腦機交互（BCI）是一種變革性的人機交互，旨在繞過外周神經和肌肉系統直接把腦神經的感知覺、表象或思維活動轉化為動作，以進一步改善或提高人類的生活質量。腦磁圖（MEG）測量神經元電活動產生的磁場，具有非接觸式測量、時空分辨率高和準備方便等獨特優勢，是一種新的BCI驅動信號，基于腦磁圖的腦機交互（MEG-BCI）研究具有重要腦科學意義和潛在應用價值。迄今為止，少有文獻闡述MEG-BCI涉及的關鍵技術問題，為此本文聚焦MEG-BCI關鍵技術，詳述了實用MEG-BCI系統中涉及的信號采集技術、MEG-BCI實驗范式設計、MEG信號分析和解碼關鍵技術、MEG-BCI神經反饋技術及其智能化方法。最后，本文還討論了MEG-BCI存在的問題和未來發展趨勢，期望本文為MEG-BCI創新研究提供更多有益思路。
引用本文： 徐浩天, 龔安民, 丁鵬, 羅建功, 陳超, 伏云發. 基于腦磁圖的智能腦機交互關鍵技術. 生物醫學工程學雜志, 2022, 39(1): 198-206. doi: 10.7507/1001-5515.202108069 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
引言
腦機交互/接口（brain-computer interaction/interface，BCI）是一種顛覆傳統人機交互的技術，通過采集并解碼腦信號中編碼的意圖，繞過外周神經和肌肉，以全新的方式實現大腦與外部世界的直接通信和控制[1-2]。BCI目的在于改善或提高人類的生活質量，其在醫學和非醫學領域具有潛在應用價值，并且BCI正逐步走向實用化，縮小了研究與實際應用之間的差距[3-4]。
用于BCI的大腦神經信號采集方式有很多種，它們的時間和空間分辨率各不相同，如圖1所示比較了腦電圖（electroencephalogram，EEG）、腦磁圖（magnetoencephalogram，MEG）、實時功能磁共振成像（real-time function magnetic resonance imaging，rtfMRI）、功能性近紅外光譜（functional near-infrared spectroscopy，fNIRS）、皮層腦電（electrocorticography，ECoG）、顱骨內腦電（intracranial EEG，iEEG）的時空分辨率。其中MEG可測量神經元電活動產生的磁場，該采集方法時間和空間分辨率高（MEG的時間分辨率優于1 ms，且空間分辨率僅為數毫米[5]）。如今，MEG成像方法已有許多應用，如圖2所示。若干研究也表明可從MEG表征的磁場變化特征解碼大腦意圖[6-7]。
圖1
用于BCI的腦信號時間和空間分辨率
Figure1.
Time and spatial resolution of brain signal used for BCI
圖2
MEG的應用示例
Figure2.
Application examples for MEG
2019年，Chholak等[8]采集了無訓練受試者進行運動想象（motor imagery，MI）時產生的MEG信號，采用基于多層感知器的人工神經網絡（artificial neural network，ANN）模型對MI進行分類，以區分視覺MI和動覺MI，該方法的平均準確率和最高準確率分別為70%和90%。2021年，Rathee等[9]報道了對figshare數據集中MI和認知想象的MEG數據分類效果，采用濾波器組共空間模式（filter bank common spatial pattern，FBCSP）生成時空特征并用支持向量機（support vector machines，SVM）進行分類，所用的兩種不同頻率組合方法分別取得了69.35%和66.65%的準確率。2021年，Belkacem[10]報道了實時MEG-BCI系統的研究，采用基于徑向基函數核的二元非線性SVM在線對4種手部運動（雙手握拳、雙手打開、左手握拳右手打開、左手打開右手握拳）進行解碼，分類準確率在60%～80%之間。2021年，Feng等[11]提出了一種聽覺誘發磁場（auditory evoked magnetic fields，AEFs）的識別方法，通過利用MEG中包含的空域信息增強顳葉聽覺區域的信號強度，從而使ANN能夠自動及時地識別出AEFs。以上這些研究表明了MEG-BCI的可行性，但MEG-BCI走向實用化仍然面臨極大的挑戰，有許多關鍵科學和技術問題需要解決。
雖然已有不少文獻報道了MEG-BCI的實驗研究，但迄今為止國內外鮮有文獻評述MEG-BCI涉及的關鍵技術問題。為此本文查新了與MEG-BCI相關的文獻進行分析總結，并論述了MEG-BCI涉及的信號采集、實驗范式、信號分析和解碼等關鍵技術以及MEG-BCI的神經反饋（neurofeedback，NF）及其智能化方法，并分析了MEG-BCI存在的問題和未來發展趨勢。
1 基于MEG的BCI關鍵技術
MEG-BCI是一種新型且具有潛在應用前景的BCI，如圖3所示為其示意圖，其關鍵技術包括面向實用的MEG-BCI信號采集技術、MEG-BCI實驗范式設計、MEG信號分析和解碼技術以及MEG-BCI的NF技術等，下面將進行詳細的論述。
圖3
MEG-BCI系統示意圖
Figure3.
