腦?機接口（BCI）技術通過解碼大腦信號可實現人類和外部設備的交互，近年來取得了一些重要的突破，但其應用推廣目前還存在許多障礙。當前常見的 BCI 控制信號一般來源于與感覺運動相關的腦區，這些信號僅能反映肢體運動意圖的有限部分。因此，需要探索更多可用于控制 BCI 系統的腦信號源。基于認知腦區的腦信號具有更加直觀、有效的特點，可作為拓展腦 BCI 信號源的新途徑。本文綜述了基于單一腦區和多腦區混合的認知 BCI 的研究現狀，并歸納了其在康復醫學領域的應用研究，以期將基于認知的 BCI 技術作為未來 BCI 康復應用的突破口。
引用本文： 周慧琳, 徐佳琳, 施長城, 左國坤. 基于認知腦區的腦?機接口技術及其在康復中的應用研究進展. 生物醫學工程學雜志, 2018, 35(5): 799-804. doi: 10.7507/1001-5515.201711013 復制
引言
腦?機接口（brain-computer interface，BCI）是一種不需要依賴大腦正常輸出通路，通過檢測大腦神經活動信號特征，解碼識別大腦正在進行的思維活動與運動意圖，實現人與外界設備直接交互的一種技術。近年來，BCI 技術的突破取得了傲人的成就，其應用范圍越來越廣泛，涉及醫療、軍事、娛樂等。尤其是在康復醫學領域，已有研究表明，可將 BCI 技術應用于運動能力缺損患者的康復訓練中，幫助其“主動”控制外界設備[1-3]，促進受損腦區的神經重塑[4-5]，具有極大的臨床應用前景。
BCI 系統需要有效地誘發用戶對外信息交流和控制肢體/設備的意愿，進而準確檢測其腦區活動信息并及時解碼轉換成相關控制輸出指令[6]。在 BCI 解碼過程中，需要建立特定任務模式和不同人腦意圖之間的相關模型才能預測并實時反饋用戶的意圖，因而會受到腦信號類別的限制。當前 BCI 研究中，所使用的腦信號大多來源于初級感覺運動區、后頂葉或枕葉[7]，其中，基于感覺運動區的腦信號包含大量的運動功能信息，可檢測含運動想象（motor imagery，MI）在內的多個生理過程及其相互作用關系[8]，能實現對中風、脊髓損傷等患者的運動意圖的獲取，所以基于感覺運動區的 MI-BCI 研究發展最為迅猛。Yi 等[9]通過對健康受試者復合肢體 MI-BCI 的解碼，實現了對七類想象動作任務模式的分類，且最高可達 84% 的識別準確率，后續又開展了序列復合肢體 MI-BCI 研究，利用上下肢體的運動序列組合，實現了對四類序列 91.43% 的高識別率[10]。但是，基于感覺運動區的 MI-BCI 為了提高分類精度，需要受試者保持集中的精神狀態，會增加受試者的精神負擔，而且需要長時間的訓練過程，有些患者無法堅持完成訓練[8]。Ang 等[11]的最新研究結果表明利用其優化后的控制策略能將腦卒中患者使用 MI-BCI 的在線識別準確率提升至 69.5%，證實了基于感覺運動皮層的 BCI 研究對腦卒中康復患者的可行性，但是對運動意圖的解碼性能還有待提高。同時，有限動作范式對 MI-BCI 控制指令輸出的制約也是目前基于感覺運動區的 BCI 發展面臨的瓶頸。此外，現有的大多數 BCI 研究中，腦信號易受到外界的干擾，從而影響對受試者心理狀態的評價[12]。
針對基于感覺運動區的 BCI 技術所面臨的一些發展瓶頸，相關研究表明，使用目標導向的高級認知腦信號能更直觀地完成復雜任務[13]，且可能實現在不同操作條件下的普遍適用[14]，可通過更加多樣化的目標導向認知范式拓展動作范式的類別，借助“感興趣”的誘導范式幫助受試者集中注意力，提升 BCI 對大腦思維信息的識別率，所以，基于高級認知腦信號的 BCI 技術被認為是拓展 BCI 有效信號源的理想方式。近年來，基于認知的 BCI 得到了越來越多的關注，相關論文被引頻次逐年增加，如圖 1 所示。基于運動皮層的 BCI 技術所利用的記錄腦信號都來自額中央、頂枕區，而基于認知的 BCI 研究關注更加多樣化腦區的神經信號，從特定的頂葉、額葉區域到復雜的前額葉網絡等[7]。最初關于認知 BCI 的研究針對額葉、頂葉、前額葉網絡等不同的腦區，大多采用皮層腦電（electrocorticography，ECoG）、非侵入腦電（electroencephalogram，EEG）等單一的記錄方式解碼各類高級的目標導向意圖。認知 BCI 技術從單一腦區及單一探測技術開始發展[15]，隨著腦信號記錄方式的發展以及混合 BCI 理念的提出，基于多腦區、多模態腦信號記錄方式的認知 BCI 逐漸發展成為提高分類精度、分類指令數以及拓展 BCI 康復應用群體的有效途徑。
圖1
2000 年–2017 年 Web of Science 關于“Cognitive BCI”的論文被引頻次
Figure1.
