脑机接口技术教育应用的研究进展*

柯清超，王朋利

(华南师范大学 教育信息技术学院，广东 广州 510631)

在1999年举行的第一届脑机接口国际会议上形成了脑机接口的定义：“脑机接口(Brain-computer Interface，BCI)是一种不依赖于外围神经和肌肉等正常输出通道的通信系统”[1]。脑机接口国际会议[2]是目前最具影响力的脑机接口学术会议，每三年举行一次。当前，国外BCI技术的研究主要集中在美国、加拿大、德国、意大利等国家，其中以美国的研究团队最多，包括美国国防高级研究计划局、哈佛大学、斯坦福大学、布朗大学等。国内从事BCI研究的科研小组有清华大学、上海交通大学、电子科技大学、北京师范大学和重庆大学等。2005年成立的北京师范大学认知神经科学与学习国家重点实验室[3]是国内较早开始系统研究BCI技术教育应用研究的团队。

当前学术界已经意识到脑机接口在教育中应用的价值，相关论文的发表量从2010年出现大幅度增长。通过Web of Science数据库对相关文献进行分析，发现脑机接口教育应用的研究主要集中在计算机科学、教育教学研究和神经科学、工程学等领域，其教育应用研究与实践处于起步阶段，研究成果还不丰富。当前BCI教育应用的研究主要集中在以下三个方面：(1)BCI教育应用基础理论方法。建立以脑科学为基础的教育应用理论体系，基于对人类认知规律、认知过程的认识构建教育教学新范式；(2)BCI教育应用系统设计。基于脑信号记录或脑刺激设计BCI教学系统，为实现常态环境下的教育应用提供支持；(3)BCI教学实践与实证研究。设计并实施基于BCI的教育应用实验，解决具体的教育教学问题，如通过系统的认知训练提升学习者的认知能力，改善学习过程中的消极情绪等。

一、BCI教育应用基础理论方法

BCI能够记录学习者在学习过程中的脑信号，实现对人类思维的有效解码，并且通过训练能够使学习者掌握控制脑信号的能力，这为脑科学在教育中的应用搭建桥梁。同时，各类脑成像技术的发展使得脑机接口设备也变得越来越便捷，易于利用，使得BCI在教育中应用的场景也更加多元。

(一)脑信号记录与分析方法

脑机接口中用于采集神经信号的技术被统称为脑成像技术。神经造影方法主要有：(1)非侵入式方法，如脑电描记法(EEG)、功能性核磁共振(fMRI)、近红外光谱技术(fNIRS)、脑磁图描记法(MEG)、正电子发射断层扫描(PET)；(2)半侵入式方法，如皮质电描记法(EcoG)；(3)侵入式方法，如单神经元记录。目前最有效的神经造影方法是EEG、EcoG和单神经元记录[4]。各种神经造影方法的原理不同，各类方法各有利弊，适合于不同的场景。MEG、PET、fMRI、fNIRS等依赖于代谢过程，但代谢过程对快速交流的反应较弱，而且设备一般都比较贵，需要专业技术支持才能使用[5]。EEG主要是通过电极帽采集头皮上的脑活动信号，但这种方法容易受到噪音干扰，而且呈现出较低的信噪比。EEG已成为人类脑机接口最重要的单一非侵入性脑信号来源。国际上用10-20系统作为头皮上标准化电极位置的一种约定。

脑信号含义的解读是实现脑信号测量的基础。解读脑电数据一般是用数学方法将大脑的电活动转换成特定的频率，提取出Alpha、Beta、Gamma、Delta和Theta等波。以上每一类波都代表着不同的人类活动[6]。当大脑处于放松或休息状态时，主导频率通常在较慢的Alpha和Theta波段内；当面对认知任务或定向思维时，大脑在波带内产生Beta主导频率。基于脑电图信号变化识别学习者状态的原理主要就是根据捕获α、β和θ脑波的频带能量变化做出相应的判断。

(二)学习过程中的脑信号测量与控制

从神经科学视角看，学习是基于对脑细胞的测量和刺激实现的。基于BCI实现对学习过程中脑信号的测量与控制，能够提高学习者的学习质量和效率。

1.学习过程中的脑信号测量

学习者的认知状态和情绪状态等高级思维活动与其学习成功密切相关，以往都是通过量表或完成注意力持续性检测任务(CPT等)来实现以上心理指标的测量。随着脑测量技术的进步，基于BCI能够实现认知负荷、注意力水平、情绪状态等高级思维活动的实时测量，为学习者或教师根据测量结果调整学习策略或教学策略提供支持。对学习过程中脑信号测量的部分典型教学实验有：

