运动想象脑-机接口新进展与发展趋势

赵 欣 陈志堂 王 坤 王仲朋 周 鹏 綦宏志

(天津大学精密仪器与光电子工程学院生物医学工程系，天津 300072)

引言

脑-机接口(brain-computer interface, BCI)是一个通过检测中枢神经系统活动、并将其转化为人工输出的系统，它能够替代、修复、增强、补充或者改善中枢神经系统的正常输出，从而改变中枢神经系统与内外环境之间的交互作用[1]。得益于BCI技术的优势，对于思维正常但患有神经肌肉疾病或严重残疾的患者，可以重新获得运动或与环境交流的能力，提高生活质量；对于健康人群来说，BCI技术可以带来前所未有的感官体验，有助于其提高注意力或提供更多的控制手段。因此，BCI技术在医疗康复、娱乐学习、军事应用等领域具有重要的应用前景。目前，主流的BCI范式包括基于P300电位、稳态视觉诱发电位(steady-state visual evoked potentials, SSVEP)和运动想象(motor imagery, MI)的BCI系统。前两种范式属于反应式BCI，其解码的诱发脑电信号，是大脑对外部刺激条件产生特定的响应；而MI-BCI是主动式BCI，输出的控制信号反映大脑的随意性活动，不依赖于外部事件，与人的运动意图密切相关。反应式BCI最大的优势在于信号稳定，无需使用者进行专门的训练，可操作性强，大大拓展了BCI系统的适用范围。然而，反应式BCI不受使用者本身直接调制，不仅需要依赖于外部刺激，而且需要使用者集中注意力，无法实现真正意义上的“所思即所动”。MI-BCI作为主动式BCI最为常用的范式，由于其不需要外部刺激，更能反映使用者自主的意图，因而得到研究者们的广泛关注。

人的运动具有复杂性，包括简单的移位和高级活动(如语言、绘画等)，都是在以神经系统支配下肌肉收缩而实现的。MI是一种主观运动意图，无需外界条件刺激和明显的动作输出就能诱发大脑感觉运动皮层的特定响应。目前，脑电(electroencephalography, EEG)常用于记录大脑活动。对于EEG而言，MI能诱发大脑初级运动区mu节律和beta节律的事件相关去同步/同步现象(event-related desynchronization/synchronization, ERD/ERS)，即某些特定频率成分的能量衰减或增强；通过解析不同特征变化所对应的MI任务，了解用户真正运动意图，因此MI可作为一种BCI系统的控制策略。

MI-BCI系统发展至今，其应用场景非常广泛，不仅可以实现日常的交流与自主控制，如字符拼写[2]、计算机光标控制[3]、假肢、机械臂和轮椅[4-5]等，而且更重要的是其在中风康复领域的临床应用。中风康复治疗的神经生理学机制是中枢神经系统的可塑性，学习训练过程中的重复性反馈刺激可以使神经元突触之间的联系加强，进而在大脑皮层上逐步实现修复、代偿和重建等康复效应。MI能够通过募集和强化未受损神经元的活性来促进受损脑区和神经通路的重组，由于其要求使用者主动参与，相对于被动式的刺激，主动参与带来的中枢神经系统可塑性的诱导效应更强[6]。2011年，Caria等首次从临床和神经影像学两方面验证了MI-BCI的康复效果，其结果呈现了大脑可塑性功能恢复的证据[7]。在2016年的一篇综述中，Remsik等回顾了17个独立的MI-BCI中风康复治疗研究，其中有16个研究都产生了明显的治疗效果[8]；同样地，国内也有多个研究组陆续开展这方面的研究，如李明芬等报道了MI-BCI系统对脑卒中患者上肢运动功能的影响，以及刘小燮等研究了该系统对脑卒中大脑可塑性的影响等[9-10]；笔者所在团队研发的MI-BCI-FES“神工”系统，在多例中风患者中取得了良好的康复效果。众多的研究表明，MI在神经康复治疗方面的巨大潜力和优势。

