异步脑机接口技术现状及发展趋势

杨红宇 徐 鹏 陈 彦

1(电子科技大学自动化工程学院，成都 611731)

2(电子科技大学生命科学与技术学院，成都 611731)

3(电子科技大学空天科学技术研究院，成都 611731)

引言

脑机接口(brain-computer interface，BCI)是在人脑与计算机或其他电子设备之间建立的直接交流和控制的通道，它不依赖于脑的正常输出通路，是一种全新的对外信息交流和控制方式。异步脑机接口是脑机接口中重要的一类，使用者可以在任何时刻通过控制大脑的活动发出指令，控制外部设备。当使用者没有控制意图时，无论其处于任何一种非控制状态(发呆、冥想或者和别人交谈等)，系统都维持当前的输出不变。相对于同步脑机接口中使用者需受设备制约的情况，异步脑机接口完全由使用者控制，因此是脑机接口实用化产品的最佳形式，可广泛地应用于包括残疾人的康复训练、轮椅控制、假肢控制、虚拟环境的控制及文字输入等场合。

1 异步脑机接口概述

异步脑机接口是相对同步脑机接口而言的。在同步脑机接口中，被试者在测试系统发出提示信息(Cue)后固定长度的时间窗口内，利用脑波发出指令控制外部设备，窗口以外的任何思维活动都被认为无意义，因此使用者并不是完全意义上的控制者。在异步脑机接口中，使用者发送控制指令的时间是自主支配(self-paced)的，无需系统的干预。系统在使用者有控制意图(intentional control，IC)时处于工作状态，在无控制意图(no control，NC)时处于空闲(idle)状态。为了实现上述功能，系统需要连续不断地监测使用者的意图，并有效区分控制状态和空闲状态。异步脑机接口和同步脑机接口的区别如图 1 所示[1]。

图1 同步和异步脑机接口工作状态Fig.1 The operating status scheme of synchronous and asynchronous BCI

异步脑机接口的特性，对脑电信号采集、处理的硬件结构及软件算法提出了较高的要求。在很长一段时间内，相对于同步脑机接口技术被广泛研究的状况，异步脑机接口没有引起人们足够的关注，其研究方式多采用离线、仿真的方法。最早关于异步脑机接口实验的报道见文献[2-5]。

2 异步脑机接口的生理基础

实现异步脑机接口所基于的生理基础包括事件相关电位(event-related potentials，ERP)、视觉诱发电位 (visual evoked potential，VEP)、心理任务(mental task)及肢体的实际运动等，现阶段较多采用的是基于肢体运动、视觉诱发电位和心理任务的异步脑机接口。

2.1 事件相关电位

事件相关电位是大脑对某种事件进行信息加工时诱发产生的一系列电活动，在人们记忆、期望、注意或者改变精神状态时产生。P300是事件相关电位中使用较多的一种，最早由 Sutton等人使用oddball实验方法记录得到[6]。P300出现在新奇事件刺激后250～450 ms内，是一种内源性诱发电位，通常采用相干平均的方法提取，需要进行多次平均才能得到其波形。使用P300实现的异步脑机接口见文献[7]。

2.2 视觉诱发电位

视觉诱发电位是大脑对视觉刺激(如图像或闪光刺激)所产生的特定电活动，信号稳定性较好，诱发电位与刺激有比较固定的时间间隔，比较容易检测，可分为瞬态和稳态两类。在异步脑机接口中，稳态视觉诱发(steady state visual evoked potential，SSVEP)分析使用较多，通常利用其携带的频率信息来实现控制功能。

基于视觉诱发电位的脑机接口具有操作简单、速度快、易于实时实现、可识别的目标数多、训练少等优点。由于需要借助眼动来选择目标，因此不适用于完全瘫痪的患者;并且长时间注视闪烁的屏幕，容易使被试者产生疲劳。

2.3 心理任务

在基于心理任务(mental task)的脑机接口中，被试者在需要发出控制指令时执行某种特定的心理任务，系统通过检测大脑相关区域的生理特征变化，对被试者的意图进行解析。常用的心理任务有：运动想像、心算、默想某段旋律、旋转虚拟场景中的物体及用给定的字母组词等[8-14]。

