腦機接口的概念

腦機接口應用是指允許用戶與計算機交互以測量用戶大腦活動的設備，以其獨特的優勢加速了醫療器械行業的轉變，并將持續下去。腦電圖 (EEG) 可以識別大腦的能量和頻率模式，成為了測量頭皮電活動的常用方法。人工智能 (AI) 和機器學習 (ML) 可以提高評估和開發腦機接口應用的準確性和可靠性。接下來，我們將深入探討此領域，并介紹測量腦電波所需信號鏈中的一些關鍵電子元件，以及AI是如何將這些元件整合起來的。

腦機接口與腦電圖

人腦會產生振蕩的電壓，其典型值非常小，以百萬分之一伏特為單位計量。因此，通常采用腦電圖來收集和分析這些腦波電壓，這是一種記錄頭皮電活動的電生理監測方法， 用于捕捉與頭骨正下方發生的腦電波直接相關的信號。

通過腦電圖進行的腦機接口通信可以是單向或雙向的。雙向通信允許信息雙向流動，從而向大腦提供反饋并進一步調整。腦電圖可以采用非侵入式、半侵入式和侵入式技術：侵入式腦電圖是指將設備直接植入大腦并建立連接；半侵入式腦電圖是將電極安置在大腦皮層表面；而非侵入式通常通過在頭骨上放置一個帶有各種電極的蓋子來實現。腦電圖具有0.05秒的時間分辨率和10mm左右的空間分辨率。除腦電圖采用的電技術外，也可以采用磁、代謝等其他技術來收集數據。

腦波依頻率通常分為五類（表1）， 而醫學研究人員將其分為五個波段，每個波段對應著不同的大腦狀態。例如，記憶和回憶這類關鍵性活動通常在θ波段進行處理，但也有例外。研究人員利用這些波段來分析信號過小、過大或達到最佳值時可能發生的情況。

表1：腦電波分為五大類，每個頻率范圍都是一個標稱值，而非絕對值。（資料來源：作者）

腦電圖采集腦電波信號并將其數字化， 然后對它們進行信號處理，提取特征并使用翻譯算法進行分類。當然，也可以打印或記錄下來以供將來分析用。信號輸出可用于生成設備命令，以提供與電機控制、運動/移動以及環境條件或刺激相關的指令。因此，腦機接口能夠幫助殘疾人更好地控制外部環境。

腦機接口與人類狀況

由于人類生物學的原因，我們的感官和智力有著根本的局限性。可以想象，腦機接口和植入物可以增強或提供新的感知信息，增強生物能力。人類和機器有著不同的運行方式，因此在融合時需要特別注意如何實現信息的實時提取和交換。除此之外，還需要很多其他操作，以了解指導大腦的單個可尋址神經元之間的相互協調如何在環境中發揮作用，同時保持與接口數字可尋址域的協調。

腦機接口研究

腦機接口現階段以幫助人類為研究方向，包括恢復或增強人類視力、殘疾肢體的運動恢復以及幫助恢復和糾正各種神經損傷和疾病的大腦定位。大腦映射可以幫助我們更好地理解人類思維是如何轉化為人類行為的， 進而激發出增強學習、新的或增強的人類感知以及新的嵌入式自主神經系統。下面我們來看兩個例子，了解腦機接口可以在哪些方面繼續發展并占據主導地位。

超人認知

億萬富埃隆·馬斯克 (Elon Musk) 正在積極研究腦機接口問題。他是Neuralink公司的創始人之一，這是一家開發植入式腦機接口的神經技術公司， 致力于打造先進的腦機接口工具。公司創始人相信，有了合適的團隊，這項技術的應用前景將更加廣闊。Neuralink正在探索將允許神經活動的超細電子線植入大腦的可行性。

