腦機(jī)接口范式及其腦電數(shù)據(jù)集研究進(jìn)展

摘要：腦機(jī)接口（brain-computer interface，BCI）是指人腦與外部設(shè)備之間創(chuàng)建直接連接，實(shí)現(xiàn)腦與設(shè)備的信息交換。臨床醫(yī)生可以使用不同方法監(jiān)測(cè)大腦活動(dòng)，腦電圖已被用作測(cè)量大腦活動(dòng)的最常用方法，具有高時(shí)間分辨率、便攜性和易用性。對(duì)于患有嚴(yán)重運(yùn)動(dòng)障礙的人，BCI成為一種可行的人機(jī)界面，可以讓這些患者與外界互動(dòng)，幫助改善他們的生活質(zhì)量。它與傳統(tǒng)的康復(fù)方式不同，可以充分調(diào)動(dòng)患者的訓(xùn)練積極性。綜述近年來(lái)BCI領(lǐng)域的各項(xiàng)研究成果以及腦電數(shù)據(jù)集，希望能促進(jìn)神經(jīng)科學(xué)中腦卒中康復(fù)領(lǐng)域的發(fā)展。

關(guān)鍵詞：腦機(jī)接口；腦電圖；數(shù)據(jù)集；腦卒中；運(yùn)動(dòng)想象

DOI：10.3969/j.issn.1674490X.2024.04.004

中圖分類號(hào)：R49""""" 文獻(xiàn)標(biāo)志碼：A""""" 文章編號(hào)：1674490X（2024）04002109

Advances on brain-computer interface paradigm and EEG datasets

WANG Jinghui1，2， GAO Juan2，3， LI Ken2，3， WANG Ziwen2，3， XU Yujie1，2， REN Han2，4， LI Zeguang2，4， ZHANG Yuting1，2

（1.Graduate School of Chengde Medical College， Chengde 067000， China; 2.Key Laboratory of Molecular Pathology and Early Diagnosis of Tumor in Hebei Province， Baoding 071000， China； 3.Department of Neurology， Baoding No.1 Central Hospital， Baoding 071000， China; 4.Graduate School of Hebei Medical University， Shijiazhuang 050000， China）

Abstract： Brain-computer interface （BCI） refers to the creation of a direct connection between the human brain and an external device to realize the exchange of information between the brain and the device. There are different methods clinicians can use to monitor brain activity， and electroencephalogram （EEG） has been used as the most common method to measure brain activity， with high temporal resolution， portability， and ease of use. For people with severe movement disorders， brain-computer interfaces become a viable human-machine interface that allows these patients to interact with the outside world， helping to improve their quality of life. It is different from the traditional way of rehabilitation and can fully mobilize the patient's enthusiasm for training. This paper reviews the recent research results and EEG data sets in the field of brain-computer interface， hoping to promote

收稿日期：20240408

基金項(xiàng)目：河北省“三三三人才工程”（A202002029）

第一作者：

王井輝（1999—），男，河北廊坊人，在讀碩士，主要從事腦血管病、神經(jīng)免疫病研究。E-mail： 1961158987@qq.com

通信作者：高娟（1972—），女，河北保定人，主任醫(yī)師，教授，博士，碩士生導(dǎo)師，主要從事腦血管病、神經(jīng)免疫病研究。E-mail： gaojuzhulia@163.com

the development of stroke rehabilitation in neuroscience.

Key words： brain-computer interface; electroencephalogram; datasets; stroke; motor imagery

腦卒中是世界人民的第二大死因，也是中國(guó)居民的主要死因。每年有超過200萬(wàn)例新病例，在中國(guó)常見疾病中，腦卒中是殘疾調(diào)整后壽命損失最高的疾病［1］。為了改善腦卒中患者的生活水平，各種范式的基于腦電圖（electroencephalogram，EEG）的腦機(jī)接口（brain-computer interface，BCI）被廣泛應(yīng)用。BCI系統(tǒng)通常由以下組件組成：信號(hào)采集、預(yù)處理、特征提取、分類（檢測(cè)）、應(yīng)用界面和反饋。它是一個(gè)以反饋為重要組成部分的閉環(huán)系統(tǒng)。BCI應(yīng)用程序是在嚴(yán)重運(yùn)動(dòng)麻痹患者中建立通信，或是控制神經(jīng)假體，或是執(zhí)行神經(jīng)反饋，視覺上向用戶反饋有關(guān)預(yù)期行為成功或失敗的信息［2］?；贓EG的BCI最近促進(jìn)了BCI技術(shù)的發(fā)展和應(yīng)用，因?yàn)樗麄兙哂斜銛y、方便、安全和廉價(jià)的特點(diǎn)［3］。BCI的應(yīng)用可以減少許多人力的投入，比如康復(fù)治療師訓(xùn)練、家屬的出行陪同。本文對(duì)近年來(lái)各種類型的基于EEG的BCI數(shù)據(jù)集進(jìn)行分類整理。

1" 運(yùn)動(dòng)想象（motor imagery，MI）范式

MI是一個(gè)自主調(diào)節(jié)運(yùn)動(dòng)區(qū)域的過程，被描述為想象一個(gè)動(dòng)作而不是執(zhí)行一個(gè)真實(shí)的動(dòng)作，但想象過程和真正的行為運(yùn)動(dòng)的腦電信號(hào)相似。在腦海中模擬運(yùn)動(dòng)的體驗(yàn)被稱為MI，雖然沒有真正進(jìn)行身體動(dòng)作，但大腦卻在精確地模擬著動(dòng)作的執(zhí)行過程。BCI是一種科技，通過解讀大腦的活動(dòng)，使人類能夠直接與外部設(shè)備進(jìn)行交互，所以MI成為BCI技術(shù)中的一種重要方式，實(shí)際上MI是一種認(rèn)知過程。即在大腦中精確地模擬運(yùn)動(dòng)活動(dòng)而不進(jìn)行實(shí)際運(yùn)動(dòng)。基于大腦皮質(zhì)的神經(jīng)可塑性，MI可以促進(jìn)受傷大腦皮質(zhì)運(yùn)動(dòng)區(qū)的功能康復(fù)［4］。相關(guān)研究已經(jīng)證實(shí)，想象激活了大腦中負(fù)責(zé)產(chǎn)生實(shí)際運(yùn)動(dòng)的區(qū)域。大多數(shù)基于MI的BCI感覺運(yùn)動(dòng)節(jié)律（sensorimotor rhythm， SMR），特別是在真實(shí)和想象運(yùn)動(dòng)中發(fā)生的事件相關(guān)去同步（event-related desynchronization， ERD），真實(shí)和想象的手部運(yùn)動(dòng)的ERD相似［5］。ERD特征：ERD分類基于運(yùn)動(dòng)開始時(shí)對(duì)側(cè)運(yùn)動(dòng)皮層的Rolandic μ節(jié)律（8～12 Hz）和Rolandic β節(jié)律（峰值約20 Hz）的降低［6］。μ節(jié)律是最顯著的SMR之一，是α波段的振蕩，當(dāng)人們運(yùn)動(dòng)（或思考運(yùn)動(dòng)）時(shí)強(qiáng)度會(huì)降低，這被稱為事件相關(guān)去同步［6-7］?；谶@一原理，許多科研人員近年來(lái)進(jìn)行了相關(guān)研究。