Schematic diagram for MEG-BCI system
1.1 面向實用的MEG-BCI信號采集技術
腦信號采集技術是BCI系統實用化關鍵技術之一，在很大程度上決定了BCI系統性能、用戶可接受性和體驗感[12]。BCI中的腦信號采集系統要求盡可能采集到高質量的腦信號，同時，必須以用戶為中心，提高用戶體驗感和滿意度，確保BCI傳感器的安全性、舒適性、美學性和易使用性[13]。面向實用的MEG-BCI信號采集技術也需要盡可能滿足上述要求，MEG作為一種無創探測大腦電磁生理信號的腦功能檢測方式，已存在近50年，因其成像清晰易辨，對腦部損傷的定位診斷能力優于其他大多數腦成像方法，在腦部疾病診斷中具有優勢。
此外，MEG具有以下優點：① 在確定MEG信號源時，幾乎不需要頭部組織內的電導率信息，就可以準確、清楚地判斷出大腦內部產生活動的位置及過程；② 由于非接觸檢測的特性，不需要使用導電凝膠或生理鹽水來降低頭皮和電極之間的阻抗，因此數據采集所需的前期準備較少；③ MEG信號通過顱骨及頭皮傳導時所受影響小，能夠檢測到腦內活動引起的微小磁場變化；④ MEG對肌肉活動產生的偽跡敏感性較低；⑤ 大多的MEG信號采集設備支持較多的導聯（現代全頭MEG系統中傳感器數量可達275～306 個），具有較高的空間分辨率。由于以上優點，MEG成像方法安全且能夠采集到較高質量的腦信號，但目前其舒適性、美學性和易使用性還有待提高。
1.2 MEG-BCI范式設計
BCI范式是BCI系統的核心和關鍵技術之一，是為到達某種BCI功效或目的（如通信或控制、神經調控等）所采用的編碼方法，即把用戶的意圖“寫入”腦信號中，通過腦信號特征表征用戶意圖[14]。基于不同腦信號采集方法（如EEG、MEG、fNIRS、rtfMRI、ECoG等）的BCI其范式往往不同，在設計BCI范式時，需要充分考慮所采用的腦信號獲取方式特點，并根據不同心理任務的神經機制，優化組合不同的心理任務以提取可分性好或容易識別的腦信號模式。
迄今為止，主要有誘發和自發MEG，其中誘發MEG包括體感誘發磁場、AEFs、視覺誘發磁場[15]以及事件相關磁場（event-related magnetic fields，ERFs）。因此，MEG-BCI范式可以是觸覺、聽覺以及視覺等刺激，也可以是動覺MI、視覺MI[8]或視覺想象等心理活動產生的自發MEG。此外，MEG-BCI還能夠檢測受試者情緒或疲勞等變化。值得注意的是，在設計MEG-BCI范式時也要考慮受試者/用戶的自身條件、心理任務的難易程度、疲勞性以及自然性等因素，盡可能選擇可分性好、簡單容易、自然且不易疲勞的范式。
1.3 MEG信號分析和解碼關鍵技術
腦信號分析和解碼是BCI系統的關鍵技術之一，下面將闡述MEG-BCI系統中MEG信號預處理方法、MEG信號特征提取方法、MEG信號特征選擇方法和MEG信號解碼方法。
1.3.1 MEG信號預處理方法
由于大腦活動所產生的信號是非線性非平穩信號，隨機性強，且采集的原始信號中存在著許多噪聲/偽跡，磁噪聲來自遠場環境源（電線、車輛等）和近場生物源（例如肌肉、心臟、任務外的腦信號等），原始MEG信號中夾雜著這些噪聲使得信號很難直接反映出受試者的意圖。因此在提取MEG信號特征前，需要對其進行預處理以提高信噪比。目前消除環境噪聲主要通過磁屏蔽室（magnetic shielding room，MSR），MSR可以使得磁介電常數在室內處處相同，包括頭皮和傳感器之間的空氣。因此，與相同腦源產生的EEG信號相比，MEG在空間上能較好地保留原始信息，這有助于從包含各種生物噪聲的原始信號中將有用的MEG信號分離出來，能更清晰地了解不同信號源所處的腦解剖位置。