The frequency of paper citations about “Cognitive BCI” on Web of Science from 2000 to 2017
本文從認知腦區的 BCI 技術研究進展出發，介紹了近期基于單個腦區、多腦區混合模式的認知 BCI 研究進展并歸納了基于認知的 BCI 技術在康復醫學領域的應用研究，以期揭示其在康復醫學領域的應用潛力，最后總結該研究領域相關難點與挑戰，展望未來研究重點。
1 基于單一腦區的認知 BCI
1.1 基于額葉的認知 BCI
Iturrate 等[14]運用發生在額中央的錯誤相關電位（error-related potential，ErrP）作為特征信號，當實際動作與用戶的期望不匹配時便會誘發 ErrP，對 12 位受試者一維和二維目標導向任務下的認知腦電信號進行解碼，識別準確率在 72.5%～74.3% 之間，其研究表明可提取與認知狀態相關的 ErrP 作為 BCI 控制的有用信號，證實了復雜任務下認知 BCI 的可行性，具有改善腦機交互的質量的潛力。
Khan 等[15]通過置于額葉的近紅外光譜腦成像技術（functional near-infrared spectroscopy，fNIRS）完成了對心算加法、心算減法、心理旋轉和構詞任務的解碼，并同時解碼額葉的 EEG 信號，實現了對兩次眨眼、三次眨眼、上/下眼活動、左/右眼活動這四個指令的分類，基于 fNIRS 和 EEG 信號的識別正確率分別為 76.5% 和 86%，利用混合 fNIRS-EEG 技術最終實現了八個控制命令的解碼并應用于直升機控制，證實了基于額葉的認知 BCI 的應用潛力。
1.2 基于頂葉的認知 BCI
Hauschild 等[16]在 2 只猴子的后頂葉皮層植入電極，解碼三維手的軌跡信息，通過訓練使得識別目標的準確性得到了很大提高，表明基于后頂葉皮層的認知 BCI 具有提升神經假體性能的潛力。
Aflalo 等[17]在 1 名四肢癱瘓的患者的左側后頂葉皮層植入電極，受試者根據目標導向任務想象運動軌跡，在線解碼控制機器人手臂，獲得了高達 90% 以上的準確率，再次論證了基于后頂葉皮層的認知 BCI 的有效性。
1.3 基于前額葉網絡的認知 BCI
在目標導向的意圖識別認知過程中，前額葉腦區作為核心的認知腦區，是行為、注意力認知的執行控制中心，也是感覺輸入、內部狀態和運動輸出的動態整合腦區。動作規劃或評估是高級的認知功能，在不同任務和反饋模式下，與前額葉的活動變化具有明顯的相關性，于是，基于前額葉網絡的 BCI 研究成為提升 BCI 意圖識別的理想選擇。
Ryun 等[18]對前額區是否有助于預測運動執行前的自發運動展開研究，通過植入式電極記錄6位頑固性癲癇患者在進行手抓和屈肘任務時的 ECoG，結果表明，可通過前額區在動作執行前的信號區分不同的動作任務，而且 β 波段是在運動執行前預測運動最有效的方式。
Zhang 等[19]通過 fNIRS 檢測 15 名受試者不同注意力狀態下前額葉的氧合血紅蛋白變化，利用支持向量機分類三個層次的注意力負荷特征，對簡單和困難的注意力負荷分類準確率均值高于 80%。Shin等[20]提出一種基于 fNIRS 的可在閉眼狀態下進行操作的 BCI，將想象英文字母發聲作為一個非常低的認知負荷基線任務，受試者分別執行閉眼和睜眼狀態下的心算減法任務，利用前額葉的氧合血紅蛋白變化進行分類，實現了在閉眼狀態下 75.6%±7.3% 的分類精度，結果表明可利用 fNIRS 檢測基于前額葉的認知信號以拓展 BCI 的應用范圍。