1.1" MI-BCI范式

早在21世紀(jì)初期，Scherer等［8］就將基于EEG的BCI提供的控制信號(hào)應(yīng)用于虛擬環(huán)境，在其內(nèi)部實(shí)現(xiàn)了導(dǎo)航。近年來(lái)，越來(lái)越多的研究致力于如何提高BCI性能，尤其是信號(hào)特征的提取和分類器精確性的提高。Faller等［9］提出一種自適應(yīng)BCI框架，既可用于系統(tǒng)校準(zhǔn)，又能用于用戶培訓(xùn)。該研究針對(duì)快速設(shè)置和快速自適應(yīng)訓(xùn)練進(jìn)行優(yōu)化，強(qiáng)調(diào)MI-BCI訓(xùn)練中早期反饋的重要性。目前自適應(yīng)仍然是BCI領(lǐng)域面臨的主要挑戰(zhàn)，這要求機(jī)器能夠最優(yōu)地表達(dá)關(guān)于用戶意圖和自身行為的推斷，Mladenovic等［10］提出一種主動(dòng)推理框架，它具有較高的靈活性——該型號(hào)能夠?qū)崿F(xiàn)最佳（動(dòng)態(tài)）停止，也可以實(shí)現(xiàn)最佳閃爍（即主動(dòng)采樣）、自動(dòng)糾錯(cuò)，以及在用戶不再看屏幕時(shí)關(guān)閉，這種方法使機(jī)器能夠在所有這些可能的模式之間靈活地進(jìn)行切換。

近年來(lái)，神經(jīng)假體的問世使BCI從虛擬走向現(xiàn)實(shí)，一些科學(xué)家試圖讓假肢代替周圍神經(jīng)和肌肉完成日常生活中的一些動(dòng)作，例如Witkowski等［11］介紹并測(cè)試了一種融合EEG和眼電圖（electro-oculogram，EOG）的新型混合腦-神經(jīng)-計(jì)算機(jī)交互系統(tǒng)，以增強(qiáng)連續(xù)手外骨骼驅(qū)動(dòng)抓握運(yùn)動(dòng)的可靠性和安全性，與單獨(dú)使用腦信號(hào)的系統(tǒng)相比，融合來(lái)自不同來(lái)源（例如EEG和EOG）生物信號(hào)的新型混合腦-神經(jīng)-計(jì)算機(jī)交互系統(tǒng)可以在控制手外骨骼方面帶來(lái)更好的性能［12］。此外，一些MI解碼研究也取得重大進(jìn)展，主要探討肢體運(yùn)動(dòng)與大腦皮質(zhì)電位的聯(lián)系。最初，Yuan等［7］提出μ和β節(jié)律與執(zhí)行/想象的手部運(yùn)動(dòng)之間也存在這樣的關(guān)系。后來(lái)，Ofner等［13］分析了低頻EEG信號(hào)時(shí)域中單個(gè)上肢運(yùn)動(dòng)的編碼，并通過10名脊髓損傷患者的低頻EEG解碼了手臂和手的運(yùn)動(dòng)［14］。Schwarz等［15］研究展示了利用人類EEG的低頻時(shí)域特征對(duì)兩次抓取和一次手腕旋后運(yùn)動(dòng)的在線解碼，所獲得的校準(zhǔn)數(shù)據(jù)的潛在EEG相關(guān)性在對(duì)側(cè)中央感覺運(yùn)動(dòng)區(qū)顯示出顯著差異，這在很大程度上保留了從在線BCI使用中獲得的數(shù)據(jù)。這些發(fā)現(xiàn)可能有助于開發(fā)一種更自然、更直觀的基于BCI的輔助裝置控制方式，如用于運(yùn)動(dòng)障礙患者的上肢運(yùn)動(dòng)神經(jīng)假體。

1.2" MI-BCI數(shù)據(jù)集

數(shù)據(jù)集的缺乏在一定程度上阻礙了腦電-腦機(jī)接口更有效的數(shù)據(jù)處理和分析方法的發(fā)展，尤其是大的、統(tǒng)一的、可訪問的數(shù)據(jù)集比較缺乏。Cho等［16］推出了一個(gè)公開發(fā)布的較大的BCI腦電數(shù)據(jù)集，它包括全頭皮覆蓋（64個(gè)電極）和52名受試者的數(shù)據(jù)，但每個(gè)受試者只有36 min和240個(gè)EEG圖像樣本，并且只有左右手MI交互范例。缺乏全面的公共腦電-腦機(jī)接口數(shù)據(jù)集是開發(fā)腦電-腦機(jī)接口新數(shù)據(jù)分析方法的一個(gè)重大缺陷。Kaya等［17］提出了更大更全面的數(shù)據(jù)集，該數(shù)據(jù)集包含了13名參與者75次訓(xùn)練中的60 h EEG BCI記錄，60 000個(gè)心理想象和4個(gè)BCI交互范式，以及同一個(gè)人的多個(gè)訓(xùn)練記錄和范式。BCI交互作用涉及多達(dá)6種心理想象狀態(tài)，包括左手、右手、左腿、右腿和舌頭運(yùn)動(dòng)圖像，以及一個(gè)圓圈表示的被動(dòng)想象，旨在研究通過EEG信號(hào)識(shí)別更精細(xì)MI的可能性。該數(shù)據(jù)集是迄今為止發(fā)布的較大的腦電-腦機(jī)接口數(shù)據(jù)集之一，在一致性、縱向和橫向覆蓋率以及交互復(fù)雜性方面，與現(xiàn)有數(shù)據(jù)集相比邁出了重要一步。