然而，尽管MI-BCI已经发展多年，但其仍面临着许多问题和挑战。主要包括以下几个方面：一是诱发生理信号空间分辨率低。由于脑电信噪比低、容易受到干扰等特性导致了基于EEG信号的MI任务辨识精度不足，这不仅无法实现精确控制，而且还导致输出指令集有限、与实际动作不一致的困境，限制了MI-BCI的应用范围。二是用户训练时间长。由于MI诱发脑电信号个体差异性大，难以建立有效的通用模型，目前的MI-BCI系统需要用户经过不同程度的训练才能熟练使用。三是异步MI-BCI系统难以有效实现。BCI系统根据操作方式的不同可分为同步和异步。同步系统则要求被试根据外部提示执行任务，相反的异步系统则不需要被试按照提示执行任务，可根据使用者自身意愿执行任意任务，真正做到心随意动。

笔者简要阐述了MI相关脑机制的研究，然后就目前MI-BCI系统研究存在的问题讨论其解决方案及研究现状，最后介绍其相关应用并展望其未来发展趋势，共同促进MI-BCI的深入研究与开发应用。

1 MI相关脑机制的研究

MI在临床和神经科学研究中发挥着重要作用。多年来，脑成像技术已被广泛用于深入研究MI和运动执行(motor execution, ME)的神经元表征，众多的研究表明，MI和ME激活了类似的脑区，例如辅助运动区(supplementary motor area, SMA)和下顶叶的主运动皮层(primary motor cortex, M1)等[11-12]。最近，人们越来越关注激活的大脑区域之间的有效连接。Kasess等通过动态因果模型测量SMA和M1之间有效连接性，结果显示在MI条件下SMA对M1具有强烈的抑制作用[13]。2011年，Gao等通过条件格兰杰因果检验和图论的方法探索MI和ME激活的重叠核心脑区之间的有效连接网络，研究结果可能表明ME和MI之间的因果网络转换。同时ME期间比MI具有更多的因果关系说明ME网络可能具有一些额外的连接以执行明显的物理运动[14]。

心理测量、神经解剖学和神经生理学特征被相继提出用于研究与基于感觉运动节律(sensorimotor rhythm, SMR)的BCI系统性能变化相关的神经机制。Hammer等计算了SMR-BCI的在线分类正确率与各种心理测试的相关性，包括视觉-运动协调、注意力跨度和智力等，研究结果表明，视觉-运动协调能力和专注力都与系统的分类正确率呈显著正相关[15]。随后，Halder等研究了白质结构与SMR-BCI性能之间关系，结果表明，深部白质结构的完整性和髓鞘质量均与性能呈正相关[16]。众多的研究表明，SMR-BCI的性能与静息状态时SMR的幅值有关[17-18]，尽管SMR-BCI个体间性能差异的神经机制还不清楚，但是寻找可靠的生物标记物来预测SMR-BCI的性能具有重要价值。2015年，Zhang等研究发现，从C3导联获得的闭眼静息状态的EEG频谱熵与SMR-BCI性能具有高度相关性，因此可作为生物标志物预测被试的表现[19]；同年，该团队进一步通过静息状态EEG研究离线MI-BCI的性能变化，结果表明，平均功能连通性、节度点、边缘强度、聚类系数、局部效率和全局效率与MI分类精度正相关，而特征路径长度与MI分类精度负相关，说明了有效的EEG网络背景可以促进MI-BCI性能，同时揭示了MI-BCI的网络机制，可能有助于找到改善MI-BCI表现的新策略[20]。