2 基于多腦區的混合模式認知 BCI
2.1 基于額葉和運動皮層的混合模式認知 BCI
混合 BCI 的多模態技術可以幫助實現精確的腦信號分類，更好地應用于 BCI 的控制命令。Khan 等[21]通過將 fNIRS 和 EEG 技術結合，同時檢測前額腦區的氧合血紅蛋白變化和運動皮層的 EEG 信號，12 位受試者需要完成在目標導向下的加減心算任務和左右手敲擊任務，實現了對四種不同類型的大腦信號的解碼，且識別準確率均能到達 80% 以上，尤其是對左右手敲擊任務的解碼可達 94.7% 的高分類精度，顯示了基于前額葉和運動皮層的混合 fNIRS-EEG 技術的應用前景。
Hong 等[22]通過 fNIRS 檢測獲取10名受試者下前額葉皮層和初級運動皮層的氧合血紅蛋白濃度變化，利用多類線性判別分析對受試者完成心算任務、左手 MI 任務、右手 MI 任務的情況進行分類，獲得了 75.6% 的平均準確率，結果表明了利用基于 fNIRS 的 BCI 系統實現對三種不同認知任務分類的可行性。在此基礎上，Naseer 等[23]同樣通過 fNIRS 同時采集初級運動皮層和前額葉皮層的信號，實現了對左手 MI、右手 MI、心算加法、心算減法四類大腦活動下的特征解碼，識別準確率為 73.3%，提升了 fNIRS 解碼主動心理任務的類別。
2.2 基于額葉和枕葉的混合模式認知 BCI
Aziz 等[24]提出了一種基于隱馬爾可夫模型的輪椅導航系統，以眼電圖（electrooculography，EOG）的信號特征作為操作輪椅的命令，并通過源于額葉 F9、F10 電極的 δ 節律提取低頻偽影以判斷眼球的水平運動情況，同時獲取枕葉的信號推斷眼瞼位置，從而得到特征提取的 EOG 曲線確定睜眼、閉眼以及眼睛凝視的左、右方向，可實現高于 90% 的識別準確率。
Chen 等[25]通過基于額葉和枕葉的 EEG 信號分析判斷受試者的睡意狀態，并提出一套使用生理信號檢測睡意的系統，獲得了高達 97.3% 的識別準確率。以上表明，利用額葉和枕葉的腦信號特征并融合 EEG 和 EOG 特征變化可實現眼腦結合，有效提高了 BCI 的準確率。
2.3 基于額葉和頂葉的混合模式認知 BCI
Lew 等[26]利用額葉和頂葉的運動相關腦電皮層慢電位分別識別健康受試者和腦中風患者完成相應目標任務的情況，健康受試者的識別準確率為 76%，腦中風患者的識別率為 47%，顯示了基于認知的混合模式 BCI 的可行性。Jayaram 等[27]將任務導向下的頻率調制特性應用于 BCI 技術，在記憶和心算減法認知任務中，健康受試者的額葉和頂葉的頻率分布存在極大的相關性，與額-頂神經網絡的設想一致，表明利用基于任務導向下的頻率調制特性可拓展額葉和頂葉的認知腦電信號的特征提取，為 BCI 的性能提升提供支撐。
3 基于認知腦區的 BCI 在康復中的應用