Ma等［18］描述了同一肢體不同關(guān)節(jié)MI的開放訪問多受試者數(shù)據(jù)集，該數(shù)據(jù)集有助于分析同一肢體的大腦激活模式以及MI解碼技術(shù)的研究。Stieger等［19］收集了一個(gè)大型縱向數(shù)據(jù)集，該數(shù)據(jù)集是迄今為止公開的較大和較復(fù)雜的SMR-BCI數(shù)據(jù)集之一，該數(shù)據(jù)集對(duì)MI-BCI領(lǐng)域具有特殊價(jià)值，EEG數(shù)據(jù)量足以訓(xùn)練大型解碼模型， 樣本大小允許測(cè)試解碼模型和信號(hào)處理技術(shù)的推廣程度， 對(duì)于開發(fā)BCI控制的改進(jìn)算法有現(xiàn)實(shí)意義。Ma等［20］使用各種機(jī)器學(xué)習(xí)算法（包括深度學(xué)習(xí)）和受試者特定模型，為三種條件提供基準(zhǔn)分類精度，即訓(xùn)練期內(nèi)分類、跨訓(xùn)練期分類和跨訓(xùn)練期自適應(yīng)，收集了來(lái)自25名受試者5 d不同時(shí)間的MI大數(shù)據(jù)集，這一新數(shù)據(jù)集將推動(dòng)MI-BCI研究在解決跨訓(xùn)練期和跨學(xué)科挑戰(zhàn)方面的進(jìn)一步發(fā)展。Jeong等［21］在多次記錄過程中獲得了11種不同的上肢運(yùn)動(dòng)任務(wù)，提供了一個(gè)大的直觀數(shù)據(jù)集，該數(shù)據(jù)集包括多個(gè)記錄會(huì)話、單個(gè)上肢內(nèi)的不同類別和多模態(tài)信號(hào)的數(shù)據(jù)，此研究可用于：比較與真實(shí)運(yùn)動(dòng)和想象相關(guān)的大腦活動(dòng)；提高解碼性能；分析錄音會(huì)話之間的差異。近年來(lái)的研究中，Iwama等［22］提供了使用基于SMR的BCI期間的EEG數(shù)據(jù)，該數(shù)據(jù)由4個(gè)獨(dú)立的數(shù)據(jù)集組成，所有EEG數(shù)據(jù)都是用高密度頭皮EEG裝置采集的，該裝置包含覆蓋整個(gè)頭部的128個(gè)通道。所有參與者都被要求根據(jù)任務(wù)相關(guān)的SMR幅度功率衰減，即事件相關(guān)的去同步，執(zhí)行右手運(yùn)動(dòng)的MI，作為控制BCI的策略。該數(shù)據(jù)集將使研究人員能夠探索BCI學(xué)習(xí)效率變異的潛在來(lái)源，并促進(jìn)后續(xù)研究，以測(cè)試數(shù)據(jù)集探索的明確假設(shè)。Dreyer等［23］共享了一個(gè)大型數(shù)據(jù)庫(kù)，其中包含87名參與者的EEG信號(hào)，所有數(shù)據(jù)集都使用相同的協(xié)議記錄：右手和左手運(yùn)動(dòng)圖像，該數(shù)據(jù)集具有廣泛的用途：研究BCI用戶檔案與其BCI性能之間的關(guān)系；研究不同用戶檔案和MI任務(wù)的腦電信號(hào)特性如何變化；使用大量參與者設(shè)計(jì)跨用戶BCI機(jī)器學(xué)習(xí)算法；將用戶檔案信息納入腦電信號(hào)分類算法的設(shè)計(jì)中。

2" 外部刺激范式

2.1" 視覺P300范式

基于EEG的BCI可用于控制外部設(shè)備，例如虛擬環(huán)境、假骨骼等，另外非常重要的應(yīng)用是一種拼寫設(shè)備，它可以幫患者向外界傳遞信息、輔助交流。與其他BCI范式相比，基于P300的BCI系統(tǒng)更適合快速和準(zhǔn)確地拼寫字符。Guger等［24］研究表明，P300 BCI系統(tǒng)可以使用約5 min的訓(xùn)練數(shù)據(jù)對(duì)大量非殘疾受試者實(shí)現(xiàn)較高的拼寫準(zhǔn)確性。Riccio等［25］分析了注意力和記憶過程在控制基于P300的BCI方面的影響，并且Aricoò等［26］證實(shí)了P300誘發(fā)電位的時(shí)間穩(wěn)定性較低，是BCI中隱蔽注意模式準(zhǔn)確性下降的原因，視覺P300范式BCI性能進(jìn)一步增強(qiáng)。近年來(lái)，Da等［27］改進(jìn)了基于P300的BCI應(yīng)用程序——P3CNET，它超越了從EEG信號(hào)中檢測(cè)P300最先進(jìn)的精度。這項(xiàng)研究強(qiáng)調(diào)了腦電信號(hào)預(yù)處理對(duì)優(yōu)化模型訓(xùn)練的重要性，通過指示信號(hào)的最佳微調(diào)優(yōu)化模型訓(xùn)練，還提出了一種通過避免多次不必要的重新校準(zhǔn)簡(jiǎn)化獲取程序的方法。事件相關(guān)電位（event-related potential，ERP）是一種特殊的誘發(fā)電位，反映大腦的生理活動(dòng)和認(rèn)知過程的不同方面，P300是經(jīng)典ERP主要成分的一種，其他還有P100、N100、P200、N200。Ni等［28］提出的對(duì)抗性訓(xùn)練和時(shí)間建模可以幫助基于ERP的BCI成功應(yīng)用于不同的受試者和不同的心理負(fù)荷，甚至同時(shí)應(yīng)用，這減少了不同個(gè)體的校準(zhǔn)工作量，使系統(tǒng)更加健壯、靈活和普遍實(shí)用。所提出的方法在更真實(shí)的環(huán)境中對(duì)有限且有點(diǎn)隨機(jī)的大腦信號(hào)進(jìn)行建模方面顯示出了巨大的優(yōu)勢(shì)，這有助于開發(fā)通用的BCI，并使其應(yīng)用于更廣泛的領(lǐng)域。Gao等［29］最新研究展示了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)和EEG數(shù)據(jù)的P300 BCI在線拼寫系統(tǒng)，基于該研究的數(shù)據(jù)，可以在線構(gòu)建零校準(zhǔn)或縮短校準(zhǔn)的P300 BCI。在不久的將來(lái)，可以將該系統(tǒng)擴(kuò)展到腦卒中或脊髓損傷患者，以幫助他們提高自我護(hù)理能力。

