在頸脊髓損傷案例研究中的家用模塊化腦機接口 (BCI) 平臺的設計開發(fā)

作者：

Kevin C. Davis, Benyamin Meschede-Krasa, Iahn Cajigas, Noeline W. Prins, Charles Alver, Sebastian Gallo, Shovan Bhatia, John H. Abel, Jasim A. Naeem, Letitia Fisher, Fouzia Raza, Wesley R. Rifai, Matthew Morrison, Michael E. Ivan, Emery N. Brown, Jonathan R. Jagid, and Abhishek Prasad

來源：national library of medicine

摘要

對象

本研究的目的是開發(fā)一個獨立于輸入和輸出設備的便攜式模塊化腦機接口 (BCI) 軟件平臺。我們在一個頸脊髓損傷 (C5 ASIA A) 受試者的案例研究中實施了這個平臺。

背景

BCI 可以通過使用大腦信號控制假肢或觸發(fā)功能性電刺激來恢復癱瘓患者的獨立性。盡管多項研究已在實驗室和家庭中成功實施了這項技術(shù)，但便攜性、設備配置和護理人員設置仍然是限制部署到家庭環(huán)境的挑戰(zhàn)。便攜性對于將 BCI 從實驗室轉(zhuǎn)移到家庭至關(guān)重要。

方法

BCI 平臺實施包括一個 Activa PC + S 發(fā)生器，兩個硬膜下四觸點電極植入感覺運動皮層的主要左手手臂區(qū)域，一個固定在受試者輪椅后部的小型計算機，一個定制的手機應用程序，以及作為末端執(zhí)行器的機械手套。為了量化 BCI 在家實施的性能，我們量化了在家中的系統(tǒng)設置時間、長期（14 個月）解碼精度、硬件和軟件配置文件以及應用程序和小型機之間的藍牙通信延遲。我們創(chuàng)建了一個運動圖像標記信號數(shù)據(jù)集，以在遠程計算機上訓練二進制運動圖像分類器，供在家中在線使用。

結(jié)果

小型機與手機App之間的平均藍牙數(shù)據(jù)傳輸延遲為23±0.014 ms。受試者照顧者的平均準備時間為 5.6 ± 0.83 分鐘。獲取和解碼神經(jīng)信號并將這些解碼信號發(fā)送到末端執(zhí)行器的平均時間分別為 404.1 ms 和 1.02 ms。未經(jīng)再訓練的經(jīng)過訓練的運動圖像分類器的 14 個月中位準確率為 87.5 ± 4.71%。

結(jié)論

該研究展示了一個家庭 BCI 系統(tǒng)的可行性，受試者可以使用友好的移動用戶界面無縫操作，不需要日常校準，也不需要技術(shù)人員在家設置。該研究還描述了 BCI 系統(tǒng)的便攜性和即插即用多個末端執(zhí)行器的能力，為最終用戶提供了選擇末端執(zhí)行器的靈活性，以完成日常需要的特定電機任務。

展開全文

介紹

癱瘓是一種毀滅性的疾病，僅在美國就影響了大約 540 萬人 [ 1 ]。在導致癱瘓的各種原因中，中風是最常見的原因，其次是脊髓損傷 (SCI) 和多發(fā)性硬化癥 [ 2 ]。對于 SCI，美國的發(fā)病率最高，頸椎 SCI 的患病率正在上升 [ 3 ]。癱瘓給個人、他們的家人、照顧者和公共衛(wèi)生帶來了巨大的經(jīng)濟和社會負擔，因為重度四肢癱瘓的人在受傷后的第一年的費用可能超過 100 萬美元 [ 4]。對于 40% 的中風受試者和大多數(shù) SCI 受試者，功能缺陷通常是永久性的，目前尚無治療方法。因此，在這些受試者中解決功能改善和恢復運動和獨立性的需求仍然是一項關(guān)鍵挑戰(zhàn)。

盡管缺乏可用的治療方法，但皮質(zhì)內(nèi)腦機接口 (BCI) 的最新進展已顯示出在恢復癱瘓患者的功能到達和抓握方面取得了可喜的成果[ 5-8 ]。BCI 通過身體神經(jīng)系統(tǒng)以外的方式在大腦和身體之間建立外部聯(lián)系 [ 9 ]。雖然 BCI 可能針對各種消費者，但這項技術(shù)為有感覺運動缺陷的受試者帶來了有希望的結(jié)果，其中 BCI 可以規(guī)避功能喪失 [ 10 ]。

調(diào)查侵入性 BCI 的研究工作強調(diào)了它們恢復因神經(jīng)系統(tǒng)疾病和損傷而喪失的功能的潛力。侵入性神經(jīng)記錄使人類受試者能夠控制虛擬光標 [ 11-16 ] 、計算機 [ 17、18 ] 、拼寫器 [ 19 ] 、虛擬 [ 20-22 ]和機器人假肢[ 6-8、15、23 ] 、外骨骼[ 24 ]，以及他們自己通過功能性電刺激 (FES)癱瘓的肢體[ 5、25、26]。這些成就突出了 BCI 的許多顯著改進，例如神經(jīng)控制設備在多個自由度上的能力 [ 8 , 15 , 23 , 24 ]。這些演示通常需要將受試者拴在神經(jīng)數(shù)據(jù)采集硬件上，以允許高分辨率數(shù)據(jù)流 [ 6 - 8 , 12 - 15 , 17 , 20 - 22 , 25 , 26]。然而，將對象連接到數(shù)據(jù)采集硬件的持續(xù)需要限制了對象在其家庭和社區(qū)中使用 BCI 的能力，因此無法為對象提供控制或配置他們?nèi)绾闻c設備交互的真正方法。因此，使 BCI 在研究環(huán)境之外發(fā)揮作用的領(lǐng)域取得的進展仍然是一個關(guān)鍵的里程碑 [ 27 , 28 ]。

開發(fā)用于實驗室外使用的便攜式 BCI 或不與大型固定研究設備連接且可以輕松運輸?shù)饺魏蔚胤降?BCI 系統(tǒng)仍然是皮質(zhì)內(nèi) BCI 的一項重大挑戰(zhàn)，因為它們必須考慮當前無線技術(shù)所施加的限制關(guān)于高數(shù)據(jù)速率無線遙測、超低功耗電子設備以及物理組件在身體內(nèi)部和表面占據(jù)的空間 [ 29 , 30 ]。

動物研究研究通過開發(fā)無線皮質(zhì)內(nèi)接口 [ 31 ] 和修改設備參數(shù)以降低功耗而不顯著影響解碼器質(zhì)量 [ 32 ] ，繼續(xù)幫助解決這些問題。最近，Simeral 及其同事展示了一種用于控制計算機光標的皮質(zhì)內(nèi) BCI 的不受限制的方法——依靠與受試者放置在同一房間的短程射頻 (RF) 接收塔來捕獲來自無線的高帶寬數(shù)據(jù)傳輸射頻頭戴式 [ 33 ]。