在基于運動皮層的 BCI 康復應用中，其理論基礎是神經可塑性，通過適當的 BCI 反饋環節激活處于休眠狀態的神經元，形成特定的神經傳導模式。同樣，認知 BCI 也可有針對性地促進皮層網絡連接增強，達到神經重塑的目的。基于認知腦區的 BCI 研究主要包含兩個方面，一類主要應用于癱瘓或由神經退行性疾病引起肢體運動功能障礙的患者，通過設計不同的目標導向任務促進腦皮層網絡的信號強度，并解碼包含認知腦區在內的腦信號，研究拓展 BCI 控制類別及控制精度的途徑；另一類主要應用于具有注意力認知障礙或神經退行性疾病的患者，通過解碼認知腦信號提取患者感興趣的行為信息，研究促進患者認知控制及認知功能的機制與方法。因此，基于認知的 BCI 技術的提出可為康復領域應用提供新的思路。
3.1 在肢體運動功能康復中的應用
基于認知的 BCI 技術，不完全依賴于運動活動，可借助認知活動，更有效地幫助具有嚴重運動功能障礙的患者實現 BCI 的控制[28]。通過心算及其他認知任務的主動腦信號，可應用于 BCI 系統，提高 BCI 控制的準確率。相較于 EEG，fNIRS 可更方便地探測基于前額葉腦區的認知信號，通過對 fNIRS 的研究，發現 fNIRS 可更廣泛地應用于監測神經康復和神經刺激后的神經可塑性監測[29-30]。Guhathakurta 等[31]提出一種基于 fNIRS 和 EEG 時間序列為一組固有模態函數的經驗模式分解算法，進行缺血性腦卒中患者病變情況的相關性分析，研究發現可通過 fNIRS-EEG 聯合成像技術評估經顱直流電刺激促進腦中風患者神經康復及皮層重組的情況，可納入 BCI 技術用以監測神經可塑性。已有研究表明，基于認知的 BCI 系統可應用于腦中風患者[26]，通過解碼目標導向意圖，提供有益的反饋回路，恢復受損的神經網絡。此外，該技術也有應用于肌萎縮側索硬化癥患者的潛力[32-34]。Hohmann 等[34]設計了一種新的范式以誘導高水平的認知過程，通過記錄 5 名肌萎縮側索硬化癥患者和 11 名健康受試者在激活自我參照記憶和無記憶過程的 EEG 信號，結果發現這兩類任務在額頂葉腦區的 θ 波和 α 波是有區別的，利用支持向量機訓練后，健康受試者和患者的離線識別準確率分別達到 70% 和 68.75%，雖然目前在線使用效果還不明顯，但為肢體運動康復提供了新的途徑。
3.2 在認知功能康復中的應用
正常腦老化和神經退行性疾病等都會引起認知功能不同程度的衰退[35]，基于前額葉網絡的認知 BCI 更具潛力。通過對老年人的研究發現，利用視頻訓練游戲獲得的認知功能的改善與額中央腦區的 θ 波活動的增加相關[36]。通常在心算任務、注意力集中及高度集中時，可引起額葉 θ 波的增強，因此，在常見的前額葉認知能力缺損的疾病中，利用基于前額葉的認知 BCI 訓練可以加強自閉癥和兒童多動癥患者的前額葉活動，實現對其認知功能的康復。但是，還需開展進一步的研究，了解更多認知功能相關腦區腦信號在不同認知任務下的特征情況，以便更好地應用于認知功能康復中。
4 總結與展望
基于認知相關腦區的 BCI 技術通過直接的心理任務，利用具有目標導向作用的認知誘導范式誘發在額葉、頂葉、前額葉網絡等腦區的特征信號，可實現對外界設備更加多樣與精確的控制；而多腦區信號融合技術和混合 BCI 技術的發展，更有助于充分利用額葉和其他腦區的腦特征信號實現更加多模態的混合模式 BCI 控制組合，為有效提高 BCI 系統的分類、識別與性能控制提供新途徑，如圖 2 所示。此外，基于認知的 BCI 技術在康復領域具有獨到的應用優勢，既可利用基于額葉的認知 BCI 技術幫助因感覺運動皮層受損、癱瘓等因素導致肢體運動功能障礙的患者，又可對認知障礙的患者具有潛在的治療和康復效果。
圖2
認知 BCI 控制系統
Figure2.