在基于运动想像的异步脑机接口中，数据分析主要针对的是大脑运动皮层相应区域的事件相关去同步化和同步化现象(event-related desynchronization/synchronization，ERD/ERS)，表现为一定频带范围内脑电信号能量的下降或上升。在空间分布上，符合大脑感觉皮层的躯体特定区域分布。现阶段使用较多的是想像左手、右手及脚的运动[15-16]，个别情况还使用了舌头的想像运动[17-18]。由于想像运动产生的脑电信号和实际运动相比只在幅度上有区别，因此两者采用的处理方法相似。

3 异步脑机接口关键技术

3.1 空闲(NC)状态检测

异步脑机接口中存在 IC(有控制)和NC(无控制)两种状态，系统只有检测到IC状态后才转入工作状态。能否对NC状态(或者IC状态)进行快速准确的检测，成为系统实现的关键。在现有脑机接口的文献中，对 NC状态的检测主要采用两种策略——阈值法和分类器法[19]。

3.1.1 阈值法

在阈值法中，根据可靠性函数手动设置若干个阈值。当可靠性函数的输出处于不同的阈值区间时，可得到相应的状态。文献[20]采用离线训练，基于最大化两类运动想像正确判别率、最小化空闲状态错误判别率的思想，利用接收机检测特性曲线，寻找最优上下阈值，对应上下阈值之间的过程定义为空闲状态。文献[21]以训练集中各类运动想像样本的类内散度和正确检测率为指标，并结合接收机曲线来确定分类阈值，完成了对包含NC在内的3种状态的分类。文献[18]以样本特征与各类运动想像中心的Mahalanobis距离作为判别依据，当某样本特征到各类中心的距离均大于阈值时，判定为NC状态。

现阶段常见的是两状态分类，如基于SSVEP的异步脑机接口，此时只存在一个阈值。当可靠性函数的输出大于该阈值时，判定为IC状态，小于该阈值时判定为NC状态。文献[22]提出了一种被称为PCC0的方法，以 C0复杂度作为指标，对基于SSVEP的两通道脑电信号进行了离线分析，阈值通过训练过程得到。利用该阈值对测试数据进行的分析显示，空闲状态的检测辨识度达到98%，敏感度达到95%。文献[23]采用了相似的复杂度方法，实现了NC状态检测。

其他确定阈值的方法还有：利用能量不对称度[24]、利用分离度和紧密度的比率[25]、脑前部和后部脑电(electroencephalogram，EEG)信号能量的比率等[14]。

3.1.2 分类器法

分类器法采用特殊设计的分类器，对IC和NC状态进行区分。在两类的情况下(IC和NC)，原理上只需要一个分类器就可完成区分。为了提高分类的准确率，往往采用多个分类器实现。例如：将基于手指运动的EEG信号在5个不同的频段上进行分解，获得5个分量。针对每个分量，使用相对应的分类器进行分类，最后采取投票的方法进行状态判别[26]。

在多类的情况下，判断步骤由两部分组成：先判断当前状态，是 IC或是NC状态;如果是 IC状态，则对EEG信号进行分类，以获得实际的控制命令。Mason等人设计的系统就包含了两个相似的模块，分别称为异步信号检测器(asynchronous signal detector，ASD)和控制信号分类器(control signal classifier，CSC)。其中：ASD模块连续监测 EEG信号，并分析是否有控制信号出现;CSC模块对 ASD甄选的信息段进行分类，判断使用者想要执行的命令[27]。相似的结构也出现在文献[17，28]中。

多个分类器投票的方法在多类的判断中也有使用，Sadeghian等人实验了两种方案[18]：一是某一类相对其余类，二是多重二分类法。当多个分类器投票无法确定其类别时，判定为NC状态。

3.2 控制命令的解析

实际控制命令的获得，是异步脑机接口信号处理过程的最终目标。当采用分类器法时，需要对IC状态下的实际控制命令进行判断，该过程分为特征提取和特征分类两个步骤。现阶段对异步脑机接口的信号处理多采用离线仿真的方式，在未考虑实时性的情况下，信号处理方法和同步脑机接口相似。

3.2.1 特征提取

特征提取的目标，是发现EEG数据的最佳信号特征，简化后续的分类，或者对大脑的工作模式进行检测。特征的形式是信号各种参数组成的特征向量，常使用的参数包括自回归系数、带能量、小波系数、SSVEP的幅度及频率等。

目前的异步脑机接口绝大部分是基于运动想像或者实际运动，特征提取大多利用和ERD/ERS相关的信息。ERD/ERS主要集中反映在 mu节律的改变，其空间分布和运动方式有固定的对应关系，因此和 mu节律相关的带能量(band power)法[10-12，16-19，29-30]及和空间滤波相关的CSP法[15，18，22，25]得到了较多的应用。