值得注意的是，許多利用腦電圖 (EEG) 的研究已經(jīng)在各種應用中實現(xiàn)了家庭使用 [ 34 – 38 ]；然而，基于 EEG 的 BCI 缺乏更多侵入性技術(shù)所捕獲的空間分辨率 [ 11 ]。此外，對 BCI 控制信號使用非侵入性技術(shù)（例如 EEG）會使設置程序（例如，適當?shù)碾姌O放置）復雜化，從而限制了受試者的獨立性和 BCI 在家里使用的便利性。

盡管侵入性皮層內(nèi)微電極陣列具有出色的信號質(zhì)量，并展示了 BCI 能力的許多顯著優(yōu)勢，但隨著時間的推移，這些陣列的信號質(zhì)量會下降，這通常是由于異物對電極柄刺穿電極柄的反應引發(fā)的炎癥。血腦屏障 [ 39 – 42 ]。這些裝置通常是經(jīng)皮植入物，其中植入物的一部分完全暴露，增加了感染的風險 [ 43 ]。

與皮層內(nèi)微陣列類似，通過皮層電圖 (ECoG) 在大腦表面使用侵入性電極。該方法實現(xiàn)了長期穩(wěn)定的信號采集[ 44 ]，具有更高的空間分辨率和信噪比[ 45 ]。此類應用程序已經(jīng)成功地控制了具有多個自由度的光標 [11、46]、計算機 [18]、拼寫器 [47 ]以及最近的外骨骼[ 24 ]。長期的、完全植入的實施使研究成果能夠從實驗室轉(zhuǎn)化為家庭 [ 19 , 47]。雖然完全可植入的 BCI 需要進行侵入性腦部手術(shù)，但它們有可能將適用的 BCI 技術(shù)轉(zhuǎn)移到家庭環(huán)境中，通過最大限度地減少護理人員的設置時間并最大限度地減少經(jīng)皮感染，因為植入設備的任何部分都沒有暴露，因為是皮質(zhì)內(nèi)微電極陣列的情況。

BCI 的潛在用戶及其護理人員表示，便攜性、簡單的系統(tǒng)配置和最小化的設置時間是 BCI 系統(tǒng)實施的重要組成部分 [ 48 ]。解決這些設計考慮將更好地促進向家庭的過渡。為了實現(xiàn)設計家庭 BCI 系統(tǒng)的這一目標，我們使用安裝在受試者輪椅上的小型計算機，無線記錄來自植入的 Activa PC + S 設備的 ECoG 數(shù)據(jù)并執(zhí)行神經(jīng)解碼。我們的設計包括一種模塊化方法，使受試者能夠從各種輸出設備中進行選擇，并允許在未來通過使用幾乎即插即用的系統(tǒng)來添加外圍設備。

方法

系統(tǒng)設計概述

主題

在家中 BCI 系統(tǒng)在一名患有慢性頸椎四肢癱瘓 (C5 ASIA A) 的 22 歲受試者中實施，以恢復手部抓握。該主題是案例研究的一部分，其中一名受試者注冊的目的是完全植入神經(jīng)傳感設備，以在實驗室中研究腦機接口。該受試者在大約 6 年前的一次機動車事故中受傷，并且可以自主控制他們的二頭肌，但不能控制三頭肌或其他遠端肌肉群。

系統(tǒng)實施

BCI 的主要組件包括安裝在受試者輪椅上的小型計算機、受試者的智能手機、神經(jīng)信號采集裝置和末端執(zhí)行器。智能手機作為系統(tǒng)的用戶界面，而計算機協(xié)調(diào)信號采集設備和末端執(zhí)行器之間的數(shù)據(jù)采集、處理和傳輸。

輸入設備——神經(jīng)數(shù)據(jù)采集

用于收集此 BCI 平臺 [ 49 ] 神經(jīng)數(shù)據(jù)的硬件由三部分組成，兩個內(nèi)部組件和一個外部組件：(1) 兩個四觸點電極引線（Resume II 引線，美敦力）植入顱內(nèi)硬膜下表面大腦的感覺運動手區(qū)域，(2) Activa PC + S (Medtronic, USA) 發(fā)生器植入左鎖骨下方，用于記錄和傳輸接觸電極感應到的信號，以及 (3) 外部 Nexus-D遙測接收器（美國美敦力）在其天線放置在植入的 Activa PC + S 發(fā)生器附近時收集發(fā)射信號（圖 1）。八個植入電極配置為雙極配置，從而產(chǎn)生四個通道的 ECoG 數(shù)據(jù)。在此配置中，Activa PC + S 僅允許兩個時間序列和兩個功率采樣通道。通道 1 和 3 提供以 200 Hz 采樣的實時 ECoG 輸出，通道 2 和 4 提供以 5 Hz 采樣的 4-36 Hz 之間的平均功率輸出。這些頻率設置是根據(jù)用于檢測與事件相關(guān)的失步的初始實驗室測量結(jié)果選擇的 [ 49]。來自這些通道的數(shù)據(jù)以 Nexus 遙測儀收集的數(shù)據(jù)包的形式傳輸，并通過 USB 串行連接傳送到計算機進行進一步處理。該裝置及其檢測運動意圖的能力，在受試者被植入該裝置幾個月后，在實驗室環(huán)境中進行了嚴格測試，然后再進行家庭部署 [ 49 ]。

圖2：系統(tǒng)總覽。使用放置在感覺運動皮層表面的兩條四觸點硬膜下帶記錄電皮質(zhì) (ECoG) 信號。ECoG 信號通過皮下植入物傳輸?shù)酵獠拷邮掌?，外部接收器將其傳送到小型計算機進行處理。解碼器將信號分類為運動圖像命令，然后通過藍牙發(fā)送以啟動機械手套.

輸出設備——末端執(zhí)行器

使用機械手套（Neomano，Neofect，South Korea）啟動手抓握。所有輸入設備（神經(jīng)數(shù)據(jù)采集）和輸出設備（末端執(zhí)行器）通過串口通信與計算機通信，而自定義手機應用程序（App）和小型機通過藍牙低功耗（BLE）協(xié)議通信。

實驗裝置

數(shù)據(jù)采集

我們在家中使用 BCI 平臺收集數(shù)據(jù)來訓練連續(xù)運動圖像分類器。受試者使用移動應用程序啟動數(shù)據(jù)收集會話。為了收集與運動意圖相關(guān)的 ECoG 數(shù)據(jù)，文本提示被發(fā)送到受試者的手機上，顯示“MOVE”或“REST”，并指示受試者在 MOVE 狀態(tài)下考慮快速打開和關(guān)閉他們的手（圖 3d)。提示以 6-10 秒的間隔隨機來回交替（對應于 15-25 個數(shù)據(jù)包，或 PC + S 收集的通道 1 和 3 的 1200-2000 個時間序列數(shù)據(jù)樣本）。這個交替過程持續(xù)了 5 分鐘，每個數(shù)據(jù)收集會話總共收集了 750 個數(shù)據(jù)包（或每個時間通道 60,000 個數(shù)據(jù)樣本）。這些 5 分鐘試驗中的 33 次用于訓練解碼器（總計 165 分鐘的訓練數(shù)據(jù)），之后使用 17 次開環(huán)試驗和 12 次閉環(huán)試驗來驗證和測試解碼器。閉環(huán)試驗是在數(shù)據(jù)收集過程中解碼值主動控制假肢手套的試驗，而在開環(huán)試驗中，假肢手套沒有被觸發(fā)。