常用的預處理方法主要分為時域、頻域、時頻域以及空域上的預處理，在時域上通常采用幅值過濾方法，異常波動的過高幅值將被視為噪聲過濾掉，在頻域上常使用帶通或陷波濾波器對信號在特定頻率范圍進行處理（常采用0.5～80 Hz的帶通濾波器對信號進行過濾）。此外，通過對MEG信號進行頻譜分析，分析其不同頻段所包含的信息，可據此對信號進行帶通濾波去除無用頻段。快速傅里葉變換（fast Fourier transform，FFT）是信號時頻分析的典型方法，能夠將信號在時域和頻域之間轉換。此外希爾伯特（Hilbert）-黃（Huang）變換（Hilbert-Huang transform， HHT）也屬于時頻分析方法中的一種[16]，其中的經驗模態分解是通過特征時間尺度來識別信號中所包含的局部特征信號，將時域信號分解為本征模函數（intrinsic mode function，IMF）。然后對每一個IMF進行Hilbert變換，得到相應的Hilbert譜，即將每個IMF表示在聯合的時頻域中。最后，匯總所有IMF的Hilbert譜就會得到原始信號的Hilbert譜。
在空域上去除偽跡一種常見的方法是采用獨立成分分析（independent component analysis，ICA），通過利用與偽跡特性有關的信息，如心跳和呼吸等，將獨立的MEG信息和與大腦活動無關的偽跡的信號進行直接比較，從而剔除MEG中存在的其他生理信號偽跡。除了以上方法，MEG的源估計也能夠用于MEG-BCI系統的去噪，其旨在識別傳感器在空間中觀察到的對MEG信號有貢獻的活動源，并對其進行溯源，推算出其特性、源的位置、方向和大小的分布。2020年，Roy等[7]對MEG-BCI的通道選擇方案進行了研究，篩選出對分類具有貢獻的通道，不僅提升了分類準確性而且顯著減少實驗所需的通道數量。
1.3.2 MEG信號特征提取方法
MEG反映了大腦磁場變化，包含著豐富的神經元活動信息，不同活動所導致大腦產生的MEG信號也不盡相同，大腦狀態或事件可以由MEG表征，提取MEG特征是后續分類的基礎。MEG信號的特征提取方法主要有時域分析、頻域分析、時頻分析、空域分析。
時域分析以時間為自變量描述磁場變化，是最基本、最直觀的信號表達形式。通過MEG信號時域波形的峰值以及時間點等信息來確定目標活動所產生的MEG信號的變化，采用對波形進行峰值檢測、方差分析、直方圖分析、幅值反應時間或過零率等方法來提取不同心理任務的MEG信號特征。
頻域分析主要是根據信號在頻域上的能量變化，提取相應特征。功率譜估計是頻域分析中常用的方法[17]，分為經典譜估計及現代譜估計。其中經典譜估計將隨時間變化的時域MEG信號或其自相關函數進行FFT，轉化為隨頻率變化的MEG功率譜圖，具有計算簡便、復雜度低等優點，但其頻率分辨率較低有可能丟失信號譜峰。現代譜估計是一種基于自回歸模型的方法，相比于經典譜估計具有更高的分辨率且功率譜密度更為平滑，同時，通過調節自回歸模型的階數能夠更有效地觀測信號譜峰。在受試者執行心理任務時，MEG信號的功率或能量相比靜息態會有明顯變化，從而可以對信號各頻段的分量進行定量分析來提取其中的變化特征。