最近的一项研究中，Gong等首次采用弥散核磁共振成像技术(magnetic resonance imaging, MRI)对MI诱发的ERD结构特征进行研究，研究结果表明，白质回路的特征，包括主躯体感觉皮层上的白质连接强度和位置对ERD均有显著影响，同时，基底核与主躯体感觉皮层之间白质连接的回沟比与ERD呈正相关。该研究提供了人脑结构和动态生理特征之间的耦合机制，有助于理解MI-BCI中个体性能的差异性[21]。

总的来说，MI相关脑机制的研究有助于进一步了解大脑在执行MI任务时的工作原理，为改善MI-BCI的系统性能提供生理学依据。未来更深入研究的脑机制有望推动脑科学的发展。

2 MI-BCI问题解决方案的研究状况

MI-BCI系统通过检测并量化用户运动意图的大脑信号，并将其转化为输出控制指令，实现用户的控制目的[22]。其系统通常包括信号采集、信号处理和输出设备三部分。为了提高MI-BCI系统的整体性能，包括输出指令集、识别正确率、普适性等，研究人员从信号采集和处理等方面开展了大量研究工作。本节分别从高密度与植入性电极阵列信号采集、信号处理算法优化和MI-BCI范式的创新等方面进行阐述。

2.1 高密度与植入性电极阵列信号采集

为了解决脑电信号空间分辨率低的问题，研究者们在原有导联的基础上，探究了高密度电极采集信号的可行性，旨在获取足够的脑电信息用于解码用户的真正意图。高密度电极包括无创和有创两种，其采集的分别是大脑头皮的EEG信号和大脑皮层的电信号(electrocorticographic, ECoG)。目前，实验室研究脑电活动通常使用国际标准的64导联系统[23]，由于其记录的脑电信号有限，近年来多通道EEG硬件系统的进步使得高密度导联的研究得到广泛关注，高密度的EEG信号采集有利于识别脑电信号的颅内信号源，实现更准确的信息解码。

Joseph等通过采集264导EEG信号，并结合独立成分分析(independent component analysis, ICA)对5名被试的同侧膝盖和脚踝动作进行区分，研究表明，结合高密度脑电信号的ICA混合模型能有效识别同侧脑半球内控制不同肢体的运动任务，说明相比于传统导联采集，高密度采集包含更多有用的信息帮助研究者更好地了解用户意图[24]。类似地，128、256导联脑电采集分别被用于评估不同神经反馈训练的效果和不同任务下的大脑激活情况，研究结果均表明了高密度脑电信号的潜在优势[25-26]。

除了无创的高密度电极采集之外，在过去的10年中，越来越多的研究探索了植入性高密度电极阵列的使用，其采集的ECoG信号是通过将电极阵列放置于颅骨或硬膜下方，而不是在大脑软细胞组织中获得的。相比于从头皮(EEG)和细胞组织单个神经元记录获得的信号，ECoG具有高空间分辨率、高信号保真度、抗噪声强等特性。从表现和临床角度来看，ECoG最大限度地减少了传统无创和侵入式信号采集技术的局限性。基于EEG的BCI系统虽然得到广泛应用，但通常需要用户大量的训练，并且其性能往往不可靠；基于局部场电位的BCI系统虽然可以实现高水平的多维控制，但是仍然存在着皮层内电极长期功能稳定性的问题。尽管ECoG具有较强的优势，但是安置电极阵列仍需进行颅内手术，因此基于ECoG在人类身上研究的经验非常有限，到目前为止，大多数的人类研究主要集中在难治性的癫痫患者身上。2004年，Leuthardt等首次报道了基于ECoG的BCI在线研究。4名被试使用不同的实际或MI任务来控制一维光标移动到目标地点。研究结果表明，ECoG在用户训练很少的情况下可以支持准确的BCI操作。此外，该项研究还提供了初步的证据首次证明了ECoG信号中包含有关手部运动方向的信息，为准确推断出运动功能的具体细节提供依据[27]。随后，Demirer等在前人研究的基础上，提出了一种基于多维度Hilbert-SVM的混合方法，除了分类策略上有所变化外，该研究还提出了动态导联选择的方法，使得导联的信息能被有效利用。结果显示同样的左手小指和舌头MI任务，其识别正确率最高可达到95%[28]。以上研究表明，植入性高密度电极阵列采集的ECoG信号包含更精细的反映用户意图的信息。