(1)学习过程中的学习者认知负荷测量。认知负荷能够直接反映学习者对知识的掌握程度和学习过程中的努力程度，学习者在认知负荷合适的范围内进行学习才能产生较佳的学习效果。认知负荷主要采用n-back任务测量[7]，通过分析观察受试者在任务难度增加(从0-back任务到3-back任务)时，θ波、α波、β波等的能量变化情况，再用机器学习算法进行自动判断。在远程教育和在线课程平台学习过程中，随着认知任务难度水平的增加，大脑中央和后部区域的θ和α会降低[8]。

(2)学习过程中的学习者注意力水平测量。注意是由额叶和顶叶组成的皮层网络控制的，可以通过干电极采集相应位置的脑电信号，分析脑电图的样本熵特征量化注意力水平(基于Alpha波形)。相关研究表明，通过设备自动分析的注意力结果与在认知心理学中应用注意力持续表现测试的结果具有相关性[9]。当前能够实现在多说话者情景下，对多个声源中的其中一个声源的注意力自动检测[10]，多说话者情景与课堂教学环境相似，研究结果或许能够帮助教师根据听觉注意力的自动检测进行讲授。

(3)学习过程中的学习者情绪类型识别。EEG信号承载着人类丰富的情绪特征，学习者情绪测量的一般方法是：让受试者观看不同情绪视频剪辑片段，并同时采集其脑电波状态，用SVM等机器学习算法对脑电波原始数据进行特征提取，实现情绪的识别。当前可以识别的情绪有平静、生气和幸福[11]，悲伤、恐惧、快乐和厌恶等[12]。由于信号特征和噪声等的限制，目前还不能识别广泛的情绪类型。

2.学习过程中的脑信号控制

对学习过程的脑信号进行控制，目的是帮助学习者调控自身的情绪、注意力状态，提升学习效果。脑信号控制能够改善学习的基础在于脑部神经具有可塑性，通过对神经的反复训练可以改变人脑部的关键神经基质，增强大脑性能。脑神经反馈训练(Neurofeedback Training，NFT)是目前世界上最新的一种对大脑进行全面提升的技术[13]，已有大量的研究证明了神经反馈训练的有效性[14][15]。学习者实现脑控制的方法有两类：

(1)主动想象。在大多数以脑电图为基础的交流系统中，心理想象是必不可少的一部分。心理预演的质量、想象努力的程度和精神可控性对基于EEG的脑机接口的表现有重要影响。学习过程中的主动想象包括通过心理想象完成认知任务，或者通过意识控制外部设备，如通过调节注意力实现赛车(乐高模型)的启动、暂定、加速等特定动作。

(2)对大脑进行刺激。通过正念冥想、音乐刺激等方法，增强某一频段波的频谱能量，改善学习者在学习过程中的表现。当前，多通过基于BCI的游戏实现脑刺激。如前扣带皮层(ACC)是选择性注意的关键神经基础，通过对ADHD儿童进行基于游戏的脑神经反馈训练，能够使其ACC功能正常化[16]，增强ADHD患者的认知能力与社会交互能力。

(三)基于脑科学的教学研究

学习成功与特定现象相关假设有关，脑机接口技术能够通过直接监测大脑活动判断学习者的学习和认知状态，研究显示学习者(Learners)和非学习者(Non-learners)的Alpha能量等电生理数据差异显著[17]。将来或许能够实现通过直接测量学生大脑信号的变化来估计学生对某个概念的掌握程度，为学生的能力和学习效果进行标准化测试提供一种选择[18]。当前可以预见的脑机接口教育应用与评价将主要用于学习者分类、学习者状态识别、认知水平监测、学习过程训练反馈提升等，如图1所示。

图1 基于脑机接口的教学应用与评价

二、BCI教育应用系统设计

脑机接口系统(BCI系统)是实现脑机接口应用的重要渠道。BCI教育应用系统能够在脑信号监测与控制的基础上，为学习者实现自适应学习和自主训练提升提供支持。当前BCI教育系统的研究重点集中在如何设计基于BCI的神经反馈才能帮助学习者学习和实现大脑状态的自我调节[19]。

(一)BCI系统的典型框架

BCI系统的框架雏形是由Jacques Vidal提出的[20]，包含脑神经信号采集模块、分析处理模块和应用模块。当代BCI系统基本沿用了这一框架，一般包括以下三个部分[21]：