MEG信號是復雜的非線性信號，單一方面的分析往往會丟失許多重要的特征信息，因此同時對信號的時、頻域進行分析能夠得到更好的特征提取效果。時頻分析方法能夠清楚地觀測到信號頻率隨時間變化的關系，更全面地掌握信號的潛在特征。常用的時頻分析包括短時傅里葉變換、魏格納-維爾（Wigner-Ville）分布以及小波變換等。2018年，Shahid等[18]采用傅里葉變換對MEG信號進行時頻轉換，將小波包變換和離散小波變換結合進行特征提取。小波技術的主要優勢在于可以將信號分解為許多分量，具有時頻定位、多重濾波和尺度分析的特點，能夠發現原始信號中隱藏的信息。
由于大多數分類算法只需要幾個明顯的相關特征即可準確區分不同類別，因此要在不丟失有用判別信息的情況下減小特征空間的維數。空域特征提取可以使用空間過濾方法進行數據降維，如共空間模式（common spatial pattern，CSP）在對MEG進行特征提取方面已取得了不錯的成果[7]，尤其對多通道的數據有著穩定的解碼效果。CSP算法采用有監督方法創建一個最優的空間濾波器，并且最大化一類方差的同時最小化另一類方差，通過將兩類任務的協方差矩陣同時對角化，進而得到區分程度最大的特征向量。為了提高CSP的魯棒性，研究者們也提出了許多改進方法[19-20]。
1.3.3 MEG信號特征選擇方法
特征選擇能夠對數據降維，減少特征數量和過擬合及后續計算的復雜程度，使模型泛化能力更強。因此，需要在不影響分類精度的情況下將冗余信息去除，選擇最優的特征，優化分類效果。Roffo等[21]提出了無限潛在特征選擇（infinite latent feature selection，ILFS），ILFS能夠考慮所有可能的特征子集并進行排序，其最吸引人的特點是它旨在使用概率潛在語義分析對相關性建模。通過對特征元素進行加權，評估每個特征與其他所有特征的相關性，該研究通過采用SVM分類器對五種不同的特征子集進行分類，平均準確率達到了98.25%。
另外，2020年，Kim等[22]采用了一種結合特征相關的費希爾（Fisher）判別比（Fisher’s discriminant ratio，FDR）技術，以ERFs的P300振幅作為特征，應用FDR準則和互相關性對特征進行排序，選擇排名最高的10個特征，利用窮舉法進行搜索，找出具有最大分類精度的特征組合。該研究在融合三方面特征（行為數據特征、傳感器特征、源特征）的情況下分類最高準確率達到100%，平均準確率也達到了90%以上。
1.3.4 MEG信號解碼方法
腦信號解碼方法是BCI系統的關鍵技術之一，即對特征進行分類來解碼受試者的心理活動，常用的傳統分類器包括K近鄰[23]、SVM[9]和樸素貝葉斯[24]等。其中K近鄰方法是找出離樣本點最近的K個訓練樣本，并根據這K個訓練樣本的信息進行分類。K近鄰原理簡單，能夠解決多分類問題，但其計算量較大，且面對樣本數不均衡的分類時易受大樣本類別干擾。SVM是一種監督式學習方法，其基本原理是在空間中建立一個距離所有類別有最大間隔的超平面來對樣本點進行分類。SVM具有較好的魯棒性，可以解決非線性分類問題，但在多分類方面效果一般。樸素貝葉斯發源于古典數學理論，采用概率作為分類依據，有著穩定的分類效果，并且計算簡單，即使面對大數量的訓練集也能夠有較快的運算速度。但其需要計算先驗概率并且對特征關聯度高的樣本分類效果不好。雖然傳統分類器有一些受限之處，但隨著研究者的不斷開發，各種優化的分類器也被不斷提出，例如當K近鄰樣本不均衡時對少樣本進行加權，對于SVM多分類問題提出多層SVM等。