圖2：移動應用程序概述。該應用程序用作受試者與計算機上運行的 BCI 軟件交互的 GUI。a主屏幕顯示當前選擇的正在使用的輸入和輸出設備。右上角的藍點標記了系統(tǒng)的狀態(tài)。b輸入設備選擇屏幕，允許主體從更多設備中進行選擇。c允許受試者調(diào)整給定設備的參數(shù)（例如解碼器閾值、末端執(zhí)行器電機速度等）的設置頁面。這些設置由計算機端的軟件類的應用程序編程接口 (API) 定義，并通過藍牙傳送以進行動態(tài)顯示。d向受試者提示評估準確性或?qū)υO備解碼器應用校準的數(shù)據(jù)收集會話。

信號處理

Activa PC + S 提供了四個數(shù)據(jù)采樣通道。通道 1 和 3 提供 200 HZ 的實時數(shù)據(jù)，通道 2 和 4 提供以 5 Hz 采樣的 4-36 Hz 之間的平均功率。數(shù)字 2a、b 描繪了通過 1 Hz 高通有限脈沖響應濾波器并標有信號采樣時出現(xiàn)的提示后的 300 秒代表性試驗的 200 秒。然后為每個數(shù)據(jù)包的每個時間通道計算功率譜密度，為每個時間序列通道生成 321 個光譜特征。然后將從通道 2 和 4 收集的 4-36 Hz 之間的平均功率值與來自時間通道的頻譜估計的這些功率值分組，為每個標記有提示的特征向量創(chuàng)建總共 644 個特征。收集時間。平均頻譜密度顯示了每個運動想象狀態(tài)中 β 波段（12-25 Hz）的差異（圖 2 c，f），并且隨著時間的推移也可以觀察到這一點（圖 2 d、e)。這些特征向量用于訓練分類器，該分類器首先通過線性判別分析、2 狀態(tài)隱馬爾可夫模型傳遞特征，然后進行邏輯回歸以將狀態(tài)概率映射到運動圖像命令（更多詳細信息，請參見 [ 49 ]）。

圖3： 遠程心電圖數(shù)據(jù)收集。使用 Activa PC + S Nexus 設備從 BCI 系統(tǒng)收集的數(shù)據(jù)結(jié)果。A、B來自通道 1 和 3 的 ECoG 數(shù)據(jù)并通過 1 Hz 高通濾波器過濾。C , F通道 1 和 3 的功率譜（顯示為

）。D , E數(shù)據(jù)的平均窗口 (6.4 s, N = 2051) 的時頻頻譜圖，顯示從 REST 狀態(tài)多次轉(zhuǎn)換期間過濾、平均和歸一化數(shù)據(jù)中 1-100 Hz 之間頻帶功率的變化 (由時間序列的前半部分表示）到 MOVE 狀態(tài)。

除了數(shù)據(jù)收集，日常使用設備只需打開電腦并使用應用程序選擇合適的輸入和輸出設備即可。重要的是，因為我們沒有使用任何刺激，所以在家使用的安全問題是最小的。

圖形用戶界面移動應用程序

我們將使用 Native 開發(fā)的定制手機應用程序 (App) 部署到受試者的智能手機上，允許受試者通過 BLE 控制 BCI 系統(tǒng)。該應用程序提供了一個圖形用戶界面 (GUI)，顯示 BCI 的當前狀態(tài)，允許受試者選擇可用的輸入和輸出設備，以及更改每個設備的首選項和設置（圖 3）。手機應用程序不參與任何數(shù)據(jù)采集或處理。

動態(tài)展示

該應用程序顯示了可以選擇進行控制的可用輸入和輸出設備。如果這些設備分別與小型計算機連接或斷開連接，則會從應用程序中添加或刪除這些設備。連接后，設備會提供設備特定的設置，這些設置可以使用應用程序進行設置（圖 3）。將新設備納入系統(tǒng)不需要更新應用程序，因為它將動態(tài)顯示計算機可以訪問的內(nèi)容。

校準

神經(jīng)信號運動圖像編碼可能因受試者而異，因此，機器學習算法必須經(jīng)常重新訓練或重新校準，以從數(shù)據(jù)中解碼受試者的預期運動。我們設計了軟件應用程序編程接口 (API) 來關(guān)聯(lián)解碼器訓練協(xié)議和輸入設備。通過這種方式，受試者可以使用該應用程序為 Activa PC + S 生成的信號訓練解碼器。可用時，該設備的設置菜單中會顯示一個校準按鈕（圖 3C）。選擇后，應用程序的校準模式被激活，允許受試者評估與給定輸入設備相關(guān)的解碼器的準確性。在校準模式下，應用程序從計算機接收文本以顯示患者同時記錄數(shù)據(jù)并適當?shù)貥擞洈?shù)據(jù)，以通過監(jiān)督學習模型測試或重新訓練解碼器。

計算機應用

計算機應用程序是用 Python [ 50 – 54 ] 編寫的，由兩個子進程組成：一個用于管理輸入和輸出設備之間的通信，另一個用于管理與應用程序的 BLE 通信（圖 4）。這些子進程使用異步事件循環(huán)來控制執(zhí)行可能中斷的點，并在這兩個進程之間切換，以最大限度地減少設備通信之間可能發(fā)生的處理延遲。主應用程序迭代地從選定的輸入設備收集解碼或分類的神經(jīng)信號，并將返回的命令發(fā)送到選定的輸出設備。同時，藍牙進程等待來自 App 的讀取、寫入和通知請求。

圖4：應用程序控制流。a主應用程序由守護程序腳本（或后臺運行進程）初始化，以確保程序在計算機開啟時始終運行。計算機應用程序異步運行多個協(xié)程，以允許輸入和輸出設備之間幾乎不間斷的數(shù)據(jù)流以及藍牙通信。b主應用程序進程迭代地調(diào)用管理輸入和輸出設備的類。這些設備管理器類包含用于獲取設備輸入和向輸出設備發(fā)送命令的公共方法。這些設備類通過串行端口通信與其對應的硬件進行通信。重要的是，可能存在一系列設備供受試者使用。這些可以通過應用程序通過 BLE 單獨選擇。