植入性电极阵列有效提高信号质量的同时，Blakely等发现用户在具有固定参数的ECoG-BCI系统中5天内均表现良好，由此证实了ECoG特征的稳定性[29]。越来越多的ECoG-BCI在实际控制中得到应用，Schalk等首次报道了ECoG-BCI的二维控制研究，而EEG-BCI达到同等的效果通常需要更多的训练[30]。除了运动控制外，包括字符选择[31]、矩阵拼写器[32]等目标选择任务，相比于EEG-BCI[33]，ECoG-BCI均表现出优异的性能。最近的几项研究中，Chestek等表明ECoG含有足够的信息来解码手部复杂运动，包括手势和不同手指运动[34]。随后Kapeller等通过MI任务控制机器人成功拿起罐子，达到了95.4%的正确率[35]。这些结果将有利于中风患者抓握功能的精确恢复。ECoG-BCI在肢体障碍患者与计算机、机械臂等交互方面显示了巨大的成功，因此在受到了广泛关注的同时还有许多机构将其作为增强人类大脑功能的技术手段进行研究。然而，由于电极植入大脑后的最佳性能和不可预见的副作用尚未得到充分验证，因此在应用过程中仍需保持谨慎的态度。

归纳以上研究结果可知，不论是无创的高密度导联采集系统还是植入性电极阵列，均能有效提高MI-BCI的空间分辨率，对促进MI-BCI的发展具有潜在的优势。同时由于不便携和有创等局限，未来仍需大量的实验对系统的完善和评估等工作进行研究。

2.2 信号处理算法的优化

除了从信号采集方式上提高信号的信噪比外，科学家们对信号处理算法的优化也做出了大量的研究工作。信号处理是MI-BCI系统中重要的环节，主要包括特征提取和分类算法的设计。对于MI任务下频域和空间信息特征的提取，常用的方法包括谱分析、自回归[36]和共空间模式(common spatial pattern, CSP)[37]以及源重建等。CSP算法在提高MI分类性能中得到广泛应用，尽管该算法能使不同MI任务的信号差异最大化，从而提取可分的特征，但其很大程度上取决于滤波频带的选择，而被试的个体差异性导致了最优频带的选择面临很大的困难。最近的一项研究中，Zhang等介绍了一种新的方法，该方法在CSP基础上引入了稀疏贝叶斯学习算法用于有效特征的选择，实验结果表明了该方法的有效性，有望开发出有效的分类器改善MI分类性能[38]。运用最新发展的EEG源成像技术，许多关于提高运动相关节律空间分辨率的研究被相继报道。Han等采用频域中最小范数估计的方法对运动相关的皮质节律调制进行源分析，实现了对光标可靠的一维控制[39]。最近一项研究中，Bradley等应用扩展的EEG源成像技术对右手四个复杂的MI任务进行识别。研究结果表明，相比于传统的方法，总体识别率提高了12.7%。进一步说明了EEG源成像技术能够提高BCI解码复杂右手运动想象的性能，促进无创BCI的广泛使用[40]。