目前，隨著深度學習理論的提出和數值計算設備的改進，不同神經網絡算法也逐步融入到BCI領域中，其中深度神經網絡（deep neural networks，DNN）憑借其優越的分類能力得到了廣泛應用。2017年，Caliskan等[25]提出了一種通過DNN分類器來解碼MEG信號的方法，這種解碼技術通過黎曼方法來降低MEG信號維度并以DNN來構造高效分類器，對特征分類的準確率達到80%以上。2019年，Zubarev等[26]提出了一種卷積神經網絡（convolutional neural networks，CNN）模型對MEG信號進行分類，該網絡分為濾波器層、輸入層、卷積層以及輸出層。該模型針對MEG數據的離線和在線分類進行了優化，在保持高精度和解碼性能的同時，大大降低模型復雜度。
另外，2019年，Dash等[27]通過結合小波分析、PCA、CNN以及遷移學習的算法，在跨受試者的神經語音解碼中分類準確率達到了93.89%。雖然CNN的準確率高，但訓練時間較長，將遷移學習和PCA結合可以有效地解決對不同受試者重新訓練模型的耗時問題。同年，Chholak等[8]的研究融合了ANN算法模型，該算法也是未來BCI算法研究的一個重要方向，ANN的特點是能夠學習和自適應未知系統，將其與BCI系統進行融合有望增強系統的魯棒性并縮短運算時間以更好地適應便攜系統。
1.4 MEG-BCI神經反饋技術
NF技術是BCI閉環系統的關鍵技術之一，通過NF調節用戶的心理活動策略和腦活動模式能夠提高BCI系統性能[28]，如圖4所示為MEG-BCI神經反饋示意圖。目前，除MEG采集設備之外的所有電器設備都位于MSR之外，以免干擾磁場，反饋結果通過屏蔽孔投射到屏幕上呈現給受試者[22]。隨著NF技術的不斷發展以及人們對行為認知與神經相關性的日益了解，BCI的NF系統作為一種增強自我認知的方法在科學界和醫學界都引起了廣泛關注。NF作為BCI技術構成閉環系統的重要環節能夠將BCI系統輸出的結果反饋給用戶，以便用戶根據反饋結果調節心理活動，增強系統對用戶腦信號的識別能力，常用的NF模式包括視覺[29]、觸覺[30]及聽覺NF[31]。
圖4
MEG-BCI神經反饋示意圖
Figure4.
Schematic diagram of MEG-BCI neurofeedback
有研究表明在設計NF系統時MEG-BCI系統相比于EEG-BCI系統具有更好的空間分辨率[32]，且基于MEG的NF系統憑借其無創性以及良好的時空分辨率等特性越來越受研究者們重視[29]。Bagherzadeh等[33]通過MEG-BCI的視覺NF系統訓練調節Alpha頻段腦信號來增強注意力；2020年，Foldes等[32]通過采用MEG-BCI的NF系統對四肢癱瘓的患者進行手部運動的康復治療，且取得了顯著成效。
2 MEG-BCI的智能化方法
如上文所述，BCI系統能夠使得受試者通過腦信號直接與外部設備進行通信。目前多數MEG-BCI系統通常只能提供識別、傳遞和執行等基礎操作。但這并不智能，系統不會根據當前環境以及使用者的操作習慣來對指令進一步完善，有可能會導致指令識別錯誤率較高，難以滿足用戶在現實生活環境中的使用需求。為此，需要將人工智能（artificial intelligence，AI）引入BCI系統，增強BCI系統對當前環境以及用戶操作的適應能力，拓寬BCI系統的適用環境。如圖5所示，即示意了將適當的AI技術引入MEG-BCI系統[13]。
圖5
將適當的AI技術引入MEG-BCI系統
Figure5.