一個(gè)龐大而清晰的數(shù)據(jù)集對(duì)提高模型的可靠性和性能至關(guān)重要。Moucek等［30］描述了一個(gè)大型P300數(shù)據(jù)集，數(shù)據(jù)是在“猜數(shù)字”實(shí)驗(yàn)中收集的，實(shí)驗(yàn)參與者（250名學(xué)齡兒童）被要求在1～9中選擇一個(gè)數(shù)字并集中注意力，然后，受試者暴露在視覺刺激下，包括顯示器上隨機(jī)出現(xiàn)的1～9的數(shù)字，實(shí)驗(yàn)者在在線觀察與事件相關(guān)的電位波形時(shí)試圖猜測(cè)他們想到的數(shù)字，這項(xiàng)研究的參與者數(shù)量較多，為神經(jīng)科學(xué)和BCI領(lǐng)域提供了較大的公開可用的數(shù)據(jù)集范例集合。Simes等［31］提出了BCIAUT-P300數(shù)據(jù)集，其中包含15例孤獨(dú)癥譜系障礙患者，他們接受了7次基于P300的BCI聯(lián)合注意力訓(xùn)練，總共105次，該數(shù)據(jù)集已被用于IFMBE科學(xué)競(jìng)賽。該數(shù)據(jù)集現(xiàn)已公開發(fā)布，并作為未來(lái)基于多會(huì)話數(shù)據(jù)基于P300 BCI算法的基準(zhǔn)。Won等［32］提出了一個(gè)大型EEG數(shù)據(jù)集，其中包含55名參與者的眼睛睜開/閉合靜息狀態(tài)、快速串行視覺呈現(xiàn)（rapid serial visual presentation task，RSVP）和基于視覺P300的BCI，雖然該數(shù)據(jù)集參與者數(shù)量不多，但是包含豐富的信息，如眼睛睜開/閉上休息狀態(tài)、問卷調(diào)查、三維電極位置，它可以用來(lái)評(píng)估BCI性能與提出的分類方法，并且對(duì)于更深入的神經(jīng)生理和心理方面的調(diào)查非常有用。

2.2" 其他外部刺激范式

基于視覺P300的BCI通常只有在目標(biāo)被眼睛注視時(shí)才能產(chǎn)生高性能。在許多長(zhǎng)時(shí)間的BCI訓(xùn)練中，許多范例使用強(qiáng)烈的視覺刺激，這可能是傷害性的刺激。對(duì)于廣泛使用的P300拼寫器，有證據(jù)表明，只有當(dāng)目標(biāo)符號(hào)與眼睛固定時(shí)，BCI控制才是有效的［33］。為解決這一問題，科學(xué)家們采取了不同的方法規(guī)避注視依賴的問題，例如Aloise等［34］的GeoSpell接口（幾何拼寫器）在完全沒有眼球運(yùn)動(dòng)的情況下依然適用；Acqualagna等［35］推出的RSVP拼寫器也被認(rèn)為是應(yīng)用于眼動(dòng)控制受損患者的有效范式；以及Reichert等［36］開發(fā)的一種基于回復(fù)的交流BCI，它有可能支持嚴(yán)重癱瘓、眼球運(yùn)動(dòng)受損和視力低下的人與他們的環(huán)境溝通。這些更適用于失去眼球運(yùn)動(dòng)功能的患者，當(dāng)患者動(dòng)眼神經(jīng)麻痹或眼部肌肉病變時(shí)，這些BCI依然可以有效操作。

Zheng等［37］提出，基于RSVP的協(xié)同BCI數(shù)據(jù)集，被廣泛用于目標(biāo)和非目標(biāo)圖像的分類，該數(shù)據(jù)集可用于開發(fā)更有效的算法，以提高基于RSVP的協(xié)作BCI系統(tǒng)的性能和實(shí)用性。除了驗(yàn)證該研究中BCI的性能外，該數(shù)據(jù)集還可用于研究以下主題：基于RSVP的BCI范式中ERP和穩(wěn)態(tài)視覺誘發(fā)電位（steady-state visual evoked potentials， SSVEP）的腦動(dòng)力學(xué)；單試驗(yàn)ERP檢測(cè)的數(shù)據(jù)分析算法；協(xié)作BCI的數(shù)據(jù)融合方法；基于跨會(huì)話ERP的BCI的遷移學(xué)習(xí)算法。同年，Zhang等［38］也報(bào)道了基于RSVP范式的BCI系統(tǒng)獲得的一個(gè)基準(zhǔn)數(shù)據(jù)集，該數(shù)據(jù)集由64位健康受試者在執(zhí)行目標(biāo)圖像檢測(cè)任務(wù)時(shí)的64通道EEG數(shù)據(jù)組成。該數(shù)據(jù)集可以作為基準(zhǔn)數(shù)據(jù)集，用于比較基于RSVP的BCI中目標(biāo)識(shí)別算法，還可以用于設(shè)計(jì)新的系統(tǒng)圖并評(píng)估其BCI性能，而無(wú)需通過離線模擬收集任何新數(shù)據(jù)。此外，該數(shù)據(jù)集還為基于RSVP的BCI的ERP和SSVEP的表征和建模提供了高質(zhì)量的數(shù)據(jù)。基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機(jī)接口（SSVEP-BCI）因其較高的傳輸速率而具有較好應(yīng)用前景，但在現(xiàn)有的研究中SSVEP-BCI數(shù)據(jù)庫(kù)較少。Liu等［39］提出了一個(gè)面向老年人的SSVEP-BCI大型基準(zhǔn)數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)由來(lái)自100名老年參與者的64通道EEG組成，并通過對(duì)13種頻率識(shí)別方法的分類分析，驗(yàn)證了該數(shù)據(jù)庫(kù)的質(zhì)量和特征，這將對(duì)SSVEP-BCI系統(tǒng)的設(shè)計(jì)至關(guān)重要。已有研究證明，BCI表現(xiàn)會(huì)因年齡不同而異［40-42］，所以此數(shù)據(jù)集更傾向于為老年人的BCI系統(tǒng)的設(shè)計(jì)和優(yōu)化提供基礎(chǔ)。2021年，Zhu等［43］推出了一個(gè)基于SSVEP的BCI的開放數(shù)據(jù)集，該數(shù)據(jù)集將在不同方面為研究基于SSVEP的BCI發(fā)揮重要而有效的作用：首先，這些數(shù)據(jù)可以很容易地用于開發(fā)和評(píng)估SSVEP檢測(cè)的新算法；其次，高效的噪聲去除方法和通道選擇方法可能有助于可穿戴BCI，特別是對(duì)于干電極的數(shù)據(jù)；最后，由于研究對(duì)象較多，該數(shù)據(jù)集可以進(jìn)一步用于BCI人口統(tǒng)計(jì)分析。Renton等［44］提出了一個(gè)數(shù)據(jù)集促進(jìn)算法的訓(xùn)練，該數(shù)據(jù)集包括來(lái)自30名健康參與者的EEG和行為反應(yīng)，他們對(duì)頻率標(biāo)記的視覺刺激執(zhí)行了基于特征的運(yùn)動(dòng)識(shí)別任務(wù)。該研究允許開發(fā)和基準(zhǔn)化算法，使用單次試驗(yàn)EEG數(shù)據(jù)對(duì)基于特征的注意力進(jìn)行分類，有助于促進(jìn)基于視覺特征和基于視覺對(duì)象的注意廣泛應(yīng)用于BCI控制。對(duì)于想象的視覺內(nèi)容，現(xiàn)有的開放EEG數(shù)據(jù)集是稀缺的，Wilson等［45］提出了一個(gè)開放多感官想象和感知數(shù)據(jù)集，包括12名參與者，通過124個(gè)EEG通道系統(tǒng)獲得。這可用于BCI相關(guān)的解碼，以及在語(yǔ)義類別保持不變的情況下，更好地理解感知、想象和跨感官模式背后的神經(jīng)機(jī)制。