馬斯克的一個既定目標是實現“超人認知”。發明家兼未來學家雷·庫茲韋爾 (Ray Kurzweil) 認為，人工智能的特點是具有非凡的模式識別能力。他將人工智能視為一個進化的自組織層次系統，在生物模式識別機器環境下運行。馬斯克的目的是實現超人認知，因為他希望人類能夠更熟練地進行談判，以理解更強大的人工智能的出現和傳播，而人工智能在模式識別方面正變得越來越擅長。

新的感知

在觀察腦機接口如何增強人類感知時，可以參考網絡基金會創始人內爾·哈維森 (Neil Harbisson) 的案例。他被公認為世界上首位電子人。天生色盲的哈維森在頭骨上永久性地植入了一個天線，通過傾聽來分辨顏色，用聽覺彌補了視覺上的限制。正因如此，哈維森積極倡導將科技融入人體的未來生活理念。

傳感器集線器

為了支持腦機接口技術的發展，人類采用了傳感器集線器以各種方式收集腦機接口以外的其他生物特征信息。傳感器集線器使用多個傳感器和一個微控制器來收集和分析大量腦電波無法直接訪問的人體參數， 包括收集有關人體脈搏、心率、脈搏血氧飽和度 (SpO2) 和估計血壓的信息。

高質量數據

由于大腦信號非常弱小，所以整個電子信號鏈在設計上需優先考慮降低噪音、雜散以及偽信號等問題。患者可能會通過身體運動、出汗、眼球運動、心律等誘發這些問題。而50Hz/60Hz噪聲、電極皮膚接觸問題和電纜移動等都可能會造成電氣誤差。

考慮到上述各種原因，我們在選擇電子元器件時，應盡量選擇高精度、低噪聲、高分辨率的信號鏈產品。因此，需選擇低噪聲放大器 (LNA)、單位增益緩沖器和精密模數轉換器 (ADC)，以防引入不需要的信號，同時提供準確可靠地解析數據的能力。采用差分放大器和帶通濾波器也可以確保傳輸高質量數據。

用于腦電圖的ADC推薦

在這里我們為腦電圖信號鏈設計人員推薦一款ADC，即Analog Device的AD7177-2 32位∑-Δ模數轉換器 (ADC)（圖2）。此系列器件為低噪聲、快速建立、多路復用的2-/4通道（全/偽差分）ADC，可用于低帶寬輸入。針對完全建立的數據，AD7177-2最大通道掃描速率為10kSPS (100μs)。其輸出數據速率范圍為5SPS至10kSPS。AD7177-2 ADC集成了關鍵的模擬和數字信號調理模塊，可讓設計人員針對使用的每個模擬輸入通道單獨進行配置。

此外，還有Texas Instruments的ADS1299-x 24位模數轉換器 (ADC)，此系列為4/6/8通道、低噪聲、24位同步采樣Δ-Σ模數轉換器 (ADC)。ADS1299-x集成了顱外腦電圖和心電圖 (ECG) 應用的所有常用功能， 不僅集成度高而且性能卓越，能夠在大大降低體積、功耗和總體成本的情況下創建可擴展的醫療器械系統。

人工智能與腦機接口技術

人工智能及機器學習和深度學習 (DL) 等子領域均支持基于腦電圖的腦機接口。深度學習為自動分類腦電圖信號提供了工具，可將數據用于各種應用和其他卷積神經網絡 (CNN) 訓練。人類現有的專業知識足以支持人工智能技術。我們的愿望是消除偽影，提高數據質量，并繼續實現人工智能技術的進步，從而在測得的腦電波信號繼續呈出指數級增長時，可由人工智能通過DL技術進行分類。

結論

基于腦電波的腦機接口技術依賴于高性能的電子信號鏈。認真選擇測量腦電波和其他身體功能所需的所有關鍵電子元件對于提升設計可靠性至關重要。AI和DL技術不僅有利于更好地解釋動態腦電波數據，還能幫助人類從腦機接口中獲得更多好處。腦機接口是一種新興的人機接口方法， 并且終將能為我們遇到的心理障礙提供治療，特別是作家都會面臨的創作枯竭問題。

審核編輯：郭婷