Introducing appropriate AI technology into the MEG- BCI system
目前可以采用的智能化方法如下：
（1）引入智能環境識別技術以減輕用戶負擔并提升系統效率。目前，多數MEG-BCI系統僅能夠識別簡單指令，當需要使用者在復雜環境中進行精密操控時很可能會出現與預期不符的結果。為此可將環境識別技術與MEG-BCI系統相結合，讓計算機視覺系統對環境進行識別，來減少受試者參與控制過程的復雜程度，減緩受試者的視覺疲勞，有助于使用者長時間使用系統[34]。同時能夠增強MEG-BCI系統的識別能力，更高效地完成使用者發出的指令。
（2）引入智能信號處理和模式識別技術以提高解碼精度。在MEG-BCI系統中，要想得到對多類別以及跨受試者進行分類的準確結果通常較難。遷移學習具有很好的泛化能力，因此在針對跨受試者分類方面可以引入遷移學習[35]。此外與傳統的機器學習方法相比，深度學習不僅能夠從大腦信號中自動學習識別復雜的特征，而且對領域知識的依賴性較少[36]。因此，將深度學習與MEG信號的解碼進行結合[37]，可以提高對復雜特征或多類別、跨受試者的分類準確率。
（3）引入共享控制技術避免意外發生。隨著BCI系統的日益完善，人們對其分類精度及控制精度的需求也隨之提高，但傳統MEG-BCI系統受傳輸速率及特征復雜程度的限制難以滿足多分類、高精度的系統要求。在使用MEG-BCI系統控制計算機或機械設備出現識別錯誤產生緊急狀況時，需要受試者快速發出補救指令。人機共享控制系統利用先進的人機交互技術，在收到用戶的指令后，結合自動控制、計算機視覺以及導航定位等技術。將共享控制技術與MEG-BCI系統相結合，實現對系統安全高效的控制，從而應對一些復雜的突發情況[38]。有研究團隊開發了一種基于共享控制的BCI避障輪椅[39]，輪椅配備了距離傳感器和兩個用于檢測障礙物的攝像頭，將環境識別技術引入共享控制來實現自動避障。當使用者發出錯誤指令使輪椅會撞到障礙物時，避障系統會自動觸發輪椅旋轉來規避障礙，從而避免意外情況發生，提高了系統的智能化程度。
（4）引入虛擬現實技術增強沉浸感和交互性。在典型的MEG-BCI系統當中，進行試驗時需要受試者盡量避免頭部移動保持平躺或坐在固定的椅子上才能進行數據采集。由于受試者所處的環境非常不自然，導致部分與現實環境進行交互的MEG信號難以被采集。此外，在進行視覺刺激或心理任務時，提示信號通常以二維的形式展示給受試者，使受試者潛意識難以融入到試驗當中。虛擬現實（virtual reality，VR）可以為受試者提供一個身臨其境的環境，將其與MEG-BCI系統結合能夠提升采集信號的種類及質量[40-41]。于是，Roberts等[41]通過將MEG-BCI系統與VR技術相結合，成功檢測到了睜眼和閉眼產生的α頻段信號，并且檢測到了來自VR給予受試者的視覺誘發磁場。
3 MEG-BCI存在的問題和未來的發展趨勢
3.1 BCI共性問題
目前，有部分受試者屬于“BCI盲”，在MI-BCI試驗中難以產生相應的腦信號，也有部分受試者對動覺MI以及視覺MI存在混淆[8]，且視覺刺激范式可產生穩態視覺誘發電位、P300等，易引起受試者的視覺疲勞。因此，需設計準確率高、指令多且易識別的新范式，使受試者能夠輕松自然地完成試驗。目前，在使用BCI系統時大都需要受試者在試驗過程中不間斷地進行心理活動，但現實世界中使用特定功能的BCI難以一直保持實驗狀態。因此研發能夠辨別空閑狀態的異步BCI系統是實現BCI自然化的關鍵環節。
其次，因個體腦信號差異使得BCI系統在使用之前都需要采集受試者的腦信號來訓練分類模型，在跨受試者分類方面往往難以達到理想的分類效果。未來需要不斷完善通用學習及遷移學習等算法，以使BCI系統在不同受試者之間可以免訓練直接使用。此外面向實用的BCI系統需要靈敏的操控系統，如BCI操控的輪椅和汽車，需及時地識別并執行使用者的指令避免指令執行延遲產生危險，因此需要進一步開發簡便高效的信號解碼算法。
3.2 MEG-BCI個性問題