1.信号获取。采集生理信号，并将选择输入的信号由记录电极获取、放大和数字化。输入信号的获取有自发脑信号获取和诱发脑信号获取两种方式[22]，前者最常见的是主动想象信号，后者常用基于任务的刺激实现。引入外界事件诱发所得的事件相关电位往往具有更高的信噪比，常用于情感识别、认知负荷识别。BCI教育研究中常用的EEG信号类型有P300、事件相关电位、自发脑电信号、视觉诱发电位(VEP)等。

2.信号处理。目的是综合运用各类信号处理方法与机器学习算法，从神经信号中提取特定思维活动的关键特征，并将人的不同思维活动状态实时识别出来。EEG信号具有时间分辨率高的特点，常用时频分析方法处理EEG数据。基于EEG的BCIs分类算法可以分为自适应分类器、矩阵和张量分类器、转移学习和深度学习四类，以及其他一些杂项分类器[23]。

3.控制反馈。将所识别到的思维活动状态翻译为机器指令，最终实现脑机接口的应用。在BCI应用实践过程中，一般会将数据集分为三个子集：训练子集确定分类器参数，验证子集验证分类器参数，测试子集优化分类器性能。根据应用目的不同，BCI能够训练模式识别算法产生离散(分类)或连续(回归)的控制输出信号。

(二)基于脑信号分析的学习系统

学习者在学习过程中经历各种情感的化合价和激励性，影响着认知过程和学习的成功。基于脑信号记录感知用户的内部状态，并根据所产生的反应经验，可为每位学习者建立个性化的互动[24]。基于脑信号记录的自适应学习系统可分为三个层次：当新用户首次访问BCI系统时，算法根据用户的特定特征进行调整；系统能够适应大脑的状态，如大脑处于疲劳、生病等状态时；系统能够通过反馈增强用户的适应性。

基于BCI的自适应学习系统能够通过动态收集用户信息，实现个性化资源、学习同伴、学习路径推荐，其基本实现逻辑如图2所示。基于BCI的学习系统能够通过预测模型预先评估用户的工作量，实时调整数字学习环境的内容，使学习者的工作负载水平始终保持在最佳范围内[25]。这与以往的自适应学习系统的实现逻辑不同，以往的系统多基于学习者对错误的自适应情况设计，如可汗学院的个性化学习系统通过判断学习者在完成任务时的错误情况进行个性化诊断和推荐。

图2 基于BCI的自适应学习系统

当前已经有部分BCI自适应学习系统应用的实践案例。Lin F R基于认知负荷理论构建了认知负荷监测系统[26]，能够有效促进用户对在线学习环境中心理努力的自我意识，实现同步和异步学习环境中的自动反馈。Carina W通过在线采集学习者的EEG状态，并依据脑电图数据(预测模型)评估学习者的工作量，实现学习材料难度的调整，使学习者的工作量保持在较佳范围内[27]。Natalya A等尝试建立基于脑活动模式研究与解释的软硬件综合教育潜能创新平台[28]，在分析大脑信号的基础上实现儿童在学习中状况的评估，建立个体的学习路径。

(三)基于脑刺激的神经反馈训练系统

神经反馈是将神经激活，在线反馈给参与者进行自我调节的一种心理学过程。与基于脑信号记录的BCI学习系统不同，神经反馈训练系统需要给予参与者一定的脑刺激，使其能够将注意力转向手头的任务，并且提高参与者在完成任务时的表现。

基于BCI的神经反馈训练系统框架如图3所示。当前的神经反馈训练多在虚拟环境中进行，设计平面的互动反馈游戏和可控的3D干扰。在自然状态下，多用学习者主动想象和冥想练习、音乐刺激等实现神经反馈训练。要实现BCI神经反馈系统的可持续应用，最好的方法是将心理干预、神经科学和游戏机制结合起来，设计吸引学习者的游戏机制，激发学习者的学习兴趣。

图3 基于BCI的神经反馈训练系统

基于脑—机界面的BCI注意力训练游戏是神经反馈训练的典型应用。注意力训练游戏能够记录学习者的脑活动信号，并在学习者注意力低的时候给予学习者适当刺激，提升学习者的注意力状态。在实践中，一般由学习者佩戴脑电波耳机(或头环)收集脑电波数据，脑波耳机将收集的数据通过蓝牙(或WiFi)传输到注意力监控系统，系统通过监控判断确定参与者的注意状态是否符合反馈阈值，一旦达到阈值，就向参与者提供关于不良关注的反馈[29][30]。脑神经反馈实现的形式和内容比较多样，可将脑电图监测系统与音频反馈结合起来，在学习者不注意时提供音频反馈[31]，提高学习者的注意力水平。相关实验已证明神经反馈训练比提升注意力训练技巧更能改善学习者的注意力[32]。