另外，還有其他方法規(guī)避注視依賴的問題，如空間聽覺［46］和觸覺反饋［47］，值得一提的是，Treder等［48］提出將復(fù)調(diào)音樂（由幾種樂器并行演奏組成的音樂）作為一種新的刺激方法用于BCI。Wang等［49］最新研究提出了基于耳內(nèi)生物電子學(xué)的耳內(nèi)視覺和聽覺BCI，命名為SpiralE，這為設(shè)計(jì)3D柔性生物電子學(xué)提供了創(chuàng)新概念，并有助于生物醫(yī)學(xué)工程和神經(jīng)監(jiān)測(cè)的發(fā)展。

3" 混合范式

僅僅通過“思考”移動(dòng)機(jī)器人的想法在過去幾十年里吸引了研究人員的興趣。目前，Wang等［50］提出混合EEG-EOG BCI，它結(jié)合MI、P300電位和眨眼實(shí)現(xiàn)輪椅的前進(jìn)、后退和停止控制，實(shí)驗(yàn)已經(jīng)證明了使用BCI控制模擬或真實(shí)輪椅的可行性。Mousavi等［51］證實(shí)混合BCI的有效性，該接口將運(yùn)動(dòng)圖像信號(hào)與錯(cuò)誤相關(guān)的大腦活動(dòng)相結(jié)合，以應(yīng)對(duì)BCI口錯(cuò)誤。這種新提出的BCI在準(zhǔn)確性、信息傳遞率和主觀感知率方面顯著優(yōu)于傳統(tǒng)的MI-BCI。在最新研究中，Mai等［52］提出一種將SSVEP和EOG混合解碼的連續(xù)BCI免校準(zhǔn)解碼方法，在離線實(shí)驗(yàn)中，與現(xiàn)有的SSVEP檢測(cè)方法相比，該方法顯示出更高的連續(xù)精度和更短的視線轉(zhuǎn)移時(shí)間；在線實(shí)驗(yàn)中所提出的混合BCI在連續(xù)準(zhǔn)確度和視線轉(zhuǎn)移時(shí)間方面顯著優(yōu)于SSVEP-BCI。在未來(lái)的研究中，可以通過優(yōu)化檢測(cè)方法提高連續(xù)BCI的療效，并將所提出的方法擴(kuò)展到大腦控制的外部設(shè)備中，以進(jìn)一步證明其療效。Pichiorri等［53］探索腦卒中后高密度皮質(zhì)肌肉網(wǎng)絡(luò)，為手部運(yùn)動(dòng)康復(fù)提供新型腦機(jī)混合接口，該研究通過比較腦卒中患者和健康參與者在簡(jiǎn)單手部任務(wù)中的數(shù)據(jù)，分析了高密度皮質(zhì)肌肉連貫性網(wǎng)絡(luò)（來(lái)自多個(gè)EEG和肌電圖通道）及其與上肢運(yùn)動(dòng)缺陷的關(guān)系，結(jié)果支持其更廣泛地應(yīng)用于臨床和康復(fù)中。

Lee等［54］推出一個(gè)移動(dòng)數(shù)據(jù)集，該數(shù)據(jù)集從EEG以及運(yùn)動(dòng)傳感器獲得。該數(shù)據(jù)集記錄廣泛，除32通道頭皮EEG，還記錄了14通道耳朵EEG、4通道EOG以及放置在前額、左右腳踝的9通道慣性測(cè)量元件。該數(shù)據(jù)集有助于各種移動(dòng)環(huán)境中的BCI分析大腦活動(dòng)，并定量評(píng)估性能，以擴(kuò)大實(shí)際BCI的使用。Charles等［55］提出前額葉非對(duì)稱性BCI神經(jīng)反饋數(shù)據(jù)集，提供的數(shù)據(jù)是3個(gè)不同實(shí)驗(yàn)的結(jié)果，使用前額葉皮層（prefrontal cortical，PFC）非對(duì)稱神經(jīng)反饋（neurofeedback，NF）作為BCI范式，而不是針對(duì)長(zhǎng)期治療效果的機(jī)制，參與者按照實(shí)時(shí)NF范式與連續(xù)的視覺反饋進(jìn)行交互，使用功能性近紅外光譜（functional near-infrared spectroscopy， fNIRS），這和大部分采用EEG的研究大有不同，使用fNIRS是已知的特別適合于PFC非對(duì)稱性研究的數(shù)據(jù)，它對(duì)偽影不太敏感。這些數(shù)據(jù)集涵蓋不同的NF變量，他們對(duì)研究不同長(zhǎng)度時(shí)期的信號(hào)動(dòng)力學(xué)以及圍繞基線和參考時(shí)期的問題是有價(jià)值的。眼動(dòng)追蹤可以作為基于EEG的BCI的補(bǔ)充方法，特別是改善BCI在視覺感知和認(rèn)知方面的表現(xiàn)。Cheng等［56］提出一種融合MI任務(wù)中EEG和眼動(dòng)數(shù)據(jù)的方法，選擇合適的眼球運(yùn)動(dòng)特征，如注視坐標(biāo)、掃視長(zhǎng)度、瞳孔直徑等與腦電特征相結(jié)合，并深入探索不同融合層的特征融合策略，研究表明，在特征層上，EEG和眼動(dòng)數(shù)據(jù)融合可以實(shí)現(xiàn)比純EEG數(shù)據(jù)或眼動(dòng)數(shù)據(jù)更高的平均分類精度；融合方法在決策層上的平均分類精度優(yōu)先特征層；與純四通道EEG數(shù)據(jù)相比，2個(gè)對(duì)稱通道的EEG數(shù)據(jù)與眼動(dòng)數(shù)據(jù)的組合也可以產(chǎn)生相似的平均分類精度，這可大大優(yōu)化傳統(tǒng)的基于腦電的MI-BCI。