MI-BCI系统中常见的分类算法包括线性判别分析(linear discriminant analysis, LDA)、支持向量机(support vector machine, SVM)、人工神经网络(artificial neural networks, ANNs)和模糊系统[41]等，其中LDA和ANNs是应用最广泛的[42]。2009年，Lei等提出了一种经验贝叶斯线性判别方法，能够同时融合神经生理和实验中有用的先验信息，结果表明，该方法比传统的LDA和SVM均具有较优的正确率和鲁棒性[43]。过去十几年，研究人员分析了不同类型的ANNs，在不同ANNs的架构中，最常用的架构是多层感知器(multilayer perceptron, MLP)。这种MLP具有近似任何函数的能力，然而当设计高噪声水平的EEG信号时，可能会导致过度拟合的问题[44]。最近的一项研究中，Hettiarachchi等研究了功能链神经网络作为MI-BCI应用多类分类器的适用情况，结果表明，该方法不仅能有效弥补MLP的缺陷，而且与各分类器相比表现出最佳性能，可用于实时MI-BCI控制[45]。近年来，深度学习分类器越来越受欢迎。深度学习是指多层组成的人工神经网络(deep artificial neural network, DNN)。DNN通过增加计算能力和学习算法，可以执行非常复杂的非线性变换分类，达到了前所未有的复杂分类结果[46]。2018年，Chiarelli等将EEG-fNIRS混合范式与最新的深度学习算法相结合，评估了多模态记录中DNN分类算法的准确率。结果表明，结合先进的非线性DNN分类程序，可以显著改善BCI的性能[47]。

由于传统的信号处理算法需要大量的数据用于训练分类器，因此MI-BCI需要较长的时间来记录足够的数据，导致其效率低下，容易引起疲劳。为了解决这个问题，研究人员尝试从其他用户的数据中提取有用的特征，以缩短当前用户的数据采集时间。2018年，Jiao等提出了一种新颖的稀疏群表征模型，通过跨被试信息来提高MI-BCI的效率，结果表明能有效减少目标用户所需的训练样本[48]。同年，Hossain等设计了一种信息和直接迁移学习方法的最佳组合，显著地减少了新用户训练数据的需求[49]。同样地，Dai等通过直接匹配新用户和其他用户的特征分布来学习一个域不变内核，提出一种迁移内核CSP算法。结果表明，相比于其他算法，该方法能显著提高BCI系统的工作效率，特别是在训练数据较少的情况下[50]。

从以上研究发现，信号处理算法的优化不仅能有效地提高头皮脑电的空间分辨率，而且能缩短用户训练时间，为MI-BCI系统中更高效、更复杂的运动意图识别提供可行的解决方案。未来随着计算机硬件技术的发展、计算机运算能力的提升，更多算法研究将得到广泛应用。

2.3 混合范式的创新

除了在信号采集和信号处理方面的探索，研究者们开始对范式的设计进行不断创新。直到2010年，混合范式的出现引起了人们极大的关注，混合BCI范式通过结合两种(两种以上)的信号或同一信号的两种特征实现比单一BCI范式更优异的性能[51]。EEG由于便携和时间分辨率高而被广泛地与其他模式信号结合使用，例如功能性近红外光谱(functional near infrared spectroscopy, fNIRS)、肌电(electromyography, EMG)、眼电(electrooculography, EOG)等。Fazli等首次证明，EEG-NIRS的混合范式能有效提高MI任务的识别正确率[52]。Blokland等在随后的研究中也证明，该混合范式能精确解码运动意图[53]。类似的研究还包括EEG-EMG[54]以及EEG-EOG[55]组合的混合范式，研究结果均证明了混合范式能有效提高传统BCI的性能，有望促进BCI系统的发展。

混合范式的主要目的包含两个：增加控制指令的数量和提高BCI的分类精度。除了不同信号的融合外，同一信号的不同特征融合也被广泛研究，本节以MI为基础，阐述了MI特征与其他EEG特征融合的研究现状。目前主要的研究集中在MI与视觉诱发的大脑响应之间的融合，即MI-SSVEP和MI-P300。相关研究指出，MI-SSVEP不仅能有效降低控制机械臂抓握的假阳率[56]，准确控制轮椅的运动与速度[57]，而且能帮助脊柱损伤患者通过BCI系统精准控制脊柱假肢完成相应动作[58]。尽管只有少数关于MI-SSVEP的研究出现，但他们已经成功地证明了该混合范式在控制应用和康复训练领域的巨大优势。相比于MI-SSVEP，MI-P300的混合范式已经被广泛设计用于现实生活中。Li等将MI-P300应用于屏幕上光标二维移动的控制，平均正确率达到了90.75%[59]；Long等在此基础上添加了目标选择或拒绝的功能，实现了多功能的准确控制[60]。Bhattacharyya等则采用这种混合范式帮助患者控制机器人手臂运动，实现更优异的康复效果[61]。