模塊化設計

總之，該設計為受試者提供了動態(tài)硬件選擇（例如，機械矯形器、FES 等）和調(diào)整設備設置（例如，矯形器的速度或時間延遲等）的能力，以實現(xiàn)更多定制控制。在我們的實現(xiàn)中，用于從 Activa PC + S 捕獲數(shù)據(jù)的 Nexus 遙測儀通過繼承通用設備類進行封裝，以創(chuàng)建到硬件的編程接口。信號解碼器的特性和方法（圖 4 b) 與 Nexus 遙測儀相關(guān)的，例如解碼器閾值和解碼器校準，作為 Nexus 類中的設備設置提供。由于解碼器執(zhí)行二進制分類，因此使用閾值來區(qū)分解碼信號是 MOVE 或 REST 的輸出移動概率。

藍牙通訊

我們設計了使用BLE與App進行通信的軟件，并創(chuàng)建了一個跨平臺的藍牙庫，使計算機能夠通過藍牙外圍角色支持（即藍牙主機設備）發(fā)布服務。計算機和手機之間傳輸?shù)臄?shù)據(jù)，包括設備設置、設備狀態(tài)和校準，利用三個藍牙通用屬性 (GATT) 特性進行數(shù)據(jù)傳輸。但是，GATT 特性的最小傳輸單元為 512 字節(jié)，要傳輸?shù)脑O備設置信息的大小可能會超過此限制。為了避免這種情況，我們在 BLE 上開發(fā)了一個附加層，以啟用數(shù)據(jù)流，使用數(shù)據(jù)隊列通過單個 BLE GATT 特性迭代傳輸數(shù)據(jù)。僅當最終用戶使用應用程序進行更改時才需要藍牙通信。藍牙庫是使用事件驅(qū)動的回調(diào)和異步過程調(diào)用設計的。這種設計允許 Python 應用程序?qū)Ｗ⒂趶妮斎朐O備收集數(shù)據(jù)，并將該數(shù)據(jù)傳送到輸出設備，僅在調(diào)用時遵循藍牙通信過程。通過使用藍牙，BCI 系統(tǒng)可以在家庭以外的社區(qū)中使用，因為藍牙通信獨立于 WiFi 或互聯(lián)網(wǎng)連接。

遠程數(shù)據(jù)采集

BCI在使用過程中，所有數(shù)據(jù)都記錄在小型機硬盤上的文件中。該軟件將數(shù)據(jù)文件保存到一個目錄中，該目錄自動同步大學加密的符合 HIPAA 標準的云存儲，假設機載計算機具有活動的互聯(lián)網(wǎng)連接，幾乎可以即時訪問傳入的數(shù)據(jù)。為了確保計算機能夠連接互聯(lián)網(wǎng)，我們在將設備安裝到對象的輪椅上之前，將對象的家庭 WiFi 的服務集標識符 (SSID)、安全配置文件和密碼保存到計算機上。這種配置允許計算機連接到對象的家庭 WiFi，以便在對象到家后進行數(shù)據(jù)同步。

可部署在家中使用

系統(tǒng)設計的目標是為受試者提供配備完全植入式神經(jīng)感覺裝置的功能性腦機接口供家庭使用。我們通過在小型計算機（m90n Nano，Lenovo，China；Windows 10 Pro；Intel i3 2.10 GHz，8 GB RAM）上安裝設計的軟件將系統(tǒng)部署到家中，并將計算機與鋰電池（50,000 mAh 電源銀行，克里斯多尼亞，中國）在一個定制的 3D 打印案例中。通過使用穿過印在箱子外部的孔的帶子將這個箱子連接到受試者的輪椅后面。滑動門被放置在機箱的兩側(cè)，以便于訪問電池和小型計算機上的充電端口和電源按鈕。在小型機上安裝 BCI 軟件后， 4一個）。我們使用版本控制系統(tǒng)在線存儲了我們軟件的代碼。這允許我們的守護程序腳本從版本控制系統(tǒng)中提取，以確保代碼是最新的。這種設置允許我們使用 git 提交日期和時間戳作為條件，我們可以根據(jù)這些條件以編程方式選擇和分析在不同軟件條件下收集的數(shù)據(jù)（例如，在解碼器更新或初始錯誤修復之前和之后）。

結(jié)果

基準測試

藍牙通信延遲

Activa PC + S 具有 200 Hz 的采樣率，并具有以 2.5 Hz (400 ms) 的速率覆蓋的板載內(nèi)存存儲。通過設備固件對 Activa PC + S 的 API 調(diào)用會阻止程序執(zhí)行，直到數(shù)據(jù)可用。重要的是，如果兩次后續(xù)調(diào)用 API 以收集數(shù)據(jù)的時間間隔 400 ms，則在兩次 API 調(diào)用之間的時間內(nèi)皮質(zhì)內(nèi)電極采樣的數(shù)據(jù)將丟失，因為 Activa PC + S 已經(jīng)在存儲數(shù)據(jù)在發(fā)出第二次調(diào)用之前的下一個 400 毫秒塊。因此，收集數(shù)據(jù)的調(diào)用之間的顯著延遲可能會導致數(shù)據(jù)丟失。這對于解碼器訓練的數(shù)據(jù)收集尤為重要，其中傳入的數(shù)據(jù)必須被同步標記。因為數(shù)據(jù)標記依賴于通過 BLE 發(fā)送的消息，我們需要確保向?qū)ο箫@示運動指令的時間與正在收集的數(shù)據(jù)在時間上匹配。因此，只有在通過 BLE 向應用程序發(fā)送指令的時間小于 400 毫秒時，數(shù)據(jù)才能可靠地與呈現(xiàn)給受試者的屏幕指令標簽匹配，以最大限度地減少覆蓋數(shù)據(jù)的機會以及受試者的反應時間。通過在模擬重新校準會話期間記錄時間戳，計算機發(fā)送提示的時間戳與應用程序上顯示相同提示的時間戳之間的差異表明平均延遲到屏幕為 23 毫秒（圖 1）。只有當通過 BLE 向 App 發(fā)送指令的時間小于 400 毫秒時，數(shù)據(jù)才能可靠地與呈現(xiàn)給受試者的屏幕指令標簽匹配，以最大限度地減少覆蓋數(shù)據(jù)的機會以及受試者的反應時間。通過在模擬重新校準會話期間記錄時間戳，計算機發(fā)送提示的時間戳與應用程序上顯示相同提示的時間戳之間的差異表明平均延遲到屏幕為 23 毫秒（圖 1）。只有當通過 BLE 向 App 發(fā)送指令的時間小于 400 毫秒時，數(shù)據(jù)才能可靠地與呈現(xiàn)給受試者的屏幕指令標簽匹配，以最大限度地減少覆蓋數(shù)據(jù)的機會以及受試者的反應時間。通過在模擬重新校準會話期間記錄時間戳，計算機發(fā)送提示的時間戳與應用程序上顯示相同提示的時間戳之間的差異表明平均延遲到屏幕為 23 毫秒（圖 1）。5)，表明藍牙通信沒有增加會影響數(shù)據(jù)收集的時間延遲。我們還發(fā)現(xiàn)在傳輸過程中沒有丟掉藍牙數(shù)據(jù)包。

