脑机接口技术在意识障碍领域应用的前景展望

李远清

·教学视频·

脑机接口技术在意识障碍领域应用的前景展望

李远清

脑机接口(brain computer interface，BCI)研究的是在大脑与外部设备之间建立新的通信通道，进行信息传递。这项技术在上世纪九十年代起步，2000年后逐渐成为研究热点。BCI的研究涉及生物、医学、计算机、通信等众多领域,是一个交叉学科的研究方向。随着BCI的发展，动物士兵、昆虫士兵相继出现，一些辅助诊断和辅助治疗的BCI系统在医学上开始越来越广泛的被应用。本视频介绍脑机接口在意识障碍领域的应用。这个技术在国内外，都只是方兴未艾。

一、背景与方法

目前对于植物生存状态(vegetative state，VS)和微小意识状态(minimally conscious state，MCS)的评估或诊断，主要是基于各种行为量表，如格拉斯哥昏迷评分(Glasgow coma scale，GCS)和Johnson康复机构附属JFK医学中心的昏迷恢复量表(coma recovery scale revised，R-CRS)，这样做的缺陷是误诊率很高。因此设想用BCI量化人的意识程度。

BCI作为信号转换系统，包括信号的采集、处理、输出和反馈等装置。信号采集系统是脑机接口的输入装置，用于采集大脑活动的信号。首先提取脑信号，然后将脑信号进行处理，把这个信号翻译成一种控制信号，控制信号作用于患者以后就得到反馈，然后患者根据这个反馈可以实时地调节脑信号，从而达到提高控制效果的目的。

BCI所用的脑信号可以是功能性磁共振成像(functional magnetic resonance imaging，fMRI)，但是它的成本太高了，而且实时性也很差；也可以是功能性近红外光谱(functional near infrared spectroscopy，fNIRS)，但目前也比较贵，而且不是很稳定；最现实的还是用脑电图，因为脑电图相对来讲便宜，而且使用起来很方便，不足之处是它的信号质量会差一些。

信号处理系统是BCI的核心部分，通过它实现将输入信号向控制信号的转化。信号处理系统可分为特征提取和特征转换算法两个部分。

特征转换算法旨在将特征提取后的信号转换为控制外界装置的命令。不同的BCI采用了不同的特征转换算法。特征转换算法通过一定的特征转换函数将信号特征划分为不同的类别。特征转换函数可以是线性的，也可以是非线性的。线性的转换函数包括线性判别分析和线性方程等，而非线性的转换函数如人工神经网络等。BCI最普遍的输出装置为显示器，如在屏幕呈现的信息中选择某个字母或图标或直接控制光标的移动。

二、国外研究进展

我们检索了目前在意识障碍方面应用BCI的文章，有以下几篇：第一篇是柳叶刀上的一篇文章，这个也不能说是完全的脑机接口，他用16个VS病例进行实验，12个正常人作为对照，做的任务是右手的运动想象或者脚趾的运动想象，然后进行分类和信号处理，结果发现16个患者中有3个(19%)能够达到显著的分类效果，准确率不是很高。正常对照组有9个可以达到显著的分类效果，准确率是75%。当然还有一个很关键的地方，就是他用的任务是运动想象，运动想象对那些没有特定运动经验的人，本身分类就不太容易。

第二篇文章是一个MCS的个案报道。他做的任务是想象摆动脚趾和紧握右手。这个研究就比较符合BCI了，因为他增加了实时反馈的内容。它分类的准确率平均在50%～60%，不算很高，但是最高的准确率达到82.5%。

第三篇文章的病例多一些，有22个严重脑损伤的患者，包括14个MCS和8个VS，以及12个健康人对照。实验方法一项是被动的——听，两项是主动的——数自己的名字，以及数不熟悉的名字。然后他做一些信号处理，主要是分析了事件相关电位(event-related potential，ERP)，发现这些VS患者和正常人的P3波是存在差异的，但在MCS组与正常人之间没有发现差异。

第四篇文章，包括18个严重脑损伤患者，其中2个闭锁综合征((locked in syndrome，LIS)，13个MCS，3个VS，以及16个健康人对照。检测的任务是命令跟随，18个病例里有2个病例，1例是LIS在线的有命令跟随，还有1例MCS是离线检测到命令跟随。这个研究当然也是有不足之处，因为18个病例严格来讲仅1个有命令跟随。