三、BCI教学实践与实证研究

随着技术和生产工艺的进步，脑机接口设备的生产成本已经较低，为实现基于BCI的教育常态化应用提供了支持。当前基于BCI的教育应用研究尚未形成完整的研究体系，但研究者对基于BCI改善学习者表现和实施有效的教学干预充满信心。相关研究已经能够证明合理利用BCI能够改善学习者的消极情绪，提升学习者的认知能力和促进学习者管理自身行为的能力。

(一)改善学习者的消极情绪

儿童焦虑和抑郁是全球性的心理健康问题，13-15岁的儿童中焦虑障碍达到顶峰[33]。造成焦虑和抑郁的主要原因是，压力过大导致儿童心理健康和放松的能力减弱。通过监测学习者的焦虑情绪状态，并适时提供有效干预训练，能够有效改善学习者的焦虑情绪状态，但儿童需要经过较长时间的参与才能够通过实践建立情绪恢复能力。Schoneveld E A等发现应用心理健康游戏在降低8-12岁儿童的高焦虑障碍水平方面与传统CBT(Cognitive-behavioral Therapy，认知行为治疗)一样有效[34][35]。Verkijika S F等则设计了基于BCI的数学思维游戏，用于控制和降低9到16岁儿童的数学焦虑水平[36]。

除了通过心理健康游戏调节学习者情绪，基于冥想训练也能够较好地实现学习者状态的自我调节，改善情绪和注意力状态。长期的冥想训练可以加厚大脑注意力和感觉处理区域的皮层，为学习者的生理和心理健康带来积极影响。同时，冥想训练对情绪处理的影响可能会转移到非冥想状态，能够使用户心理产生持久变化[37]，在非学习状态下进行冥想训练对诱导学习发生也有价值。Tan L F等通过对76名受试者给予12周的正念冥想干预(对照组分别为给予音乐干预和不给于干预)[38]，结果显示，BCI干预组对改善用户在BCI测试中的表现效果显著。为期4周的短期干预[39]也能起到改善用户在BCI测试中的表现。大多数学生无法清醒地进行适当的冥想，学生通常没有放松和冥想的自然能力[40]，需要通过外界提供适当的引导和干预，才能够起到较好的效果。

(二)提高学习者的认知能力

学习记忆和注意力是重要的认知功能。学习记忆能够将我们的过去、将来联系起来，还会影响我们当下的任务决策，影响未来的学习期望。当前主要通过设计可控制干扰的沉浸式3D环境和互动反馈游戏，帮助学习者将注意力聚焦在完成特定任务上。在训练实践中，脑机接口设备既可以作为输入设备，也作为监控神经生理讯号的工具，评估学习者认知状态。教室是儿童经常使用并熟悉的环境，因此，相关的3D环境多为三维虚拟教室。Darius A设计了基于体感设备的BCI辅助运动工具，增强沉浸式三维虚拟现实(VR)教室中的注意力[41]。开展相关实践的要点还在于设计注意力游戏[42]和虚拟教室的模拟干扰。Antle A N证明了儿童在干预过程中学会的自我调节焦虑和注意力的能力可以转移到学校的其他情境中去，且儿童在干预后的两个月依旧能够保持自我调节焦虑和注意力的能力[43]。

神经活动测量的生理数据与用户行为数据融合应用将能够产生更广泛的应用。Rebolledo M G将学习者的注意数据与用户生成的数据融合起来，在评估活动中建立注意力评估模型，实现基于数据的评估练习[44]。在该模型中，注意力阅读与一些信息相结合，比如正确回答(或不正确)的问题的数量，或者回答每个问题所花费的时间。未来将有可能通过标准化阅读和算法，消除用户注意力水平的自然波动。