带能量法，是指将EEG信号某个频带内的能量信息作为特征的一类方法。常用的处理方法有如下两种：一是先将信号分成较短的时间片段，计算各段的功率谱，然后根据功率谱估算带信号的能量;二是先对信号进行带通滤波，挑选出感兴趣频段的信号，再将该信号分为多个较短的片段，对各段信号计算其带能量[31-33]。其中，第二种方法被较多采用。针对运动想像来说，ERD/ERS相关的 mu节律为8～12 Hz，因此在实现的异步脑机接口中，较多采用该频段的带通滤波器来对信号进行预处理。

共空间模式(common spatial pattern，CSP)法的数学本质，是运用正交变换和白化变换对两个矩阵同时对角化，找到两个矩阵的共同投影子空间，使得两个矩阵在该子空间变换的映射下方差差异最大。针对传统CSP法存在的问题，改进的算法不断被提出，如空频联合方法、结合流形学习和核函数的方法、自适应 CSP、正则化 CSP以及 CSPE 等[34]。但鉴于CSP所需的电极数较多[15]、计算量较大，多使用在EEG信号的预处理及离线仿真中。

小波变换是一种时频信号处理方法，在缺乏先验知识的条件下能有效检测出脑电信号中短时、低能量的瞬态脉冲。该方法在各类型异步脑机接口中都有使用，区别在于选择的核函数不同。

其他常用的特征提取的方法还有自回归模型法及独立分量分析(independent component analysis，ICA)法等。

3.2.2 特征分类

特征分类，就是设计分类器将输入的特征向量映射为某个类别标号(或者实际的控制指令)。特征分类的方法多种多样，如统计学方法(最大似然估计和贝叶斯估计等)、非参数技术、线性判别函数、神经网络及机器学习方法等。在异步脑机接口中，由于线性分类方法具有较低的计算复杂度和不易过拟合的优点，因此得到了最广泛的应用。常用的线性分类方法包括Fisher法、支持向量机等。

3.3 训练过程

在分类器设计过程中，训练是非常重要的一步。利用样本数据对原始分类器进行训练，可以优化分类器参数，提高分类的准确度。从原理上来说，为了得到尽可能高的分类准确率，需要尽可能多的训练样本，但实际情况是训练样本非常有限甚至没有。所以如何从现有的样本数据中挖掘出尽可能多的有用信息变得非常重要。在实践中，各种方法被提出，如有监督、半监督和无监督的训练等[7，34]。

4 异步脑机接口性能评估

4.1 信息传输率

信息传输率的含义为单位时间内传送的信息量，单位为bit/s。进行一次试验(trial)所传送信息的位数B可由下式计算得到，即

式中，N为脑机接口的选项数，p为正确选择的概率。

假设一次试验持续的时间为C，则信息传输率(information transfer rate，ITR)为

信息传输率是衡量脑机接口性能的重要指标，通过它可以将不同实验范式、不同神经机制的脑机接口问题统一到实际可比较的标准中来，因此得到广泛使用。较高的信息传输率可以使系统更快速地将使用者的控制意图转变为实际的操作，提高脑机接口的实用性。

4.2 误动作率

误动作率(false activation rate，FPR)是指在系统输入为非控制信号时输出判断为控制状态的比率(只有两个状态时称为假阳率)。在异步脑机接口中，系统持续进行空闲状态检测，不准确的检测结果将极大地影响误动作率。研究表明，较高的 FPR(超过2%)容易使被试产生挫折感[1]，在某些实际应用场合，系统的误动作将带来一定的危险(如轮椅控制)，因此常被用来作为评价异步脑机接口性能的指标之一。

4.3 正确率

正确率是指脑机接口正确地选择某个选项的概率(即式(1)中的 p)，因此被隐含在信息传输率的指标中。在某些应用场合，正确率被单独地提出作为衡量脑机接口性能的指标之一。

上述较常用的指标从某些方面对脑机接口的性能进行评价，不够全面客观。文献[35]使用效用矩阵(utility matrix)，将脑机接口所包含的变换器(transducer)和控制接口(control interface)作为一个整体进行评估，可以得到更全面、准确的结果。