The cognitive BCI control system
然而，在認知 BCI 技術廣泛應用前，還必須克服若干挑戰。首先，最重要的就是需要進一步論證認知 BCI 的穩定性和可靠性。相較于 MI 任務，基于心理認知的目標導向任務更加多樣化，需要明確各認知任務所引起的大腦認知信號的變化機制，以便更穩定、更準確地完成對認知活動的解碼。其次，在認知 BCI 中，也面臨空間分辨率受限的問題，無法精確映射認知活動下的腦信號空間特異性，從而可能影響對目標導向下的認知任務的解碼性能。空間分辨率也是所有非侵入式 BCI 研究中所面臨的局限性，因此，需要依賴信號處理技術的發展，拓展先進的非侵入式源定位方法，以提取精確的空間特性[37]，使 BCI 控制信號的解碼更加有效、準確、穩定。
總而言之，隨著 BCI 技術的逐步成熟，設計基于不同目標導向任務的認知 BCI 系統，發展信號處理技術，將成為提高 BCI 系統穩定性、準確性、可靠性的有效方式，最終實現在康復醫療領域的廣泛應用，以造福更多的運動與認知功能障礙患者，幫助其實現運動與認知功能的綜合康復。
引言
腦?機接口（brain-computer interface，BCI）是一種不需要依賴大腦正常輸出通路，通過檢測大腦神經活動信號特征，解碼識別大腦正在進行的思維活動與運動意圖，實現人與外界設備直接交互的一種技術。近年來，BCI 技術的突破取得了傲人的成就，其應用范圍越來越廣泛，涉及醫療、軍事、娛樂等。尤其是在康復醫學領域，已有研究表明，可將 BCI 技術應用于運動能力缺損患者的康復訓練中，幫助其“主動”控制外界設備[1-3]，促進受損腦區的神經重塑[4-5]，具有極大的臨床應用前景。
BCI 系統需要有效地誘發用戶對外信息交流和控制肢體/設備的意愿，進而準確檢測其腦區活動信息并及時解碼轉換成相關控制輸出指令[6]。在 BCI 解碼過程中，需要建立特定任務模式和不同人腦意圖之間的相關模型才能預測并實時反饋用戶的意圖，因而會受到腦信號類別的限制。當前 BCI 研究中，所使用的腦信號大多來源于初級感覺運動區、后頂葉或枕葉[7]，其中，基于感覺運動區的腦信號包含大量的運動功能信息，可檢測含運動想象（motor imagery，MI）在內的多個生理過程及其相互作用關系[8]，能實現對中風、脊髓損傷等患者的運動意圖的獲取，所以基于感覺運動區的 MI-BCI 研究發展最為迅猛。Yi 等[9]通過對健康受試者復合肢體 MI-BCI 的解碼，實現了對七類想象動作任務模式的分類，且最高可達 84% 的識別準確率，后續又開展了序列復合肢體 MI-BCI 研究，利用上下肢體的運動序列組合，實現了對四類序列 91.43% 的高識別率[10]。但是，基于感覺運動區的 MI-BCI 為了提高分類精度，需要受試者保持集中的精神狀態，會增加受試者的精神負擔，而且需要長時間的訓練過程，有些患者無法堅持完成訓練[8]。Ang 等[11]的最新研究結果表明利用其優化后的控制策略能將腦卒中患者使用 MI-BCI 的在線識別準確率提升至 69.5%，證實了基于感覺運動皮層的 BCI 研究對腦卒中康復患者的可行性，但是對運動意圖的解碼性能還有待提高。同時，有限動作范式對 MI-BCI 控制指令輸出的制約也是目前基于感覺運動區的 BCI 發展面臨的瓶頸。此外，現有的大多數 BCI 研究中，腦信號易受到外界的干擾，從而影響對受試者心理狀態的評價[12]。
針對基于感覺運動區的 BCI 技術所面臨的一些發展瓶頸，相關研究表明，使用目標導向的高級認知腦信號能更直觀地完成復雜任務[13]，且可能實現在不同操作條件下的普遍適用[14]，可通過更加多樣化的目標導向認知范式拓展動作范式的類別，借助“感興趣”的誘導范式幫助受試者集中注意力，提升 BCI 對大腦思維信息的識別率，所以，基于高級認知腦信號的 BCI 技術被認為是拓展 BCI 有效信號源的理想方式。近年來，基于認知的 BCI 得到了越來越多的關注，相關論文被引頻次逐年增加，如圖 1 所示。基于運動皮層的 BCI 技術所利用的記錄腦信號都來自額中央、頂枕區，而基于認知的 BCI 研究關注更加多樣化腦區的神經信號，從特定的頂葉、額葉區域到復雜的前額葉網絡等[7]。最初關于認知 BCI 的研究針對額葉、頂葉、前額葉網絡等不同的腦區，大多采用皮層腦電（electrocorticography，ECoG）、非侵入腦電（electroencephalogram，EEG）等單一的記錄方式解碼各類高級的目標導向意圖。認知 BCI 技術從單一腦區及單一探測技術開始發展[15]，隨著腦信號記錄方式的發展以及混合 BCI 理念的提出，基于多腦區、多模態腦信號記錄方式的認知 BCI 逐漸發展成為提高分類精度、分類指令數以及拓展 BCI 康復應用群體的有效途徑。
圖1
2000 年–2017 年 Web of Science 關于“Cognitive BCI”的論文被引頻次
Figure1.