从上述研究不难看出，MI-SSVEP或MI-P300在提高识别正确率和拓展指令集等方面具有显著的效果，然而混合范式引入的视觉刺激，不仅容易引起视觉疲劳和注意资源的竞争，而且不适用于眼动障碍患者。因此，研究者们致力于探索更优的解决方案。过去十几年，运动起始视觉诱发电位(motion-onset visual evoked potential, mVEP)在人体运动处理的基础研究中得到广泛研究[62]，然而并未在BCI研究中得到应用，相比其他视觉刺激诱发电位，mVEP具有较低的个体差异性和较大的幅值，对视觉刺激的对比度和亮度不敏感，在2%的对比度和0.003 cd·m-2的低亮度下足以引起显著的mVEP，因此Brunner等认为该电位似乎是BCI应用中最有希望的信号[63]。2008年，Guo等首次研究了mVEP在BCI中的应用，实验结果表明，基于mVEP的BCI系统能够在在线控制中实现高信息传输率[64]。最近的一项研究中，Ma等通过融合MI和mVEP的混合BCI系统，以更舒适的模式实现了对光标更自然和更有效的控制[65]。尽管mVEP能够缓解其他视觉刺激引起的视觉疲劳，然而MI作为一种主动式BCI范式，额外引入的视觉刺激要求用户同时执行两种任务，导致用户操作困难。

近些年来，稳态体感诱发电位(steady-state somatosensory evoked potential，SSSEP)被提出来，该电位通过施加在身体皮肤表面的体感刺激诱发，注意力的转移会对这种电位产生调制作用，从而建立起基于SSSEP的BCI系统[66]。研究表明，有体感刺激的SSSEP-BCI或无体感刺激的SSSEP-BCI均与MI-BCI具有相当的性能[67]，因此新型的MI-SSSEP混合范式被提出来[68]。Ahn等的研究表明，相比于传统的MI-BCI，混合范式对左右手MI任务的识别正确率提高了约10%[69]。同年，Yao等也证明了此观点，该种混合范式具有显著的优异性能[70]。Yi等采用电刺激代替振荡刺激组成MI-SSSEP混合范式，同样证明了基于融合特征的识别正确率显著高于仅使用一种特征的识别正确率[71]。在MI-SSSEP混合范式下，被试进行MI任务时注意力集中在不同肢体部位，自然引起SSSEP的调制，因此无需消耗额外的注意力来关注体感刺激，对于被试来说不增加操作的复杂度和注意资源的竞争。因此，这种新型混合范式对于完善发展先进的MI-BCI系统具有潜在的优势。

总的来说，混合范式的创新设计对于提升当前MI-BCI的整体性能均具有重要的意义。未来仍需进一步研究优化混合范式系统，以提高系统的稳定性和实用性。

2.4 异步BCI的研究

目前，BCI可以分为同步和异步两种工作模式。在同步BCI中，脑电位的分析和分类仅限于预定义的固定或可变时间窗口。这种模式迫使用户需要集中注意力在外界提示刺激上，导致用户感到不自然，并且丧失了自主权和与环境丰富交互的能力。而在异步BCI系统中，用户不需要外界提示刺激，可随意进行特定的心理活动。由于BCI系统的最终目标是让用户通过自主驱动而非系统驱动的策略中完全控制自己的外部世界，因此对于异步的研究是非常必要的。尽管异步BCI能提供更大的自主性，但是仍然面临很大的挑战[72]。由于系统缺乏对用户命令精确时间位置的了解，异步BCI需要持续分析正在进行的大脑活动，以便在任务控制状态和非控制状态之间进行分类，其中非控制状态可以是任务状态外的任何状态，例如空闲、做梦、其他心理活动和不相关的诱发反应等[73]。