(三)提升学习者的行为管理能力

学习者积极参与学习是学习成功的关键。Huang J等设计了基于脑电数据的增强阅读系统帮助ADHD患者提升阅读参与水平[45]。该系统能够实时检测儿童阅读时的参与度水平，当系统检测到学习者的专注力低时将触发BCI培训模式，并将BCI培训课程投射到配套的书中。该系统设计的重点在于培训任务的设计，系统可以通过让孩子集中注意力来提高参与度，并想象与课程相关物体的状态转变，如阅读春季特征时，BCI的训练任务是让孩子集中精力想象花开放的动作，增加阅读参与度。在幼儿教育方面，基于BCI的幼儿教育助理是一种交互式的自主学习系统，能够通过监测设备检测头皮发出的脑电图信号，确定儿童的精神状态和参与程度，从而根据不同的情况发送反馈，如在儿童注意力下降时，通过视频短片回放等方式提供反馈，提高学生的学习参与度[46]。基于BCI的游戏系统能够通过模仿学习认知技能，帮助儿童更好地融入社会。Lekova A等将BCI与可编程机器人结合[47]，设计以空间定向、形状定向、色彩定向、情感定向等为基础的游戏活动，评估与提高有特殊教育需求儿童的情感和认知技能。

四、BCI教育应用的未来研究与实践

随着人工智能教育应用的推进，以脑机接口为代表的人工智能技术在教育中的应用前景广阔。未来，脑机接口技术与脑科学研究成果的结合将会更加紧密，同时，将会加强与大数据、云计算等智能技术的结合，实现在教育应用场景层面的突破。

(一)脑科学与BCI的结合更加紧密

运用脑机接口技术直接介入的方法研究人脑内部的学习机理，改变了人类以往在行为主义、认知主义时期所采用的隐喻性的、间接性的学习研究方法，为脑科学超越以往的学习研究提供了理论基础[48]。儿童大脑发育存在敏感期[49]，基于BCI的教育系统应该关注儿童大脑发展的敏感期和可塑性，根据脑的发展规律为学习者提供适宜的刺激和材料。同时，在为学习者提供服务时也要关注学习者的个体差异。学习者存在不同的认知风格(如表象认知风格和言语型认知风格、场独立型和场依存型)，不同认知风格的学习者在处理信息时使用不同的大脑区域，而且处理方式不同[50]。基于BCI诊断学习者的认知差异，能够使学习者获得更好的体验。

(二)智能技术与BCI测量的结合与智能分析

BCI与智能技术的结合将会在提高认知任务性能预测准确率和增强机器自我学习能力方面实现突破。随着计算机视觉和可穿戴设备的发展，教育行为的量化成为教育质量监测与评估的重要手段。肢体语言、面部表情等表征人类通信的信号可以与神经信号相结合，预测学生的神经状态[51]。多维多模态数据的结合[52]能够提高用户在执行认知任务时的准确率，超过了从任何单一模态中提取的预测准确率。同时，智能技术能够增强机器的自我学习能力，改善用户体验，主要通过构建基于协同学习的BCI体系架构[53]，实现用户与系统的双向反馈实现。人工智能神经网络是当前流行的机器学习关键技术，但当前人工智能神经网络的结构主要根据实验和经验设计，尚无具体理论可遵循[54]，未来将会建立系统的理论体系指导人工智能教育的发展。

(三)BCI教育应用场景的突破

BCI将助力学生学习、教师教研和教育改善，促进技术与教育系统各要素的深度融合[55]，创新人才培养模式。学生学习方面，基于BCI的个性化学习环境能够充分考虑不同学习者的认知过程、情绪、注意力等方面的差异[56]，帮助学习者加入的社群更加符合学习者的学习特征[57]。同时，神经信号可以测量和理解学习者对不同学习内容、学习方式的反应，基于此为学习者提供合适的教育资源将会相对可靠。教师教学方面，将会成为教师教研的重要手段，改变以往的主观评价方式。BCI数据与其他教学过程数据进行融合和关联分析，能够分析出不同教学策略的实施效果，帮助教师提高教学技能。教育改善方面，BCI能够记录和挖掘学习者的学习和认知规律，为提供合理的教育干预提供支持，如根据学习者的注意力发展曲线，优化课程内容和课堂授课时长等。

(四)基于BCI实现云端的学习

当前BCI技术实现了人脑与计算机等外部设备的连接和信息沟通。未来，BCI技术可能通过开发安全、持续、稳定的实时接口系统，将人脑与在云中的数据存储和处理系统连接起来，实现脑与脑的连接，为改善人类教育提供更强大的支持[58]。通过脑—脑的连接或许能够有效缓解学习的紧迫感，人类最终的学习过程可能会表现为将知识转移到人脑。BCIs也可能实现与其他大脑的连接，通过汇聚多种不同形式的思维形成思维池，参与到新的集体应用程序中[59]，如实现基于云思维(Cloud Mind)的协作学习。