4" 總結(jié)

相比之下，MI-BCI范式對(duì)于運(yùn)動(dòng)功能缺陷患者更實(shí)用且不需要外界刺激。外骨骼控制肢體末端關(guān)節(jié)已經(jīng)成為現(xiàn)實(shí)，例如：Crea等［57］研究證實(shí)，全臂外骨骼可以完成“喝酒任務(wù)”，該任務(wù)包括伸手、抓握、喝水、向后移動(dòng)和釋放杯子，這使嚴(yán)重上肢肌肉癱瘓患者能夠得到有力的支持。隨著MI解碼研究的進(jìn)展，未來(lái)有望實(shí)現(xiàn)更多關(guān)節(jié)的靈活運(yùn)動(dòng)，但與其他范式相比仍有不足，例如分類精確度較低，需要參與者提前訓(xùn)練等問題仍待解決或優(yōu)化。視覺P300范式準(zhǔn)確性較高，但依賴于長(zhǎng)時(shí)間注視，不可避免會(huì)產(chǎn)生傷害性刺激，其他外部刺激范式雖然可以避免這種刺激，但準(zhǔn)確性不如視覺P300范式。

每種范式都有相應(yīng)的優(yōu)缺點(diǎn)，而混合BCI范式可以實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，系統(tǒng)可靠性進(jìn)一步提高，多種試驗(yàn)范式的融合，在增強(qiáng)性能的同時(shí)，也會(huì)給受試者帶來(lái)更佳體驗(yàn)。目前仍不可回避的問題，在臨床試驗(yàn)中，一些患者或者是健康人不能學(xué)會(huì)控制大腦活動(dòng)，這會(huì)導(dǎo)致患者的依從性降低，康復(fù)效果大大減低，如何規(guī)范設(shè)計(jì)簡(jiǎn)單易學(xué)的操作是醫(yī)護(hù)人員面臨的挑戰(zhàn)。腦卒中患者的癥狀復(fù)雜多樣，設(shè)計(jì)最適合患者的個(gè)體化方案可能需要更大的樣本，加強(qiáng)國(guó)際多中心合作，組織更多病情相似的患者開展研究，以設(shè)計(jì)精準(zhǔn)的康復(fù)策略。

參考文獻(xiàn)：

［1］WU S M， WU B， LIU M， et al. Stroke in China： advances and challenges in epidemiology， prevention， and management［J］. Lancet Neurol， 2019， 18（4）： 394-405. DOI： 10.1016/S1474-4422（18）30500-3.

［2］LEEB R， LEE F， KEINRATH C， et al. Brain-computer communication： motivation， aim， and impact of exploring a virtual apartment［J］. IEEE Trans Neural Syst Rehabil Eng， 2007， 15（4）： 473-482. DOI： 10.1109/TNSRE.2007.906956.

［3］ZHANG R， LI Y Q， YAN Y Y， et al. Control of a wheelchair in an indoor environment based on a brain-computer interface and automated navigation［J］. IEEE Trans Neural Syst Rehabil Eng， 2016， 24（1）： 128-139. DOI： 10.1109/TNSRE.2015.2439298.

［4］TAO T F， JIA Y G， XU G H， et al. Enhancement of motor imagery training efficiency by an online adaptive training paradigm integrated with error related potential［J］. J Neural Eng， 2023， 20（1）：16-29. DOI： 10.1088/1741-2552/acb102.

［5］MCFARLAND D J， MINER L A， VAUGHAN T M， et al. Mu and beta rhythm topographies during motor imagery and actual movements［J］. Brain Topogr， 2000， 12（3）： 177-186. DOI： 10.1023/a： 1023437823106.

［6］PFURTSCHELLER G， LOPES DA SILVA F H. Event-related EEG/MEG synchronization and desynchronization： basic principles［J］. Clin Neurophysiol， 1999， 110（11）： 1842-1857. DOI： 10.1016/s1388-2457（99）00141-8.

［7］YUAN H， LIU T， SZARKOWSKI R， et al. Negative covariation between task-related responses in alpha/beta-band activity and BOLD in human sensorimotor cortex： an EEG and fMRI study of motor imagery and movements［J］. Neuroimage， 2010， 49（3）： 2596-2606. DOI： 10.1016/j.neuroimage.2009.10.028.

［8］SCHERER R， LEE F， SCHLOGL A， et al. Toward self-paced brain-computer communication： navigation through virtual worlds［J］. IEEE Trans Biomed Eng， 2008， 55（2 Pt 1）： 675-682. DOI： 10.1109/TBME.2007.903709.

［9］FALLER J， VIDAURRE C， SOLIS-ESCALANTE T， et al. Autocalibration and recurrent adaptation： towards a plug and play online ERD-BCI［J］. IEEE Trans Neural Syst Rehabil Eng， 2012， 20（3）： 313-319. DOI： 10.1109/TNSRE.2012.2189584.

［10］MLADENOVIC J， FREY J， JOFFILY M， et al. Active inference as a unifying， generic and adaptive framework for a P300-based BCI［J］. J Neural Eng， 2020， 17（1）： 016054. DOI： 10.1088/1741-2552/ab5d5c.