圖5：藍牙低功耗通信基準。在數(shù)據(jù)收集會話期間觀察到的時間延遲 (n = 750)。藍牙傳輸時延測量為App上顯示提示改變的時間與計算機系統(tǒng)上提示改變啟動BLE（提示顯示通知特性）的時間之差。

軟件分析

系統(tǒng)應用程序分析使用 cProfile Python 模塊測量，并使用 SnakeViz 可視化（圖6) 來描述由 BCI 系統(tǒng)中的進程引起的延遲。BCI 軟件是在受試者在家設置后初始化的。在系統(tǒng)使用 5 分鐘時收集分析。主應用程序循環(huán)由兩個主要功能組成：（1）從所選輸入設備讀取解碼命令（圖6左）和（2）將命令發(fā)送到選定的輸出設備（圖 6右）。系統(tǒng)分析顯示，將輸入信號處理為電機指令命令的時間約為 400 毫秒（圖 6左），之后只用了 1 毫秒將該命令發(fā)送到末端執(zhí)行器以進行手抓握（圖 6 右）。這個主循環(huán)的第一部分：將輸入信號處理成運動指令，由兩個子過程組成：(1) 從 Activa PC + S (~ 393 ms) 接收神經(jīng)通道數(shù)據(jù)，以及 (2) 解碼信號轉(zhuǎn)換成電機指令（10.23 ms）。然后，將該命令發(fā)送到 Neomano 手套大約需要 1 毫秒。

圖 6：系統(tǒng)分析。代表處理傳入數(shù)據(jù)（左）和將解碼輸出發(fā)送到手套（右）所花費的時間比例的旭日圖。每個旭日形圖的中心代表獲取解碼的神經(jīng)信號（左）或向手套發(fā)送命令（右）的過程。圍繞中心點的每條弧線代表一個子流程，需要執(zhí)行以處理傳入數(shù)據(jù)（左）或發(fā)送數(shù)據(jù)（右）。弧的長度表示子流程完成所花費的時間相對于依賴它完成的子流程的比例。雖然有許多子流程，但與 BCI 軟件相關(guān)的那些都被突出顯示。其余子流程是系統(tǒng)特定流程，例如輸入-輸出操作。

家庭測試

信號解碼和分類

運動圖像分類器的準確度指標在訓練后的第二年繼續(xù)測量，無需重新校準（圖 7）。解碼器精度定義為正確分類的數(shù)據(jù)窗口的數(shù)量，在 79 次試驗中保持穩(wěn)定，中值精度為 87.53%（圖 7; 灰色虛線）。

圖 7： 解碼器分類。與 Nexus 遙測輸入設備相關(guān)的解碼器的分類性能。第 0 個月表示對訓練數(shù)據(jù)的評估，隨后的月份表示自訓練以來的月數(shù)。黑色虛線表示全球中位數(shù) 87.53%。

看護人管理

幾乎不需要對護理人員進行培訓來學習使用我們的 BCI 實施為受試者設置設備。設置只需要打開系統(tǒng)，將遙測天線適當?shù)胤胖迷趯ο笊希⑷魏文┒藞?zhí)行器設備安裝到對象的肢體上。從這一點開始，受試者能夠在沒有幫助的情況下使用應用程序配置、校準和控制 BCI 系統(tǒng)。為了量化這一點，我們測量了從護士開始設置系統(tǒng)到受試者對機械手套進行神經(jīng)控制之間的平均時間量（圖 8）。平均而言，設置此實現(xiàn)的時間為 5.58 分鐘，其中大部分時間（2.34 分鐘）用于在 App 和小型機之間建立藍牙連接并配置系統(tǒng)以及戴上 Neomano 手套（2.18 分鐘）。

圖 8 ： 系統(tǒng)設置時間。受試者的主要照顧者設置系統(tǒng)所用的時間。連續(xù)幾天每天重復測量一次。A顯示設置系統(tǒng)的總時間，而B顯示不同設置步驟的時間，總和為總經(jīng)過時間。不包括校準時間，因為在日常設置期間不需要校準時間。

討論

我們的設計旨在讓 BCI 在家庭內(nèi)外都能發(fā)揮作用，并讓受試者控制設備選擇、數(shù)據(jù)收集以及系統(tǒng)設置和偏好，同時最大限度地減少對護理人員輔助設置的需求。盡管該系統(tǒng)是在具有植入神經(jīng)接口的 SCI 受試者中實施的，但應用程序可以擴展到其他形式的癱瘓，或者可以使用 BCI 的任何地方，例如與 EEG 耳機或皮質(zhì)內(nèi)尖峰信號一起使用。

手機應用

在我們的設計中，該應用程序用作 GUI。然而，其他實現(xiàn)使用智能手機進行信號處理——使用手機作為系統(tǒng)的唯一處理單元[ 55-58 ] ——而不是使用板載小型計算機。其他人則使用智能手機來推動與家用電器的通信 [ 35 , 36]。在這里，Native 的使用將手機應用程序的開發(fā)限制為藍牙低功耗協(xié)議，這限制了我們系統(tǒng)的高帶寬數(shù)據(jù)流的能力，而藍牙經(jīng)典射頻通信 (RFCOMM) 原本可以實現(xiàn)原始信號傳輸。然而，正如 Campbell 等人所報道的，使用經(jīng)典 RFCOMM 的替代解決方案可能會很快耗盡手機的電池電量。[ 56 ]。然而，如果系統(tǒng)在未來的迭代中完全移動到手機上，則需要考慮 RFCOMM 的實施以實現(xiàn)連續(xù)和可靠的數(shù)據(jù)收集和流式傳輸。此外，遷移到手機使用需要加強安全措施。作為 [ 59] 指出，此類系統(tǒng)的廣泛和值得信賴的使用將需要小心以確保系統(tǒng)的完整性和安全性。

作為重要說明，我們的受試者能夠使用二頭肌可用的殘余運動來導航應用程序的使用。然而，該應用程序非常簡單，可以讓護理人員在需要時配置或更改系統(tǒng)設置，并且不會將我們的系統(tǒng)應用限制在具有獨特殘余運動的受試者身上。

便攜式系統(tǒng)

為了在實驗室之外更實際地使用 BCI，系統(tǒng)可移植性是一個重要組成部分 [ 27 ]。一種提高便攜性的方法是使用更小的計算設備，這些設備在個人平板電腦、手機和小型計算機中變得更容易獲得。之前的幾項研究已經(jīng)將平板電腦和手機等便攜式設備用于命令 [ 35 ] 和信號處理 [ 55 , 57 , 58 ]、主體交互 [ 38 ] 以及作為末端執(zhí)行器本身 [ 56 ]]。在我們的設計中，我們使用了一臺小型計算機和受試者的智能手機，這使我們能夠讓受試者控制 BCI，同時確保 BCI 軟件可以獨立于手機繼續(xù)運行。此外，就成本而言，這些組件已經(jīng)是可以輕松購買的消費級產(chǎn)品。手機和電動矯形器使用的短程藍牙通信允許對系統(tǒng)進行持續(xù)控制，這允許受試者在家外繼續(xù)使用 BCI。由于電動矯形器通過無線藍牙無線電與系統(tǒng)通信，WiFi 僅用于上傳離線分析所需的數(shù)據(jù)，BCI 系統(tǒng)本身的使用獨立于互聯(lián)網(wǎng)連接運行。