The frequency of paper citations about “Cognitive BCI” on Web of Science from 2000 to 2017
本文從認知腦區的 BCI 技術研究進展出發，介紹了近期基于單個腦區、多腦區混合模式的認知 BCI 研究進展并歸納了基于認知的 BCI 技術在康復醫學領域的應用研究，以期揭示其在康復醫學領域的應用潛力，最后總結該研究領域相關難點與挑戰，展望未來研究重點。
1 基于單一腦區的認知 BCI
1.1 基于額葉的認知 BCI
Iturrate 等[14]運用發生在額中央的錯誤相關電位（error-related potential，ErrP）作為特征信號，當實際動作與用戶的期望不匹配時便會誘發 ErrP，對 12 位受試者一維和二維目標導向任務下的認知腦電信號進行解碼，識別準確率在 72.5%～74.3% 之間，其研究表明可提取與認知狀態相關的 ErrP 作為 BCI 控制的有用信號，證實了復雜任務下認知 BCI 的可行性，具有改善腦機交互的質量的潛力。
Khan 等[15]通過置于額葉的近紅外光譜腦成像技術（functional near-infrared spectroscopy，fNIRS）完成了對心算加法、心算減法、心理旋轉和構詞任務的解碼，并同時解碼額葉的 EEG 信號，實現了對兩次眨眼、三次眨眼、上/下眼活動、左/右眼活動這四個指令的分類，基于 fNIRS 和 EEG 信號的識別正確率分別為 76.5% 和 86%，利用混合 fNIRS-EEG 技術最終實現了八個控制命令的解碼并應用于直升機控制，證實了基于額葉的認知 BCI 的應用潛力。
1.2 基于頂葉的認知 BCI
Hauschild 等[16]在 2 只猴子的后頂葉皮層植入電極，解碼三維手的軌跡信息，通過訓練使得識別目標的準確性得到了很大提高，表明基于后頂葉皮層的認知 BCI 具有提升神經假體性能的潛力。
Aflalo 等[17]在 1 名四肢癱瘓的患者的左側后頂葉皮層植入電極，受試者根據目標導向任務想象運動軌跡，在線解碼控制機器人手臂，獲得了高達 90% 以上的準確率，再次論證了基于后頂葉皮層的認知 BCI 的有效性。
1.3 基于前額葉網絡的認知 BCI
在目標導向的意圖識別認知過程中，前額葉腦區作為核心的認知腦區，是行為、注意力認知的執行控制中心，也是感覺輸入、內部狀態和運動輸出的動態整合腦區。動作規劃或評估是高級的認知功能，在不同任務和反饋模式下，與前額葉的活動變化具有明顯的相關性，于是，基于前額葉網絡的 BCI 研究成為提升 BCI 意圖識別的理想選擇。
Ryun 等[18]對前額區是否有助于預測運動執行前的自發運動展開研究，通過植入式電極記錄6位頑固性癲癇患者在進行手抓和屈肘任務時的 ECoG，結果表明，可通過前額區在動作執行前的信號區分不同的動作任務，而且 β 波段是在運動執行前預測運動最有效的方式。
Zhang 等[19]通過 fNIRS 檢測 15 名受試者不同注意力狀態下前額葉的氧合血紅蛋白變化，利用支持向量機分類三個層次的注意力負荷特征，對簡單和困難的注意力負荷分類準確率均值高于 80%。Shin等[20]提出一種基于 fNIRS 的可在閉眼狀態下進行操作的 BCI，將想象英文字母發聲作為一個非常低的認知負荷基線任務，受試者分別執行閉眼和睜眼狀態下的心算減法任務，利用前額葉的氧合血紅蛋白變化進行分類，實現了在閉眼狀態下 75.6%±7.3% 的分類精度，結果表明可利用 fNIRS 檢測基于前額葉的認知信號以拓展 BCI 的應用范圍。
2 基于多腦區的混合模式認知 BCI
2.1 基于額葉和運動皮層的混合模式認知 BCI