［11］WITKOWSKI M， CORTESE M， CEMPINI M， et al. Enhancing brain-machine interface （BMI） control of a hand exoskeleton using electrooculography （EOG）［J］. J Neuroeng Rehabil， 2014， 11： 165. DOI： 10.1186/1743-0003-11-165.

［12］SOEKADAR S R， WITKOWSKI M， VITIELLO N， et al. An EEG/EOG-based hybrid brain-neural computer interaction （BNCI） system to control an exoskeleton for the paralyzed hand［J］. Biomed Tech， 2015， 60（3）： 199-205. DOI： 10.1515/bmt-2014-0126.

［13］OFNER P， SCHWARZ A， PEREIRA J， et al. Upper limb movements can be decoded from the time-domain of low-frequency EEG［J］. PLoS One， 2017， 12（8）： e0182578. DOI： 10.1371/journal.pone.0182578.

［14］OFNER P， SCHWARZ A， PEREIRA J， et al. Attempted arm and hand movements can be decoded from low-frequency EEG from persons with spinal cord injury［J］. Sci Rep， 2019， 9（1）： 7134. DOI： 10.1038/s41598-019-43594-9.

［15］SCHWARZ A， HLLER M K， PEREIRA J， et al. Decoding hand movements from human EEG to control a robotic arm in a simulation environment［J］. J Neural Eng， 2020， 17（3）： 036010. DOI： 10.1088/1741-2552/ab882e.

［16］CHO H， AHN M， AHN S， et al. EEG datasets for motor imagery brain-computer interface［J］. Giga Science， 2017， 6（7）： 1-8. DOI： 10.1093/gigascience/gix034.

［17］KAYA M， BINLI M K， OZBAY E， et al. A large electroencephalographic motor imagery dataset for electroencephalographic brain computer interfaces［J］. Sci Data， 2018， 5： 180211. DOI： 10.1038/sdata.2018.211.

［18］MA X L， QIU S， HE H G. Multi-channel EEG recording during motor imagery of different joints from the same limb［J］. Sci Data， 2020， 7（1）： 191. DOI： 10.1038/s41597-020-0535-2.

［19］STIEGER J R， ENGEL S A， HE B. Continuous sensorimotor rhythm based brain computer interface learning in a large population［J］. Sci Data， 2021， 8（1）： 98. DOI： 10.1038/s41597-021-00883-1.

［20］MA J， YANG B H， QIU W Z， et al. A large EEG dataset for studying cross-session variability in motor imagery brain-computer interface［J］. Sci Data， 2022， 9（1）： 531. DOI： 10.1038/s41597-022-01647-1.

［21］JEONG J H， CHO J H， SHIM K H， et al. Multimodal signal dataset for 11 intuitive movement tasks from single upper extremity during multiple recording sessions［J］. Gigascience， 2020， 9（10）： giaa098. DOI： 10.1093/gigascience/giaa098.

［22］IWAMA S， MORISHIGE M， KODAMA M， et al. High-density scalp electroencephalogram dataset during sensorimotor rhythm-based brain-computer interfacing［J］. Sci Data， 2023， 10（1）： 385. DOI： 10.1038/s41597-023-02260-6.

［23］DREYER P， ROC A， PILLETTE L， et al. A large EEG database with users profile information for motor imagery brain-computer interface research［J］. Sci Data， 2023， 10（1）： 580. DOI： 10.1038/s41597-023-02445-z.

［24］GUGER C， DABAN S， SELLERS E， et al. How many people are able to control a P300-based brain-computer interface （BCI）？［J］. Neurosci Lett， 2009， 462（1）： 94-98. DOI： 10.1016/j.neulet.2009.06.045.

［25］RICCIO A， SIMIONE L， SCHETTINI F， et al. Attention and P300-based BCI performance in people with amyotrophic lateral sclerosis［J］. Front Hum Neurosci， 2013， 7： 732. DOI： 10.3389/fnhum.2013.00732.

［26］ARICO P， ALOISE F， SCHETTINI F， et al. Influence of P300 latency jitter on event related potential-based brain-computer interface performance［J］. J Neural Eng， 2014， 11（3）： 035008. DOI： 10.1088/1741-2560/11/3/035008.

［27］DA I， DUI L G， FERRANTE S， et al. Leveraging deep learning techniques to improve P300-based brain computer interfaces［J］. IEEE J Biomed Health Inform， 2022， 26（10）： 4892-4902. DOI： 10.1109/JBHI.2022.3174771.

［28］NI Z Y， XU J M， WU Y W， et al. Improving cross-state and cross-subject visual ERP-based BCI with temporal modeling and adversarial training［J］. IEEE Trans Neural Syst Rehabil Eng， 2022， 30： 369-379. DOI： 10.1109/TNSRE.2022.3150007.

［29］GAO W， HUANG W C， LI M， et al. Eliminating or shortening the calibration for a P300 brain-computer interface based on a convolutional neural network and big electroencephalography data： an online study［J］. IEEE Trans Neural Syst Rehabil Eng， 2023， 31： 1754-1763. DOI： 10.1109/TNSRE.2023.3259991.

［30］MOUC""" ˇEK R， VAR" ˇEKA L， PROKOP T， et al. Event-related potential data from a guess the number brain-computer interface experiment on school children［J］. Sci Data， 2017， 4： 160121. DOI： 10.1038/sdata.2016.121.

［31］SIMES M， BORRA D， SANTAMARA-VZQUEZ E， et al. BCIAUT-P300： a multi-session and multi-subject benchmark dataset on autism for P300-based brain-computer-interfaces［J］. Front Neurosci， 2020， 14： 568104. DOI： 10.3389/fnins.2020.568104.

［32］WON K， KWON M， AHN M， et al. EEG dataset for RSVP and P300 speller brain-computer interfaces［J］. Sci Data， 2022， 9（1）： 388. DOI： 10.1038/s41597-022-01509-w.

［33］BRUNNER P， JOSHI S， BRISKIN S， et al. Does the ‘P300’ speller depend on eye gaze？［J］. J Neural Eng， 2010， 7（5）： 056013. DOI： 10.1088/1741-2560/7/5/056013.

［34］ALOISE F， ARIC P， SCHETTINI F， et al. A covert attention P300-based brain-computer interface： Geospell［J］. Ergonomics， 2012， 55（5）： 538-551. DOI： 10.1080/00140139.2012.661084.