MEG-BCI的非接觸性及準備階段方便等特點在未來BCI領域中極具競爭力。因其相對于濕電極來說，可以保持長時間穩定采集信號的能力；而相對于干電極來說，能夠保持佩戴時更舒適的體驗感。然而，MEG-BCI也面臨若干技術挑戰，首先在信號采集期間受試者頭部位置發生變化，可能會影響信號解碼能力。有研究表明，可以使用光泵磁強計（optical pumping magnetometer，OPM）來對MEG-BCI系統進行優化[42]。OPM與超導量子干涉設備（superconducting quantum interference device，SQUID）相比可以更好地匹配不同頭部模型、傳感器與頭皮之間的距離更短、傳感器處的MEG信號更強且OPM不需要傳統的MSR。雖然OPM的部分技術還沒有得到足夠的完善，但為未來的MEG-BCI提供了更廣闊的發展方向。
其次，目前的MEG信號采集需要在MSR利用SQUID進行，且SQUID需要大量液氦維持超低溫下的超導狀態，這些因素使設備體積過大且價格昂貴。采集信號時還需使用MEG設備的椅子，便攜性不好，長時間進行試驗會令人感到不適[22]。最近部分研究提出的便攜式小型化設備和無低溫MEG傳感器[42]，以及避免使用MSR[43]的一些方法將有望為MEG-BCI發展提供實際解決方案，并通過增加MEG的便攜性及舒適性，進一步擴展MEG-BCI系統的使用場景。
隨著MEG技術不斷改進，MEG-BCI系統中的傳感器數量逐漸增加，使得MEG-BCI系統在空間分辨率上表現更為出色，但大量的傳感器可能會難以找到合適的空間濾波器。最佳的通道選擇對每個試驗及使用者來說都不同，減少通道數有助于降低計算成本并在試驗次數較少的情況下保持運算結果的穩定。有研究表明，無論特征類型如何，對MEG-BCI進行正確的通道選擇，系統性能都有顯著提高[7]，因此可以將通道選擇應用于BCI的實際應用。同時軟件方面的數據分析包括偽影檢測和去除噪聲，也需要進一步改進，以適應這些高密度記錄的數據。
4 結束語
本文主要評述MEG-BCI的關鍵技術，首先概述了MEG-BCI的原理及特征，然后闡述了MEG-BCI系統信號采集、實驗范式、信號分析及解碼方法，以及MEG-BCI的NF技術和其智能化方法，最后討論了MEG-BCI存在的共性與個性問題及未來發展趨勢。盡管MEG-BCI是一種較新的BCI，在BCI領域發展時間較短，但其獨特優勢會給未來BCI的發展提供許多新思路。研究者將不斷開發新的MEG信號重構計算模型，這些模型可能有助于更深入地理解與特定腦功能相關的MEG信號，進一步理解大腦活動信號的特征，推動MEG-BCI的進一步發展。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：徐浩天主要負責文獻查閱整理、論文撰寫；龔安民、丁鵬、羅建功、陳超對論文提出撰寫和修改建議；伏云發主要負責選題、論文結構和修訂。
倫理聲明：本研究通過了昆明理工大學醫學倫理委員會的審批（批文編號：KMUST-MEC-056）。
引言
腦機交互/接口（brain-computer interaction/interface，BCI）是一種顛覆傳統人機交互的技術，通過采集并解碼腦信號中編碼的意圖，繞過外周神經和肌肉，以全新的方式實現大腦與外部世界的直接通信和控制[1-2]。BCI目的在于改善或提高人類的生活質量，其在醫學和非醫學領域具有潛在應用價值，并且BCI正逐步走向實用化，縮小了研究與實際應用之間的差距[3-4]。
用于BCI的大腦神經信號采集方式有很多種，它們的時間和空間分辨率各不相同，如圖1所示比較了腦電圖（electroencephalogram，EEG）、腦磁圖（magnetoencephalogram，MEG）、實時功能磁共振成像（real-time function magnetic resonance imaging，rtfMRI）、功能性近紅外光譜（functional near-infrared spectroscopy，fNIRS）、皮層腦電（electrocorticography，ECoG）、顱骨內腦電（intracranial EEG，iEEG）的時空分辨率。其中MEG可測量神經元電活動產生的磁場，該采集方法時間和空間分辨率高（MEG的時間分辨率優于1 ms，且空間分辨率僅為數毫米[5]）。如今，MEG成像方法已有許多應用，如圖2所示。若干研究也表明可從MEG表征的磁場變化特征解碼大腦意圖[6-7]。
圖1
用于BCI的腦信號時間和空間分辨率
Figure1.