MI-BCI的异步研究作为真正意义上的“随心所意”，受到了研究者们的广泛关注。早在2004年，Townsend等就通过分析左右手MI任务所记录的EEG数据，模拟连续分类的异步BCI，虽然实验结果不理想，但首次发现了受试者工作特征(receiver operating characteristics, ROC)曲线用于评估系统性能的局限性[74]。随后，Sadeghian等首次研究了基于4种不同MI任务的异步BCI系统，结果验证了异步研究的可行性[75]。为了探究MI任务后的β-ERS能否作为简单的“大脑开关”，Pfurtscheller等发现，脚部MI任务后的β-ERS是单次试验中可以检测到的相对稳定和可重复的现象，这为实现MI-BCI系统的异步控制提供可能的依据[76]。在近期的一项研究中，异步MI-BCI系统应用于控制汽车行驶，结果表明受试者能按照规划的路线成功驾驶车辆[77]。该方法可能为患有运动障碍的人提供补充或替代方式，并为健康人提供辅助驾驶。

从上述研究发现，由于EEG信号的特性，使得许多大脑活动的分析复杂化，从而限制了异步BCI的实际应用。尽管目前只有少量MI-BCI的异步研究，但其结果均证明了异步的可行性及有效性。一种允许用户自我控制的异步BCI系统能为真实世界的人机交互提供更自然的方式，因此未来异步MI-BCI的研究将具有更大的应用前景。

3 MI-BCI的应用与发展趋势

MI-BCI发展至今，因其在运动控制、神经康复及特种环境下的智能作业领域存在着很大的潜在应用前景而受到广泛研究。同时，MI-BCI工作涉及到的神经机制与运动功能密切相关，因此有望在提升用户脑区信息处理效率中发挥重要作用[78]。目前，MI-BCI根据应用场景的不同，可分为控制型和训练型，下面简要阐述其应用及未来发展趋势。

3.1 控制型MI-BCI

尽管MI-BCI已经发展多年，但是由于辨识率低，无法对MI发生部位的精准定位。大多数现有的MI控制还仅限于较大肢体部位的识别，如Doud等利用左右手MI任务控制直升机的左右运动，舌头和脚部MI任务控制上升和下降，从而在虚拟环境中完成直升机的三维控制[79]；Long等使用左右手MI任务，控制模拟或真实控制轮椅的方向[80]。大肢体部位的MI控制已经发展成熟，然而对于精细控制的场合，大肢体部位的识别已经不再适用，因此精细运动意图的识别尤为重要。

许多研究尝试解码同一肢体上的精细运动意图，建立MI任务与实际输出动作的一致性。为了实现更高自由度的MI-BCI系统，识别运动学相关的神经活动至关重要。Waldert等报道了基于EEG信号识别手部运动方向的最重要研究[81]。随后，Zhang等采用溯源分析的方法确定了运动方向的皮层源，为运动参数的识别提供理论基础[82]。在速度和力量的MI任务中，Yuan等发现ERD特征与手部抓握的速度存在线性相关[83]，同时，Jochumsen等实现了右脚踝不同速度和力量运动意图的检测[84]。除了动力学参数外，局部肢体部位运动意图也被广泛研究，Nakayashiki等表明手势变化的时间差异与ERD强度有关[85]，另外关于肘部、手腕、手指以及下肢等的MI研究也被相继报道[86-87]。这些研究充分说明了识别同一肢体运动学或局部精细动作运动意图的可行性。