因此，就目前来讲，虽然用BCI做意识障碍病例的研究是一个很有前景的方向，但是问题还很多。第一个就是准确率普遍不高，摆在我们面前的一个首要任务，就是要提高准确率。关键问题是患者的信号和正常人的差别太大，患者的认知能力也很低。另一个问题就是大量的研究没有包含反馈的内容，反馈是BCI里面一个很关键的因素，也是一个很重要且很有意义的一个因素。

三、我们做的工作

下面报告我们在这方面做的一点工作。我们是和广州军区总医院合作，做到现在近两年时间。我们首先是用BCI来检测意识状态，这是第一个目的。第二个目的，我们要开发那种比较强大的BCI，让这个检测尽量的敏感。

我们的实验设计是在电脑上显示两张照片，一张是患者自己的，一张是别人的。让患者执行两个任务，第一个任务是让他选出自己的照片，第二个任务是让他选别人的照片，不选自己的照片。我们还让两张照片以一定的频率闪烁，从BCI角度来讲，是两种模态混合的。我们同时用了两种刺激，一个是相框诱发P300波，还有一个是通过照片闪烁来诱发稳态视觉诱发电位(steady-state visual evoked potential，SSVEP)。SSVEP和P300等皮层诱发电位信号因易于处理且不要长时间训练而被广泛应用。

P300是指在刺激出现后300～400 ms时出现的内源性ERP，通常通过Oddball范式诱发。所谓Oddball范式，是指在标准刺激(大概率刺激)的序列中，偏差刺激或靶刺激(小概率刺激)诱发的ERP。Farwell和Donchin等最早将P300作为控制信号应用于BCI，他们提出了基于P300的拼写系统。

SSVEP是指由固定频率闪烁的视觉刺激所产生的诱发电位，通常包含了与刺激频率相同的基波和谐波。SSVEP既与刺激信号的频率有关，也与刺激信号的强度有关。以往研究均认为，基于SSVEP的BCI依赖于注视点的转移。Allison等认为，只要注意的焦点发生转移，即使注视点未发生转移也能产生不同的SSVEP。

我们基于以上的研究一共纳入8个病例参与这个实验，其中包括4例VS，3例MCS，1例LIS。实验过程中我要他选自己的照片，他这样就盯着它看，看一会儿以后计算机再实时的处理，就可以把自己的照片给选出来，然后要他选另外一张照片也是类似的。为了让他明白，家属和医生在实验过程中反复跟他强调，根据选择结果实时地给他一个反馈，摸索对了肯定会给他一个鼓励，错了之后也有一个相应的反馈。

数据分析的过程我就不详细讲了，我们将P300和SSVEP的检测结果合起来做一个判决，再通过统计检验得到我们的结果。结果是8个病例里有3例能检测到命令跟随，其中一例是VS，一例是MCS，还有一例是LIS。8例患者中对自己照片比较敏感的病例稍多一些，有5例能选出自己的照片，但是能选出别人的照片就只有3例。我们还做了离线分析和统计检验，结果都是类似的。

这一次用BCI来做意识检测的实验中，我们设计了两个程序，第一个程序是要患者识别自己的照片，第二个程序是识别别人的照片。有3个患者(37.5%)能够完成这个任务，同时ERP分析也确实发现，他们有明显的P300波，或者SSVEP的反应。

当然还有一点要强调的，如果通过BCI得到了正的结果，那么一般来讲是没问题，说明患者有意识；但是如果得到负的结果，却不代表他真正的没有意识。我们实验中检测到有意识的一个患者，他恢复的很不错，两个月以后他就脱离了MCS，6个月以后他就开始说话了。

BCI是在大脑和计算机或其他电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新通讯和控制技术。人们可以直接通过脑来表达想法或操纵设备，而不需要语言或动作，这可以有效增强身体严重残疾的患者与外界交流或控制外部环境的能力，以提高患者的生活质量。BCI系统的顺利开展需要多学科多方面人才的协同工作，相信随着各学科的不断发展与融合，将促进其向更高科学层次和更深技术内容的境界发展，并将以其实用性应用于更多领域。

2015-02-09)

(本文编辑：杨艺)

10.3877/cma.j.issn.2095-9141.2015.02.017

510600广州，华南理工大学自动化科学与工程学院

李远清，Email：yuanqingli@163.com

李远清.脑机接口技术在意识障碍领域应用的前景展望[J/CD].中华神经创伤外科电子杂志,2015,1(2)：124-125.