模塊化系統(tǒng)

用于研究開發(fā)的模塊化 BCI 設計有助于提高科學的可重復性，并減少了開發(fā)新的 BCI 軟件和配置所需的時間。已經(jīng)開發(fā)了幾種軟件工具、包和管道來幫助完成這項工作[ 60-64 ]。此類應用已在實驗室和家庭中成功使用其中一些系統(tǒng) [ 65 ]。除了這些工具之外，其他研究還顯示了各種成功的輸出控制，包括光標控制、拼寫器、家用電器控制、外骨骼、假肢和FES [ 6-8、11-24、47]。我們的設計側(cè)重于最終用戶交互，同時使軟件能夠跨操作系統(tǒng)和處理器架構(gòu)進行擴展。雖然我們在測試設備時只使用了電動矯形器，但我們確保系統(tǒng)可以是模塊化的，包括在運行時動態(tài)更改輸入和輸出設備。這種模塊化是使用對象的移動設備的另一個目的。它允許受試者交換末端執(zhí)行器設備、啟動培訓課程并調(diào)整可用的系統(tǒng)設置。

當提供設備類時，輸入設備（例如，EEG 系統(tǒng)）具有即插即用功能。實現(xiàn)一個設備類需要某種機制來將數(shù)字化數(shù)據(jù)從設備采樣到計算機；例如，通過串行端口、套接字或設備提供的 API?？梢允褂没蚨ㄖ莆覀児ぷ髦械慕獯a器，將輸入信號轉(zhuǎn)換、分類或回歸為有意義的值。設備類必須繼承設備基類并定義一個 get_input 方法，然后（1）收集先前確定的數(shù)據(jù)，（2）將該數(shù)據(jù)解碼為有意義的值，然后（3）返回該值。最后，串行端口、套接字或 API 屬性可以定義在平臺將用于在啟動期間自動檢測設備的類上。有了這些，可以將新設備添加到平臺中，

主題與家庭 BCI 平臺的交互

總之，BCI 平臺及其實施不僅使患有頸椎 SCI 的受試者能夠在家中恢復手握并交換模塊化組件，而且還使受試者能夠單獨控制每個設備和整個 BCI 系統(tǒng)的設置和偏好. 更具體地說，這些設置包括用于更改電動矯形器的響應時間和重新啟動 BCI 應用程序的選項。研究人員的幫助或運送到實驗室變得不必要，因為該應用程序允許受試者按照他們的時間表啟動數(shù)據(jù)收集會話。

我們在家中使用的系統(tǒng)的部署最大限度地減少了對復雜穿脫程序的需求。在幾個會話中，我們測量了從開始到受試者可以控制手套的平均設置時間，大約為 5 分鐘。這完全在接受調(diào)查的潛在用戶 [ 48 ]之前推薦的 10-20 分鐘的設置時間范圍內(nèi)。這種簡化的很大一部分可能是使用完全植入的設備的結(jié)果。這種設置避免了使用可能需要電線連接、凝膠應用、準確放置和配置 EEG 帽的EEG帽 [ 66、67 ]。相比之下，最近的一項研究能夠在幾個會話中實現(xiàn) 8 個看護人-受試者對的平均設置時間為 20 分鐘 [ 68]。通常，設置時間取決于 BCI 系統(tǒng)的每個組件的設置時間。非侵入性技術(shù)的持續(xù)發(fā)展將有助于降低這些設置時間和配置復雜性。雖然，用戶評估沒有系統(tǒng)地評估，但主題確實評論說：“它易于使用和控制，只是有時需要一點時間通過藍牙連接”。

盡管我們的實現(xiàn)僅使用 4 個 ECoG 通道，與許多 EEG 通道相比，可能會限制系統(tǒng)的功能輸出，但此實現(xiàn)的目的是盡量減少在家使用的設置時間和復雜性，同時仍向受試者提供一些功能. 盡管如此，即使是完全植入的系統(tǒng)也可能需要需要插入系統(tǒng)的有線設置[ 6-8、19、47 ]。

然而，在我們的實施中，打開固定在輪椅后面的電池就足以啟動系統(tǒng)。從這里開始，將遙測天線與皮下發(fā)射器對齊，從而實現(xiàn)神經(jīng)控制。值得注意的是，由于使用了諸如 Activa PC + S 之類的植入設備，因此易于設置是該 BCI 平臺的實施問題，而不是使用該平臺的要求。該平臺可以使用 EEG 耳機實現(xiàn)。對于此處介紹的實施，完全植入的 Activa PC + S 用于改進家庭設置和整個系統(tǒng)的使用。

限制

Python 作為開發(fā)語言可能不會導致完全與操作系統(tǒng)無關(guān)的平臺。這種限制主要是語言用于與操作系統(tǒng)和硬件交互的方法的結(jié)果。另一種解決方案可能是利用已經(jīng)可用的軟件，例如 BCI2000 [ 60 ]。但是，使用 Python 等解釋性語言進行開發(fā)無需在遠程系統(tǒng)更新期間進行編譯。

此處介紹的實現(xiàn)中的主題能夠使用他們自己的剩余二頭肌功能使用 App GUI。這通常會限制 GUI 對能力較差的受試者的使用。然而，App GUI 仍然為護理人員提供了方便的系統(tǒng)訪問。此外，計劃未來的迭代以啟用語音激活和/或凝視控制，以更好地控制具有不同殘疾的受試者以及對手和手臂的控制。

使用 Activa PC + S 和 Nexus 遙測儀并不是完全無線的。Nexus 遙測儀和 Activa PC + S 之間的數(shù)據(jù)樣本收集需要將外部天線放置在植入式發(fā)生器附近。然而，植入式發(fā)生器的較新實施（Medtronic Percept、St. Jude、Boston Scientific、Clinatec 等）正在將無線功能構(gòu)建到他們的發(fā)生器中。此外，用于深部腦刺激的 Activa PC + S 可以使用長達 5 年，但在不使用刺激的情況下使用的設備的電池壽命尚不清楚。可以感應充電的植入物 [ 69 ] 并以無線方式傳輸其信號 [ 70 ]] 將提供更強大的系統(tǒng)，進一步減少系統(tǒng)維護和護理人員協(xié)助，同時最大限度地提高便攜性。

像許多侵入性研究一樣，我們對侵入性設備的實施僅限于一個主題，因此難以概括。幸運的是，使用與事件相關(guān)的去同步作為執(zhí)行運動圖像二元分類的方法已經(jīng)很成熟 [ 68 , 71 – 74 ]，并且一些研究已經(jīng)在家中使用它 [ 34 , 68 , 75 , 76 ]。雖然，我們將此 BCI 系統(tǒng)用于頸椎 SCI 的受試者，但它提供了有關(guān)如何改進軟件和應用程序以便更容易融入其他 BCI 實施的限制的見解。