5 发展趋势

5.1 实时性要求

1)异步脑机接口需要连续不断地监控EEG信号并实时判断大脑的状态，如何满足信号处理的实时性要求成为必须面对的问题。

减少电极数量可以大大降低原始数据量，提高信号处理速度，但在一定程度上影响分类精度。文献[8，17，22-23，36-37]所使用的方法都使用了较少的电极(1～3个)，取得了较好的效果(较低的FPR或者较高的TPR)。

从CSP法的原理可知，经过滤波后所获得的空间信息能够减少使用电极的数量，并具有较高的可辨识度，因此可以作为预处理步骤对系统进行优化。

如何在使用较少电极的情况下保证较高的分类准确度，将成为一个重要的研究方向。

2)算法的改进也是实现实时信号处理的有效途径。相对于CSP、ICA等计算量较大的方法，一些较新颖的算法被提出。例如，使用信号复杂度作为分类依据[22-23]，使用能量不对称度作为类别判定标准[24]，等等。这些算法具有较小的运算量及较好的分辨效果，有助于实时异步脑机接口的实现。

5.2 特征联合

特征的联合是特征提取的另一个方向，两个相互独立或者相关性不大的特征联合，往往可以得到更好的结果[12]。特征之间的互补(如表征空间能量分布的带通能量信息和表征空间同步情况的相位信息结合在一起[38])，能提供更为完整的信息，可以实现更好的分类[34]。

现阶段异步脑机接口的研究多针对单一的生理现象，如能将基于不同生理现象的研究对象结合在一起，有望获得性能的提高及功能的扩展[39]。例如，将脑电和肌电、稳态视觉诱发电位以及P300电位两两相互结合，其中一个用于状态检测或功能选择，另一个用于实现分类，均取得了较好的效果[29，40-43]。

5.3 系统优化

由于被试者个体差异很大，系统需要针对不同的使用者进行参数优化，如电极位置及意识任务类型的选择等[44]。对于同一个被试者来说，由于EEG信号的非平稳性，在较长时间内其状态会发生变化。为了取得最好的分辨效果，也需要对系统参数自适应地进行调整，常采用基因算法对最优参数进行选择。文献[45]提出了一种称为自适应加权频谱空间模型(adaptively weighted spectral-spatial patterns，AWSSP)的方法，可以自适应地选择具有最佳分辨效果的频率分量，使脑机接口的性能得到显著提高。

5.4 降低误动作率

由于较高的误动作率(false activation rate，FPR)(超过2%)容易使被试者产生挫折感，因此在保证性能不降低的情况下尽可能地降低FPR，成为异步脑机接口需要解决的问题之一。经过研究发现，FPR发生的时刻较集中，因此采用去抖(debounce)的方法可以降低 FPR[1]。

6 结论

异步脑机接口作为最具有实用性的脑机接口形式，正受到越来越多研究者的关注。虽然采用的形式多种多样，但其生理基础及系统的结构形式却基本相同。目前，异步脑机接口的研究还处于实验室阶段，采用的方法多为基于运动想像或者视觉诱发电位的方式。前者实现方便，但是存在分类数量少、需要训练等缺点;后者无需训练，分类数目多，但是需要外源性刺激。要使异步脑机接口真正达到实用化的程度，需要在操作的安全性、信号处理的实时性、分类的准确性及系统的易用性上不断改进。

[1]Borisoff JF，Mason SG，Birch GE.Brain interface research for asynchronous control applications[J].IEEE Trans Rehabil Eng，2006，14(2)：160-164.

[2]Scherer R，Müller GR，Neuper C，et al.An asynchronously controlled EEG-based virtual keyboard：Improvement of the spelling rate[J].IEEE Trans Biomed，2004，51(6)：979-984.

[3]Pfurtscheller G.Müller GR，Pfurtscheller J，et al.Thought-control of functional electrical stimulation to restore hand grasp in a patient with tetraplegia[J].Neurosci Lett，2003，351：33-36.

[4]Müller-Putz GR，Scherer R，Pfurtscheller G，et al.EEG based neuroprosthesis control：A step towards clinical practice[J].Neurosci Lett，2005，382：169-174.

[5]Graimann B，Huggins JE，Schlögl A，et al.Detection of movement-related desynchronization patterns in ongoing singlechannel electrocorticogram [J]. IEEE Trans Neural Syst Rehabil，2003，11(3)：276-281.

[6]Sutton S，Braren M，Zubin J，et al.Evoked correlates of stimulus uncertainty[J].Science，1965，150：443-446.

[7]Aloise F，Schettini F，Arico P，et al. P300-based braincomputer interface for environmental control：an asynchronous approach[J].J.Neural Eng，2011，8(2)：025025.1-025025.10.