混合 BCI 的多模態技術可以幫助實現精確的腦信號分類，更好地應用于 BCI 的控制命令。Khan 等[21]通過將 fNIRS 和 EEG 技術結合，同時檢測前額腦區的氧合血紅蛋白變化和運動皮層的 EEG 信號，12 位受試者需要完成在目標導向下的加減心算任務和左右手敲擊任務，實現了對四種不同類型的大腦信號的解碼，且識別準確率均能到達 80% 以上，尤其是對左右手敲擊任務的解碼可達 94.7% 的高分類精度，顯示了基于前額葉和運動皮層的混合 fNIRS-EEG 技術的應用前景。
Hong 等[22]通過 fNIRS 檢測獲取10名受試者下前額葉皮層和初級運動皮層的氧合血紅蛋白濃度變化，利用多類線性判別分析對受試者完成心算任務、左手 MI 任務、右手 MI 任務的情況進行分類，獲得了 75.6% 的平均準確率，結果表明了利用基于 fNIRS 的 BCI 系統實現對三種不同認知任務分類的可行性。在此基礎上，Naseer 等[23]同樣通過 fNIRS 同時采集初級運動皮層和前額葉皮層的信號，實現了對左手 MI、右手 MI、心算加法、心算減法四類大腦活動下的特征解碼，識別準確率為 73.3%，提升了 fNIRS 解碼主動心理任務的類別。
2.2 基于額葉和枕葉的混合模式認知 BCI
Aziz 等[24]提出了一種基于隱馬爾可夫模型的輪椅導航系統，以眼電圖（electrooculography，EOG）的信號特征作為操作輪椅的命令，并通過源于額葉 F9、F10 電極的 δ 節律提取低頻偽影以判斷眼球的水平運動情況，同時獲取枕葉的信號推斷眼瞼位置，從而得到特征提取的 EOG 曲線確定睜眼、閉眼以及眼睛凝視的左、右方向，可實現高于 90% 的識別準確率。
Chen 等[25]通過基于額葉和枕葉的 EEG 信號分析判斷受試者的睡意狀態，并提出一套使用生理信號檢測睡意的系統，獲得了高達 97.3% 的識別準確率。以上表明，利用額葉和枕葉的腦信號特征并融合 EEG 和 EOG 特征變化可實現眼腦結合，有效提高了 BCI 的準確率。
2.3 基于額葉和頂葉的混合模式認知 BCI
Lew 等[26]利用額葉和頂葉的運動相關腦電皮層慢電位分別識別健康受試者和腦中風患者完成相應目標任務的情況，健康受試者的識別準確率為 76%，腦中風患者的識別率為 47%，顯示了基于認知的混合模式 BCI 的可行性。Jayaram 等[27]將任務導向下的頻率調制特性應用于 BCI 技術，在記憶和心算減法認知任務中，健康受試者的額葉和頂葉的頻率分布存在極大的相關性，與額-頂神經網絡的設想一致，表明利用基于任務導向下的頻率調制特性可拓展額葉和頂葉的認知腦電信號的特征提取，為 BCI 的性能提升提供支撐。
3 基于認知腦區的 BCI 在康復中的應用
在基于運動皮層的 BCI 康復應用中，其理論基礎是神經可塑性，通過適當的 BCI 反饋環節激活處于休眠狀態的神經元，形成特定的神經傳導模式。同樣，認知 BCI 也可有針對性地促進皮層網絡連接增強，達到神經重塑的目的。基于認知腦區的 BCI 研究主要包含兩個方面，一類主要應用于癱瘓或由神經退行性疾病引起肢體運動功能障礙的患者，通過設計不同的目標導向任務促進腦皮層網絡的信號強度，并解碼包含認知腦區在內的腦信號，研究拓展 BCI 控制類別及控制精度的途徑；另一類主要應用于具有注意力認知障礙或神經退行性疾病的患者，通過解碼認知腦信號提取患者感興趣的行為信息，研究促進患者認知控制及認知功能的機制與方法。因此，基于認知的 BCI 技術的提出可為康復領域應用提供新的思路。
3.1 在肢體運動功能康復中的應用
