被廣泛地用于評估BCI編解碼效率。近十年來，BCI系統的ITR得到大幅提升。在2010年前后，ITR能夠達到的最高值僅為1.5 bits?s-1 (bps)，到2015年時已提升近三倍，當前已接近7 bps。

從另一角度看，BCI系統可被視作一種用于處理用戶意圖指令的處理器。因此，針對BCI系統的指令處理方式及其處理能力進行評價是必不可少的環節。其中一個直接評價指標就是指令集的大小，即BCI系統能夠處理的指令類型數量。該指標近十年來得到顯著提升，從2010年的30個左右提高至2020年的上百個。另一個重要指標是BCI的異步性能，即BCI系統是否可以進行異步操作，目前該研究方向仍有待發展。

從第三個角度看，BCI系統是一種實時測量心理活動的儀器。與傳統測量儀器不同，如EEG放大器僅對EEG信號本身進行測量，而BCI系統測量的是EEG信號背后所反映的復雜心理過程，如區分被試進行的是左手運動想象還是右手運動想象。因此，BCI的測量精度可視為能夠被實時解碼的最小腦電特征。實現解碼的腦電特征越微弱，BCI所觸及的心理活動越豐富。2018年，BCI的測量精度首次突破亞微伏級別（0.5 µV），顯著拓寬了BCI的應用面。

一、挑戰

近年來BCI技術發展突飛猛進，但從實驗室場景走向實際應用場景仍然面臨諸多挑戰。BCI是一門涉及神經科學、計算機科學、材料學、電子學、人機工程學和機械工程等多領域交叉融合的新興學科。因此，推動BCI實用化需要不同領域學者的共同努力。

筆者認為，當前BCI發展需重點關注以下兩大方面的挑戰。

（1）當前BCI的硬件形態及穿戴方式限制了其應用范圍。目前，EEG-BCI系統通常包括電極、放大器和腦電帽等配件，其硬件形態及穿戴方式直接決定了BCI的潛在應用場景。例如，為獲取高質量的腦電信號，大多數研究使用的是高精度、多導聯的腦電采集設備，但這類設備體積大、質量重、便攜性差，僅能應用于科學研究和醫療場景。針對此問題，研究人員也已研發體積較小、質量較輕的便攜式腦電產品，但仍需腦電帽或類似裝置來安放電極。某些更輕便的BCI產品使用結構更緊湊、更易穿戴的頭帶來固定電極。然而，由于目前的BCI系統能力有限，無法為健康人群的日常生活帶來實質性改善，因此這些舒適性差、美觀性低的腦電帽或腦電頭帶仍然難以被普通用戶接受。實際上，在大多數情況下，BCI系統對健康人群的用處是微不足道甚至不明確的。因此，與患者滿懷期望地使用BCI來替換、修復、增強、補充或改善大腦神經功能不同，健康人群缺乏足夠的動力去穿戴現有的BCI裝置。因此，只有改善BCI的硬件形態與穿戴方式才能真正將這種最直接的人機通信方式自然地融入日常生活當中，也將有助于研究日常工作中的大腦機制。

（2）當前BCI不自然的交互范式損害了其易用性。在過去的50年中，BCI研究人員大多聚焦于如何進一步提高腦-機之間的ITR，而忽略了二者之間的交互友好性。現今BCI范式發展嚴重停滯不前，現有BCI研究所使用的交互范式幾乎都發明于30年前，如運動想象（motor imagery, MI）、P300和穩態視覺誘發電位（steady-state visual evoked potential, SSVEP）等。這些傳統范式已被證實能夠在大腦與計算機之間實現有效的信息傳輸。但是，它們與大腦的交互過程不自然。與傳統的人機交互方式相比，傳統BCI范式需要占用較多的認知資源來完成指令輸出。例如，基于SSVEP的BCI系統取得了當前最高的ITR，指令輸出速度能夠達到一秒一個，但為獲得高魯棒性的SSVEP信號，SSVEP-BCI通常采用閃爍感強烈的大面積視覺刺激對指令進行編碼。這種方式不僅會占用大量的視覺資源，而且，與主觀意圖無直接關系的強烈視覺刺激會煩擾用戶，使其感到不適。因此，即便基于傳統范式的BCI系統在某些特定場景下能夠正常運行，但其不自然的交互方式極大地降低了系統的易用性。

二、未來研究方向

筆者認為上述兩大挑戰是現階段阻礙BCI系統實用化的主要因素，亟需采取有力措施。同時，這兩大挑戰皆是涉及多學科研究領域的復雜問題，因此需要不同專業知識背景的學者通力合作。在這里，筆者總結了應對上述挑戰的部分重要研究方向，以望能夠引起學者們的更多關注、探討與研究。

（1）腦-機交互評價新指標。在以往的研究中，研究人員通常采用分類準確率和ITR來評估BCI系統的性能。然而，這兩項指標僅側重于評價BCI系統的信息轉換過程，并不能全面反映真實復雜人-機交互場景中的腦-機交互過程。在實際的腦-機交互過程中，需要更多地考慮如何評價“人因”在閉環系統中的作用和影響。因此，從實用化的角度看，需要設計一些更加綜合的指標來評價BCI系統的整體性能，如腦手效率比（brain-to-hands ratio, BHR）等。具體來說，BHR是指同一用戶在相同任務中，利用BCI控制所獲成績與直接用手控制所獲成績的比值。

（2）BCI硬件創新提升用戶友好性。如前文所述，當前BCI的硬件設備形態和穿戴方式難以被大多數健康人群所接受。因此，亟需革新BCI傳感電極、采集電路、集成模式、安裝機制和穿戴方式，從而推動BCI硬件設備走向微型化、集成化和易用化。例如，EEG采集設備若能微小至可藏于發內，將會比目前的笨重形態更易被用戶接受。

（3）低認知負荷BCI范式。傳統的BCI范式通常會占用用戶大量的認知資源，造成腦-機交互方式的不自然。因此，筆者強烈建議學者們從傳統BCI范式研究轉向能夠降低用戶認知負荷的新型BCI范式研究。

（4） 基于EEG機制和特性的BCI算法開發。BCI的解碼是識別大腦意圖的關鍵環節。在圖像和語音識別領域，人類可以清楚地辨認待識別對象，因此研究人員能夠依據先驗知識與合理推斷來指導特征的提取與分類器的構建。然而，原始EEG信號十分復雜，以至于難以通過肉眼觀察其背后規律。而在EEG演進規律與特性未知的情況下開發BCI算法是盲目的。因此，深入理解EEG機制將有助于指導BCI算法的設計，而這一問題在以往的大多數研究中常常被忽略。此外，EEG信號在不同個體之間以及同一個體在不同時間下均存在顯著變異性，這嚴重影響了EEG特定響應的可重復性，降低了BCI算法的泛化能力。先進的BCI算法需要克服EEG信號的跨個體、跨時間變異性，以構建高魯棒性的BCI系統。為實現這一目的，同樣需要深入理解EEG信號背后的神經機制。

總而言之，BCI的發展進程已經邁入了腦-機交互階段。因此，除上述四個方向外，任何與腦-機自然交互相關的課題，均應在未來的BCI實用化進程中得到更加深入的研究。