[8]Faradji F，Ward RK，Birch GE.Design of a mental task-based brain-computer interface with a zero false activation rate using very few EEG electrode channels[C]//Proceedings of 4 th IEEE EMBS Conference on Neural Engineering. Antalya：IEEE Computer Society，2009：403-406.

[9]Chiappa S，Barber D.Generative temporal ICA for classification in asynchronous BCI systems[C]//Proceeding of the 2 nd IEEE EMBS Conference on Neural Eng.Virginia：IEEE Computer Society，2005：514-517

[10]Besserve M， Martinerie J， Garnero L. Non-invasive classification of cortical activities for brain computer interface：a variable selection approach[C]//Proceedings of the 5 th IEEE International Symposium on Biomedical Imaging：From Nano to Macro.Paris：IEEE Computer Society，2008：1063-1066.

[11]Dyson M，Sepulveda F，Gan JQ.Mental task classification against the idle state： a preliminary investigation[C]//Proceedings of the 30 th IEEE EMBS Conference.Vancouver：IEEE Computer Society，2008：4473-4477.

[12]Sepulveda F，Dyson M，Gan JQ，et al.A comparison of mental task combinations for asynchronous EEG-based BCIS[C]//Proceedings of the 29 th IEEE EMBS Conference.Lyon：IEEE Computer Society，2007：5055-5058.

[13]Faradji F，Ward RK，Birch GE.A self-paced BCI using stationary wavelet packets[C]//Proceedings of the 31 th IEEE EMBS Conference， Minneapolis： IEEE Computer Society，2009：962-965.

[14]Millan JR，Mourino J.Asynchronous BCI and local neural classifiers：an overview of the adaptive brain interface project[J].IEEE Trans Rehabil Eng，2003，11(2)：159-161.

[15]Satti A，Coyle D，Prasad G.Continuous EEG classification for a self-paced BCI[C]//Proceedings of IEEE EMBS Ponference on Neural Engineering.Antalya：IEEE Computer Society，2009：315-318.

[16]Geng T，Dyson M，Chun ST，et al.A 3-class asynchronous BCI controlling a simulated mobile robot[C]//Proceedings of the 29 th IEEE EMBS conference.Lyon：IEEE，2007：2524-2527.

[17]Scherer R，Lee F，Schlogl A，et al.Toward self-paced braincomputer communication：navigation through virtual worlds[J].IEEE Trans Biome Eng，2008，5(2)：675-682.

[18]Sadeghian EB，Moradi MH.Continuous detection of motor imagery in a four-class asynchronous BCI[C]//Proceedings of the the 29 th IEEE EMBS Conference.Lyon：：IEEE Computer Society，2007：3241-3244.

[19]Lotte F，Mouchere H，Lecuyer A.Pattern rejection strategies for the design of self-paced EEG-based brain-computer interfaces[C]//Proceedings of the 19 th International Conference on Pattern Recognition，Tampa：IEEE，2008：1-5.

[20]Townsend G，Grainmann B，Pfurtscheller G.Continuous EEG classification during motor imagery-simulation of an asynchronous BCI[J].IEEE Trans Rehabili Eng，2004，12(2)：258-265.

[21]刘美春，谢胜利.异步脑 -机接口的空闲状态检测新方法[J]. 计算机应用研究，2010，27(1)：151-153.

[22]Ren Ran，Bin，Guangyu Gao Xiaorong.Idle state detection in SSVEP-based brain-computer interfaces[C]//Proceedings of the 2 nd International Conference on Bioinformatics and Biomedical Engineering.Shanghai： IEEE Computer Society，2008：2012-2015.

[23]Dat TH，Zhang Haihong，Wang Chuanchu，et al.Selective subband entropy for motor imagery detection in asynchronous brain computer interface[C]//Proceedings of the 3 rd IEEE EMBS Conference on Nerual Eng.Hawaii：IEEE Computer Society，2007：358-361.

[24]Kok-Meng O，Paramesran R.A study of power asymmetry ratio of singe trial EEG during finger movement[C]//Melbourne：IEEE，2005：1-4.

[25]Lu Jun.Adaptive detection of idle state in motor imagery-based brain computer interface[C]//2010 International Conference on Intelligent Computation Technology and Automation.Changsha：：IEEE Computer Society，2010：417-420.