基于認知的 BCI 技術，不完全依賴于運動活動，可借助認知活動，更有效地幫助具有嚴重運動功能障礙的患者實現 BCI 的控制[28]。通過心算及其他認知任務的主動腦信號，可應用于 BCI 系統，提高 BCI 控制的準確率。相較于 EEG，fNIRS 可更方便地探測基于前額葉腦區的認知信號，通過對 fNIRS 的研究，發現 fNIRS 可更廣泛地應用于監測神經康復和神經刺激后的神經可塑性監測[29-30]。Guhathakurta 等[31]提出一種基于 fNIRS 和 EEG 時間序列為一組固有模態函數的經驗模式分解算法，進行缺血性腦卒中患者病變情況的相關性分析，研究發現可通過 fNIRS-EEG 聯合成像技術評估經顱直流電刺激促進腦中風患者神經康復及皮層重組的情況，可納入 BCI 技術用以監測神經可塑性。已有研究表明，基于認知的 BCI 系統可應用于腦中風患者[26]，通過解碼目標導向意圖，提供有益的反饋回路，恢復受損的神經網絡。此外，該技術也有應用于肌萎縮側索硬化癥患者的潛力[32-34]。Hohmann 等[34]設計了一種新的范式以誘導高水平的認知過程，通過記錄 5 名肌萎縮側索硬化癥患者和 11 名健康受試者在激活自我參照記憶和無記憶過程的 EEG 信號，結果發現這兩類任務在額頂葉腦區的 θ 波和 α 波是有區別的，利用支持向量機訓練后，健康受試者和患者的離線識別準確率分別達到 70% 和 68.75%，雖然目前在線使用效果還不明顯，但為肢體運動康復提供了新的途徑。
3.2 在認知功能康復中的應用
正常腦老化和神經退行性疾病等都會引起認知功能不同程度的衰退[35]，基于前額葉網絡的認知 BCI 更具潛力。通過對老年人的研究發現，利用視頻訓練游戲獲得的認知功能的改善與額中央腦區的 θ 波活動的增加相關[36]。通常在心算任務、注意力集中及高度集中時，可引起額葉 θ 波的增強，因此，在常見的前額葉認知能力缺損的疾病中，利用基于前額葉的認知 BCI 訓練可以加強自閉癥和兒童多動癥患者的前額葉活動，實現對其認知功能的康復。但是，還需開展進一步的研究，了解更多認知功能相關腦區腦信號在不同認知任務下的特征情況，以便更好地應用于認知功能康復中。
4 總結與展望
基于認知相關腦區的 BCI 技術通過直接的心理任務，利用具有目標導向作用的認知誘導范式誘發在額葉、頂葉、前額葉網絡等腦區的特征信號，可實現對外界設備更加多樣與精確的控制；而多腦區信號融合技術和混合 BCI 技術的發展，更有助于充分利用額葉和其他腦區的腦特征信號實現更加多模態的混合模式 BCI 控制組合，為有效提高 BCI 系統的分類、識別與性能控制提供新途徑，如圖 2 所示。此外，基于認知的 BCI 技術在康復領域具有獨到的應用優勢，既可利用基于額葉的認知 BCI 技術幫助因感覺運動皮層受損、癱瘓等因素導致肢體運動功能障礙的患者，又可對認知障礙的患者具有潛在的治療和康復效果。
圖2
認知 BCI 控制系統
Figure2.
The cognitive BCI control system
然而，在認知 BCI 技術廣泛應用前，還必須克服若干挑戰。首先，最重要的就是需要進一步論證認知 BCI 的穩定性和可靠性。相較于 MI 任務，基于心理認知的目標導向任務更加多樣化，需要明確各認知任務所引起的大腦認知信號的變化機制，以便更穩定、更準確地完成對認知活動的解碼。其次，在認知 BCI 中，也面臨空間分辨率受限的問題，無法精確映射認知活動下的腦信號空間特異性，從而可能影響對目標導向下的認知任務的解碼性能。空間分辨率也是所有非侵入式 BCI 研究中所面臨的局限性，因此，需要依賴信號處理技術的發展，拓展先進的非侵入式源定位方法，以提取精確的空間特性[37]，使 BCI 控制信號的解碼更加有效、準確、穩定。
總而言之，隨著 BCI 技術的逐步成熟，設計基于不同目標導向任務的認知 BCI 系統，發展信號處理技術，將成為提高 BCI 系統穩定性、準確性、可靠性的有效方式，最終實現在康復醫療領域的廣泛應用，以造福更多的運動與認知功能障礙患者，幫助其實現運動與認知功能的綜合康復。