結(jié)論

未來采用 BCI 相關(guān)技術(shù)需要確保 BCI 系統(tǒng)便攜、設置直觀且易于配置 [ 48]。這種模塊化的 BCI 軟件設計為在消費類計算機平臺和移動電話設備上實施 BCI 系統(tǒng)提供了一個輕量級平臺。BCI 平臺可以輕松添加輸入和輸出設備，受試者可以使用移動圖形用戶界面輕松切換。BCI 模塊化軟件平臺設計的實施證明了將 BCI 系統(tǒng)過渡到更便攜的設備以供家庭使用的可行性越來越高。隨著越來越多的輔助和康復設備變得可用，模塊化平臺可能會為 BCI 用戶提供更多功能。此類系統(tǒng)的開發(fā)將使 BCI 的輔助和康復能力更容易為受益于它們的受試者所接受。家庭環(huán)境中的 BCI 系統(tǒng)為提高癱瘓受試者的獨立性提供了良機。未來的工作將集中在擴展輸入和輸出設備之間的定制映射，以允許同時使用多個設備。

本篇文章來源：

引用文獻

2. Gresham GE, Stason WB, Duncan PW. Post-stroke rehabilitation. Collingdale: Diane Publishing; 2004. [Google Scholar]

3. Devivo MJ. Epidemiology of traumatic spinal cord injury: trends and future implications. Spinal Cord. 2012;50(5):365–372. doi: 10.1038/sc.2011.178. [PubMed] [CrossRef] [Google Scholar]

4. National Spinal Cord Injury Statistical Center. Facts and figures at a Glance. Birmingham: University of Alabama at Birmingham; 2020. p. 1–2. www.msktc.org/sci/model-system-centers. https://www.nscisc.uab.edu/Public/Facts_and_Figures2020.pdf.

5. Ajiboye AB, Willett FR, Young DR, Memberg WD, Murphy BA, Miller JP, et al. Restoration of reaching and grasping in a person with tetraplegia through brain-controlled muscle stimulation: a proof-of-concept demonstration. Lancet. 2017;389(10081):1821–1830. doi: 10.1016/S0140-6736(17)30601-3. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

6. Hochberg LR, Serruya MD, Friehs GM, Mukand JA, Saleh M, Caplan AH, et al. Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature. 2006;442(7099):164–171. doi: 10.1038/nature04970. [PubMed] [CrossRef] [Google Scholar]

7. Hochberg LR, Bacher D, Jarosiewicz B, Masse NY, Simeral JD, Vogel J, et al. Reach and grasp by people with tetraplegia using a neurally controlled robotic arm. Nature. 2012;485(7398):372–375. doi: 10.1038/nature11076. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

8. Collinger JL, Wodlinger B, Downey JE, Wang W, Tyler-Kabara EC, Weber DJ, et al. High-performance neuroprosthetic control by an individual with tetraplegia. Lancet. 2013;381(9866):557–564. doi: 10.1016/S0140-6736(12)61816-9. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

9. Shih JJ, Krusienski DJ, Wolpaw JR. Brain-computer interfaces in medicine. Mayo Clin Proc. 2012;87(3):268–279. doi: 10.1016/j.mayocp.2011.12.008. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

14. Gilja V, Pandarinath C, Blabe CH, Nuyujukian P, Simeral JD, Sarma AA, et al. Clinical translation of a high-performance neural prosthesis. Nat Med. 2015;21(10):1142–1145. doi: 10.1038/nm.3953. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

15. Aflalo T, Kellis S, Klaes C, Lee B, Shi Y, Pejsa K, et al. Decoding motor imagery from the posterior parietal cortex of a tetraplegic human. Science. 2015;348(6237):906LP–910. doi: 10.1126/science.aaa5417. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

16. Pandarinath C, Nuyujukian P, Blabe CH, Sorice BL, Saab J, Willett FR, et al. High performance communication by people with paralysis using an intracortical brain-computer interface. Elife. 2017;6:1–27. doi: 10.7554/eLife.18554. [CrossRef] [Google Scholar]

19. Pels EGM, Aarnoutse EJ, Leinders S, Freudenburg ZV, Branco MP, van der Vijgh BH, et al. Stability of a chronic implanted brain-computer interface in late-stage amyotrophic lateral sclerosis. Clin Neurophysiol. 2019;130(10):1798–1803. doi: 10.1016/j.clinph.2019.07.020. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

22. Jarosiewicz B, Sarma AA, Bacher D, Masse NY, Simeral JD, Sorice B, et al. Virtual typing by people with tetraplegia using a self-calibrating intracortical brain-computer interface. Sci Transl Med. 2015;7(313):1–1. doi: 10.1126/scitranslmed.aac7328. [CrossRef] [Google Scholar]

26. Bouton CE, Shaikhouni A, Annetta NV, Bockbrader MA, Friedenberg DA, Nielson DM, et al. Restoring cortical control of functional movement in a human with quadriplegia. Nature. 2016;533:247–250. doi: 10.1038/nature17435. [PubMed] [CrossRef] [Google Scholar]

30. Nurmikko A. Challenges for large-scale cortical interfaces. Neuron. 2020;108(2):259–269. doi: 10.1016/j.neuron.2020.10.015. [PubMed] [CrossRef] [Google Scholar]

41. Kozai TDY, Li X, Bodily LM, Caparosa EM, Zenonos GA, Carlisle DL, et al. Effects of caspase-1 knockout on chronic neural recording quality and longevity: insight into cellular and molecular mechanisms of the reactive tissue response. Biomaterials. 2014;35(36):9620–9634. doi: 10.1016/j.biomaterials.2014.08.006. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

42. Szarowski DH, Andersen MD, Retterer S, Spence AJ, Isaacson M, Craighead HG, et al. Brain responses to micro-machined silicon devices. Brain Res. 2003;983(1–2):23–35. doi: 10.1016/S0006-8993(03)03023-3. [PubMed] [CrossRef] [Google Scholar]

44. Chao ZC, Nagasaka Y, Fujii N. Long-term asynchronous decoding of arm motion using electrocorticographic signals in monkeys. Front Neuroeng. 2010;3:3. [PMC free article] [PubMed] [Google Scholar]

45. Miller KJ, Hermes D, Staff NP. The current state of electrocorticography-based brain–computer interfaces. Neurosurg Focus. 2020;49(1):1–8. doi: 10.3171/2020.4.FOCUS20352. [CrossRef] [Google Scholar]

48. Huggins JE, Moinuddin AA, Chiodo AE, Wren PA. What would brain-computer interface users want: opinions and priorities of potential users with spinal cord injury. Arch Phys Med Rehabil. 2015;96(3):S38–S45.e5. doi: 10.1016/j.apmr.2014.05.028. [PubMed] [CrossRef] [Google Scholar]

49. Cajigas I, Davis KC, Meschede-krasa B, Prins NW, Gallo S, Naeem JA, et al. Implantable brain-computer interface fo neuroprosthetic-enabled volitional hand graps restoration in spinal cord injury: a case report. Brain Commun. 2021;3:fcab248. doi: 10.1093/braincomms/fcab248. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

51. McKinney W. Data Structures for Statistical Computing in Python. In: Walt S van der, Millman J, editors. Proceedings of the 9th python in science conference. 2010. p. 56–61.