[26]Faradji F，Ward RK，Birch GE.Self-paced BCI using multiple SWT-based classifiers[C]//Proceedings of the 30 th Annual International IEEE EMBS Conference. Vancouver：IEEE Computer Society，2008：2095-2098.

[27]Mason SG，Extraction of single-dial index finger flexions from continuous spatiotemporal EEG[D].Vancouver：University of British Columbia，1996.

[28]Bashashati A，Ward RK，Birch BE.Comparison of using Monopolar and Bipolar EEG electrodes for detection of right and left hand movements in a self-paced BCI[C]// Canadian Conference on Electrical and Computer Engineering，CCECE.Vancouver：IEEE，2007：725-728.

[29]Chang BC， Seo BH.Development of new brain computer interface based on EEG and EMG.[C]//IEEE Robotics and Biomimetics.Bangkok：IEEE Computer Society，2009：1665-1670.

[30]Chen Guangming，Zhang Jiacai，Yao Li.An improved feature extraction method for self-paced brain-computer interface application[C]//International Conference on Complex Medical Engineering.Tempe：IEEE Computer Society，2009：1-6.

[31]McFarland DJ. Lefkowicz AT， Wolpaw JR. Design and operation of an EEG-based brain-computer interface with digital signal processing technology[J]. Behav Res Meth InstrumComput，1997，29(3)：337-345.

[32]Pfurtscheller G，Neuper C，Flotzinger D，et al.EEG-based discrimination between imagination of right and left hand movement[J].Electroencephalogr.Clin.Neurophysiol，1997，103：642-651.

[33]Pfurtscheller G.，Neuper C，Schlogl A，et al.Separability of EEG signals recorded during right and left motor imagery using adaptive autoregressive parameters[J].IEEE Trans Rehab Eng，1998，6(3)：316-325.

[34]尧德中，刘铁军，雷旭，等.基于脑电的脑 -机接口：关键技术和应用前景[J].电子科技大学学报，2009，38(5)：550-554.

[35]Bernardo Dal Seno，Matteo Matteucci，Luca T.Mainardi.The utility metric：a novel method to assess the overall performance of discrete brain-computer interfaces[J].IEEE Tran Neural System and Rehabil Eng，2010，18(1)：20-28.

[36]Obermaier B，Muller GR，Pfurtscheller G.“Virtual keyboard”controlled by spontaneous EEG activity[J].IEEE Trans Rehabil Eng，2003，11(4)：422-426.

[37]Vidaurre C，Schlogl A，Cabeza A，et al.A fully on-line adaptive BCI[J].IEEE Trans Biomed Eng，2006，53(6)：1214-1219.

[38]Pfurtscheller G.，Muller GR，Schlogl A，et al.15 Years of BCI research at Graz university of technology：current projects[J].IEEE Trans Rehabil Eng，2006，14(2)：205-210.

[39]Brunner C，Allison BZ，Altstatter C，et al.A comparison of three brain-computer interfaces based on event-related desynchronization，steady state visual evoked potentials，or a hybrid approach using both signals[J].J Neural Eng，2011，8(2)：025010.1-025010.7.

[40]Pfurtscheller G.，Escalante TS，Ortner R，et al.Self-paced operation of an SSVEP-based orthosis with and without an imagery-based“Brain Switch：” a feasibility study towards a hybrid BCI[J].IEEE Trans Rehabil Eng，2010，18(4)：409-414.

[41]Li Yuanqing，Long Jinyi，Yu Tianyou，et al.A hybrid BCI system for 2-D asynchronous cursor control[C]//Proceedings of 32nd Annual International Conference of the IEEE EMBS.Buenos Aires：IEEE，2011：4205-4208.

[42]Panicker RC， Puthusserypady S， Pryana AP， et al. An asynchronous P300 BCI with SSVEP-based control state detection[J].IEEE Trans Biomed Eng，2011，58(6)：1781-1788.

[43]Riechmann H，Hachmeister N，Ritter H，et al.Asynchronous，parallel on-line classification of P300 and ERD for an efficient hybrid BCI[C]//Proceedings of the 5 th International IEEE EMBS Conference on Neural Engineering， Cancun： IEEE，2011：412-415.

[44]Palaniappan R.Brain computer interface design using band powers extracted during mental tasks[C]//IEEE EMBSConference on Nerual Eng.Arlington：IEEE Computer Society，2005：321-324.

[45]Kavitha PT，Guan Cuntai，Lau CT，et al.Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain-computer interface[J].J Neural Eng，2011，8(3)：036007.1-036007.15.