［35］ACQUALAGNA L， BLANKERTZ B. Gaze-independent BCI-spelling using rapid serial visual presentation （RSVP）［J］. Clin Neurophysiol， 2013， 124（5）： 901-908. DOI： 10.1016/j.clinph.2012.12.050.

［36］REICHERT C， TELLEZ CEJA I F， SWEENEY-REED C M， et al. Impact of stimulus features on the performance of a gaze-independent brain-computer interface based on covert spatial attention shifts［J］. Front Neurosci， 2020， 14： 591777. DOI： 10.3389/fnins.2020.591777.

［37］ZHENG L， SUN S， ZHAO H Z， et al. A cross-session dataset for collaborative brain-computer interfaces based on rapid serial visual presentation［J］. Front Neurosci， 2020， 14： 579469. DOI： 10.3389/fnins.2020.579469.

［38］ZHANG S G， WANG Y J， ZHANG L J， et al. A benchmark dataset for RSVP-based brain-computer interfaces［J］. Front Neurosci， 2020， 14： 568000. DOI： 10.3389/fnins.2020.568000.

［39］LIU B C， WANG Y J， GAO X R， et al. eldBETA： a large eldercare-oriented benchmark database of SSVEP-BCI for the aging population［J］. Sci Data， 2022， 9（1）： 252. DOI： 10.1038/s41597-022-01372-9.

［40］ALLISON B， LUTH T， VALBUENA D， et al. BCI demographics： how many （and what kinds of） people can use an SSVEP BCI？［J］. IEEE Trans Neural Syst Rehabil Eng， 2010， 18（2）： 107-116. DOI： 10.1109/TNSRE.2009.2039495.

［41］EHLERS J， VALBUENA D， STILLER A， et al. Age-specific mechanisms in an SSVEP-based BCI scenario： evidences from spontaneous rhythms and neuronal oscillators［J］. Comput Intell Neurosci， 2012， 2012： 967305. DOI： 10.1155/2012/967305.

［42］CHEN M L， FU D N， BOGER J， et al. Age-related changes in vibro-tactile EEG response and its implications in BCI applications： a comparison between older and younger populations［J］. IEEE Trans Neural Syst Rehabil Eng， 2019， 27（4）： 603-610. DOI： 10.1109/TNSRE.2019.2890968.

［43］ZHU F K， JIANG L， DONG G Y， et al. An open dataset for wearable SSVEP-based brain-computer interfaces［J］. Sensors， 2021， 21（4）： 1256. DOI： 10.3390/s21041256.

［44］RENTON A I， PAINTER D R， MATTINGLEY J B. Optimising the classification of feature-based attention in frequency-tagged electroencephalography data［J］. Sci Data， 2022， 9（1）： 296. DOI： 10.1038/s41597-022-01398-z.

［45］WILSON H， GOLBABAEE M， PROULX M J， et al. EEG-based BCI dataset of semantic concepts for imagination and perception tasks［J］. Sci Data， 2023， 10（1）： 386. DOI： 10.1038/s41597-023-02287-9.

［46］HALDER S， KTHNER I， KBLER A. Training leads to increased auditory brain-computer interface performance of end-users with motor impairments［J］. Clin Neurophysiol， 2016，127（2）：1288-1296. DOI： 10.1016/j.clinph.2015.08.007.

［47］JIN J， CHEN Z M， XU R， et al. Developing a novel tactile P300 brain-computer interface with a cheeks-stim paradigm［J］. IEEE Trans Biomed Eng， 2020， 67（9）： 2585-2593. DOI： 10.1109/TBME.2020.2965178.

［48］TREDER M S， PURWINS H， MIKLODY D， et al. Decoding auditory attention to instruments in polyphonic music using single-trial EEG classification［J］. J Neural Eng， 2014， 11（2）： 026009. DOI： 10.1088/1741-2560/11/2/026009.

［49］WANG Z H， SHI N L， ZHANG Y C， et al. Conformal in-ear bioelectronics for visual and auditory brain-computer interfaces［J］. Nat Commun， 2023， 14（1）： 4213. DOI： 10.1038/s41467-023-39814-6.

［50］WANG H T， LI Y Q， LONG J Y， et al. An asynchronous wheelchair control by hybrid EEG-EOG brain-computer interface［J］. Cogn Neurodyn， 2014， 8（5）： 399-409. DOI： 10.1007/s11571-014-9296-y.

［51］MOUSAVI M， KROL L R， DE SA V R. Hybrid brain-computer interface with motor imagery and error-related brain activity［J］. J Neural Eng， 2020， 17（5）： 056041. DOI： 10.1088/1741-2552/abaa9d.

［52］MAI X M， SHENG X J， SHU X K， et al. A calibration-free hybrid approach combining SSVEP and EOG for continuous control［J］. IEEE Trans Neural Syst Rehabil Eng， 2023， 31： 3480-3491. DOI： 10.1109/TNSRE.2023.3307814.

［53］PICHIORRI F， TOPPI J， SETA V D， et al. Exploring high-density corticomuscular networks after stroke to enable a hybrid Brain-Computer Interface for hand motor rehabilitation［J］. J Neuroeng Rehabil， 2023， 20（1）： 5. DOI： 10.1186/s12984-023-01127-6.

［54］LEE Y E， SHIN G H， LEE M J， et al. Mobile BCI dataset of scalp- and ear-EEGs with ERP and SSVEP paradigms while standing， walking， and running［J］. Sci Data， 2021， 8（1）： 315. DOI： 10.1038/s41597-021-01094-4.

［55］CHARLES F， DE CASTRO MARTINS C， CAVAZZA M. Prefrontal asymmetry BCI neurofeedback datasets［J］. Front Neurosci， 2020， 14： 601402. DOI： 10.3389/fnins.2020.601402.

［56］CHENG S W， WANG J L， ZHANG L K， et al. Motion imagery-BCI based on EEG and eye movement data fusion［J］. IEEE Trans Neural Syst Rehabil Eng， 2020， 28（12）： 2783-2793. DOI： 10.1109/TNSRE.2020.3048422.

［57］CREA S， NANN M， TRIGILI E， et al. Feasibility and safety of shared EEG/EOG and vision-guided autonomous whole-arm exoskeleton control to perform activities of daily living ［J］. Sci Rep， 2018，8（1）：10823. DOI： 10.1038/s41598-018-29091-5.

（責(zé)任編輯：高艷華）