53. Hunter JD. Matplotlib: a 2D graphics environment. Comput Sci Eng. 2007;9(3):90–95. doi: 10.1109/MCSE.2007.55. [CrossRef] [Google Scholar]

54. Perez F, Granger BE. IPython: a system for interactive scientific computing. Comput Sci Eng. 2007;9(3):21–29. doi: 10.1109/MCSE.2007.53. [CrossRef] [Google Scholar]

55. Wang Y, Member S, Wang Y, Cheng C, Jung T, Member S. Developing Stimulus presentation on mobile devices for a truly portable SSVEP-based BCI. IEEE. 2013.

56. Campbell A, Choudhury T, Hu S, Lu H, Mukerjee MK, Rabbi M, et al. NeuroPhone: brain-mobile phone interface using a wireless EEG headset. In: Proceedings of the 2nd ACM SIGCOMM workshop on networking, systems, and applications on mobile handhelds, MobiHeld ’10, Co-located with SIGCOMM 2010. 2010;3–8.

59. Li Q, Ding D, Conti M. Brain-computer interface applications: security and privacy challenges. In: 2015 IEEE Conference on communications and networksecurity, CNS 2015. 2015;(SPiCy):663–6.

60. Schalk G, Mcfarland DJ, Hinterberger T, Birbaumer N, Wolpaw JR. BCI2000: a general-purpose brain-computer interface (BCI) system. IEEE Trans Neural Syst Rehabil Eng. 2004;51(6):1034–1043. [Google Scholar]

61. Perego P, Maggi L, Parini S, Andreoni G. BCI++: a new framework for brain computer interface application. In: SEDE. Citeseer; 2009. p. 37–41.

62. Renard Y, Lotte F, Gibert G, Congedo M, Maby E, Delannoy V, et al. OpenViBE: an open-source software platform to design, test, and use brain-computer interfaces in real and virtual environments. Presence. 2010;19(1):35–53. doi: 10.1162/pres.19.1.35. [CrossRef] [Google Scholar]

63. Muller-Putz G, Breitwieser C, Cincotti F, Leeb R, Schreuder M, Leotta F, et al. Tools for brain-computer interaction: a general concept for a hybrid BCI. Front Neuroinform. 2011; 5:30. doi: 10.3389/fninf.2011.00030. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

65. Brunner C, Andreoni G, Bianchi L, Blankertz B, Breitwieser C, Kanoh S, et al. BCI software platforms BT—towards practical brain-computer interfaces: bridging the gap from research to real-world applications. In: Allison BZ, Dunne S, Leeb R, Del R. Millán J, Nijholt A, editors. Berlin: Springer; 2013. p. 303–31. 10.1007/978-3-642-29746-5_16.

67. Teplan M. Fundamentals of EEG measurement. Vol. 2. 2002.

69. Romanelli P, Piangerelli M, Ratel D, Gaude C, Costecalde T, Puttilli C, et al. A novel neural prosthesis providing long-term electrocorticography recording and cortical stimulation for epilepsy and brain-computer interface. J Neurosurg. 2019;130(4):1166–1179. [Google Scholar]

71. Pfurtscheller G, Aranibar A. Evaluation of event-related desynchronization (ERD) preceding and following voluntary self-paced movement. Electroencephalogr Clin Neurophysiol. 1979;46(2):138–146. doi: 10.1016/0013-4694(79)90063-4. [PubMed] [CrossRef] [Google Scholar]

72. Pfurtscheller G. EEG event-related desynchronization (ERD) and synchronization (ERS) Electroencephalogr Clin Neurophysiol. 1997;103(1):26. doi: 10.1016/S0013-4694(97)88021-6. [CrossRef] [Google Scholar]

74. Lee K, Liu D, Perroud L, Chavarriaga R, Millán JdR. A brain-controlled exoskeleton with cascaded event-related desynchronization classifiers. Robot Auton Syst. 2017;90:15–23. doi: 10.1016/j.robot.2016.10.005. [CrossRef] [Google Scholar]

75. Leeb R, Perdikis S, Tonin L, Biasiucci A, Tavella M, Creatura M, et al. Transferring brain–computer interfaces beyond the laboratory: successful application control for motor-disabled users. Artif Intell Med. 2013;59(2):121–132. doi: 10.1016/j.artmed.2013.08.004. [PubMed] [CrossRef] [Google Scholar]

76. Bundy DT, Souders L, Baranyai K, Leonard L, Schalk G, Coker R, et al. Contralesional brain-computer interface control of a powered exoskeleton for motor recovery in chronic stroke survivors. Stroke. 2017;48(7):1908–1915. doi: 10.1161/STROKEAHA.116.016304. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

我們在腦機接口的工作方向

我們致力于腦機接口的產(chǎn)業(yè)創(chuàng)新研究和創(chuàng)新力量協(xié)同，我們廣泛聯(lián)結(jié)產(chǎn)學研用各方專家，并致力于面向政府提供支撐，面向行業(yè)提供服務，面向公眾提供科普。

2021年我們召開了"腦機接口技術(shù)創(chuàng)新與產(chǎn)業(yè)發(fā)展"論壇，發(fā)布了產(chǎn)業(yè)研究報告。

關(guān)于我們

知識產(chǎn)權(quán)與創(chuàng)新發(fā)展中心（以下簡稱“中心”）成立于2008年，是中國信通院一級業(yè)務部門，高級工程師及以上職稱人數(shù)占比近40%。

十余年來，中心始終秉承“鼎力支撐政府 熱忱服務行業(yè)”的宗旨，立足“政府的IPR高端智庫 行業(yè)的創(chuàng)新IPR平臺”定位，充分發(fā)揮中國信通院在技術(shù)標準、法律法規(guī)、政策經(jīng)濟、行業(yè)創(chuàng)新、產(chǎn)業(yè)發(fā)展等領(lǐng)域的整體優(yōu)勢，聚焦于知識產(chǎn)權(quán)創(chuàng)造、運用、保護、管理、服務全鏈條，致力于解決中國信息通信產(chǎn)業(yè)所面臨的各類戰(zhàn)略性和現(xiàn)實性知識產(chǎn)權(quán)問題，助力國家知識產(chǎn)權(quán)強國建設、激發(fā)全社會創(chuàng)新活力、推動構(gòu)建新發(fā)展格局。

了解更多相關(guān)資訊?。?/p>