五、国内BCI教育应用的研究进展

国内从事BCI研究的科研小组有清华大学、上海交通大学、电子科技大学、北京师范大学和重庆大学等，但专门面向教育教学的BCI研究还处于起步阶段。近年来我国学者对脑机接口的教育应用关注程度逐渐上升。姜雷[60]、徐振国[61]、张琪[62]等从不同角度做了脑机接口教育应用的研究综述；余饶东设计了结合计算机视觉检测和脑电波检测技术检测在线学习者注意力的方案[63]，识别在线学习者的显式分心状态和隐式分心状态。杨晓哲等则尝试将沉浸式虚拟现实与脑电波技术结合，探究整合系统对个体创造力的影响[64]，该实验要求55位受试者在沉浸式的虚拟现实环境中设计创意作品。

本研究作者通过非侵入式脑机接口设备和视频录播设备实时监测学生在课堂教学活动中的行为和注意力状态，主要研究集中在以下方面：

(一)基于可穿戴脑机接口设备的教育大数据研究

采集学生多维教育大数据是实现智慧教学的基础。研究团队提出通过录播设备和可穿戴设备结合采集学生课堂教学数据，将两类数据进行对照，为智慧教学提供支持。研究通过录播设备将教学情景中的师生互动行为、交互时间、交互形式等多种场景进行自动化采集和数据分析，同时通过人工观察的方式为教学行为打上标签。通过可穿戴头环设备实现学生课堂注意力数据的自动采集和分析。具体方法是：采集师生行为数据、注意力数据，形成“注意力—行为”映射片段数据库，实现学生内隐心理与外显行为的对照以及学生注意力与教师教学策略的映射，分别构建注意力与学生行为、教师行为数据映射的常模。该研究可以为教师提供准确的数据评测手段，帮助教师根据学习者的注意力分配规律改变和调整授课方式。同时，还可以帮助管理者洞察学生真实行为，帮助研究者发现影响教育教学的因素。

(二)基于可穿戴脑机接口的学习者状态识别与认知风格分类研究

认知风格是学习者的重要个性特征，基于认知风格识别实现学习者分类，能够有效支持分层教学和个性化教学实现。学习者的认知风格具有相对稳定性，目前研究团队已经基于课堂教学实践，成功分离出视觉型、听觉型、读写型和操作型等四种认知风格，认知风格识别准确率为55.0%，单次最高正确率为76.0%。具体的方法是：向学习者展示不同的认知风格材料，刺激学习者脑部神经元活动，筛选表征学习者注意力的特征向量以及合适的算法，实现认知风格的识别。但如何保障用户在单次实验中的认知风格识别的准确度是目前需要突破的难题。图4是不同类型学习者在面对读写材料时的专注力变化情况，注意力数值在0-100之间。

图4 各类型学习者在面对读写材料时的专注力变化情况

(三)课堂常态化教学环境中提升学生注意力的实证研究

自适应学习主要表现为实现学习者的差异化、个性化学习，自适应学习应该能够基于学习者的输入改变个体学习者的学习体验[65]。脑电信号识别技术已经日趋成熟，学习者可以通过基于BCI系统查看自己在任务执行过程中的注意力状态，并根据注意力表现调整学习方法，或者通过系统反馈提升个体的注意力状态，以获得更好的学习成果。研究团队已经在广州市天河区和海珠区采集了近600位学生的课堂注意力数据，通过数据能够实现对学生认知能力的客观评价。未来，通过长期的数据积累，将有可能建立基于注意力测量的学习者模型，为实现学生学科学习兴趣的智能绘制、自适应学业诊断等提供支持。图5为广州市天河区某学校五年级某班学生在英语课中的注意力数据。

图5 五年级某班学生在英语课堂的平均注意力情况

六、结语

脑机接口是脑科学与人工智能技术结合的产物，随着类脑智能技术、生物智能与人工智能融合的混合智能技术的不断发展，脑机接口在人类未来学习中越发凸显其价值。脑机接口技术能够实现学习者脑信号特征的精准测量，为建立以学习为中心的教学环境和个性化支持服务提供支持。与此同时，在掌握大脑运行的神经机制的基础上，以科学的视角和具体可行的方法构建基于BCI的大脑干预训练方法，能够挖掘学习者的大脑潜能。在脑科学与数据科学的发展与支持下，未来的教育一定会从基于经验的教学走向智能技术支持的智慧式教学，学校将实现高效的大规模化个性化人才培养，人类将获得全新的学习方式与学习体验。