提供一种高精度、连续和异步的运动控制交互设备是未来MI-BCI的研究目标。由于基于精细运动控制的BCI康复系统也会对用户的运动恢复产生重大影响，因此还需要进行大量的研究。总之，现有研究表明，使用非侵入式记录的脑信号可以实现对外界设备更精细和精确的运动控制。通过解决这一领域的各种挑战和问题，有望扩大BCI的实际应用，引起BCI技术的革新。

3.2 训练型MI-BCI

BCI的发展初衷是服务于那些外周运动系统损伤而大脑完好的病人，比如高位截瘫患者或者肌肉萎缩性侧面硬化病(amyotrophic lateral sclerosis, ALS)晚期患者。而MI-BCI作为一种主动式BCI，可以直接通过采集中枢神经系统功能活动信息构成脑-机-脑反馈环路，是目前中风康复技术中患者主动度唤醒能力最好的技术之一。

运动是一种复杂的活动，因此与运动相关的神经活动不仅存在于对侧脑区，而且也存在于同侧脑区。虽然未受损的大脑半球在脑卒中恢复过程中的作用尚不清楚，但是患侧初级运动皮层被认为在运动恢复中起重要的作用[88]。传统的基于BCI的运动康复策略主要针对损伤大脑半球的皮层重组，具体而言，大多数基于BCI的运动康复训练系统习惯上包含患侧感觉运动皮层的神经活动解码。然而，最近的一项研究表明，在中度至重度的脑卒中患者中健侧半球神经活动的感觉运动节律更稳定[89]。不同研究方案会导致BCI康复训练系统对大脑半球健侧或患侧不同的促进作用[90]。训练型MI-BCI主要应用于中风患者的康复治疗。Mohapp等首次报道了MI-BCI在中风病人上的研究[91]。Chung等报道了BCI和神经肌肉电刺激耦合的实验组与仅有神经肌肉电刺激的对照组之间，患者在测试中的节律和步长具有显著差异[92]；同年，Lee等报道了神经反馈训练治疗与假性神经反馈训练治疗相比，患者的速度和步态节奏有显著改善[93]。Woosang等采用结合FES的MI-BCI系统对一名中风患者进行康复训练后发现，BCI的准确性提高到80%以上[94]。最近的一项报道中，Cervera等对用于中风康复训练的BCI系统进行了meta分析。分析表明，基于BCI的神经康复训练系统对上肢运动功能的恢复具有较大的影响，并且可以比其他常规疗法更多地改善Fugl-Meyer评分。除运动结果外，许多研究还报告了亚临床水平的BCI诱导的功能和结构神经可塑性，其中一些还与改善的运动结果相关[95]。以上研究说明了训练型MI-BCI对于中风患者的康复训练是有效且重要的，能够促进受损神经元的激活，帮助患者恢复损伤的运动功能。然而仍需更多样本量更大的研究来提高这些结果的可靠性。

MI-BCI技术对于受损运动功能的代偿和恢复具有极其重要的意义，除了结合FES外，虚拟现实(virtual reality, VR)、机械外骨骼、经颅电磁刺激(transcranial electric/magnetic stimulation, TE/DS)以及增强现实(augmented reality, AR)等技术的发展也为MI-BCI的训练系统设计提供更多的组合方案，未来新型组合方式可能在提高MI-BCI康复训练效果上发挥重要作用。

4 结论

MI-BCI不仅能为健康或截肢患者提供与外界环境直接沟通的交互范式，而且在临床康复上表现出巨大的潜力。现阶段的MI-BCI技术还处于萌芽阶段，无论是信号的获取与处理还是异步控制的研究，尚存在着诸多问题与挑战亟待解决。本综述针对目前MI-BCI存在的主要问题，简单阐述了相应解决方案的研究现状以及发展趋势。随着研究的深入和发展，相信未来MI-BCI领域的问题会被逐步突破，其系统性能将不断得到提升和优化，从而具有更人性化、实用化、安全化的应用前景。