Time and spatial resolution of brain signal used for BCI
圖2
MEG的應用示例
Figure2.
Application examples for MEG
2019年，Chholak等[8]采集了無訓練受試者進行運動想象（motor imagery，MI）時產生的MEG信號，采用基于多層感知器的人工神經網絡（artificial neural network，ANN）模型對MI進行分類，以區分視覺MI和動覺MI，該方法的平均準確率和最高準確率分別為70%和90%。2021年，Rathee等[9]報道了對figshare數據集中MI和認知想象的MEG數據分類效果，采用濾波器組共空間模式（filter bank common spatial pattern，FBCSP）生成時空特征并用支持向量機（support vector machines，SVM）進行分類，所用的兩種不同頻率組合方法分別取得了69.35%和66.65%的準確率。2021年，Belkacem[10]報道了實時MEG-BCI系統的研究，采用基于徑向基函數核的二元非線性SVM在線對4種手部運動（雙手握拳、雙手打開、左手握拳右手打開、左手打開右手握拳）進行解碼，分類準確率在60%～80%之間。2021年，Feng等[11]提出了一種聽覺誘發磁場（auditory evoked magnetic fields，AEFs）的識別方法，通過利用MEG中包含的空域信息增強顳葉聽覺區域的信號強度，從而使ANN能夠自動及時地識別出AEFs。以上這些研究表明了MEG-BCI的可行性，但MEG-BCI走向實用化仍然面臨極大的挑戰，有許多關鍵科學和技術問題需要解決。
雖然已有不少文獻報道了MEG-BCI的實驗研究，但迄今為止國內外鮮有文獻評述MEG-BCI涉及的關鍵技術問題。為此本文查新了與MEG-BCI相關的文獻進行分析總結，并論述了MEG-BCI涉及的信號采集、實驗范式、信號分析和解碼等關鍵技術以及MEG-BCI的神經反饋（neurofeedback，NF）及其智能化方法，并分析了MEG-BCI存在的問題和未來發展趨勢。
1 基于MEG的BCI關鍵技術
MEG-BCI是一種新型且具有潛在應用前景的BCI，如圖3所示為其示意圖，其關鍵技術包括面向實用的MEG-BCI信號采集技術、MEG-BCI實驗范式設計、MEG信號分析和解碼技術以及MEG-BCI的NF技術等，下面將進行詳細的論述。
圖3
MEG-BCI系統示意圖
Figure3.
Schematic diagram for MEG-BCI system
1.1 面向實用的MEG-BCI信號采集技術
腦信號采集技術是BCI系統實用化關鍵技術之一，在很大程度上決定了BCI系統性能、用戶可接受性和體驗感[12]。BCI中的腦信號采集系統要求盡可能采集到高質量的腦信號，同時，必須以用戶為中心，提高用戶體驗感和滿意度，確保BCI傳感器的安全性、舒適性、美學性和易使用性[13]。面向實用的MEG-BCI信號采集技術也需要盡可能滿足上述要求，MEG作為一種無創探測大腦電磁生理信號的腦功能檢測方式，已存在近50年，因其成像清晰易辨，對腦部損傷的定位診斷能力優于其他大多數腦成像方法，在腦部疾病診斷中具有優勢。
此外，MEG具有以下優點：① 在確定MEG信號源時，幾乎不需要頭部組織內的電導率信息，就可以準確、清楚地判斷出大腦內部產生活動的位置及過程；② 由于非接觸檢測的特性，不需要使用導電凝膠或生理鹽水來降低頭皮和電極之間的阻抗，因此數據采集所需的前期準備較少；③ MEG信號通過顱骨及頭皮傳導時所受影響小，能夠檢測到腦內活動引起的微小磁場變化；④ MEG對肌肉活動產生的偽跡敏感性較低；⑤ 大多的MEG信號采集設備支持較多的導聯（現代全頭MEG系統中傳感器數量可達275～306 個），具有較高的空間分辨率。由于以上優點，MEG成像方法安全且能夠采集到較高質量的腦信號，但目前其舒適性、美學性和易使用性還有待提高。
1.2 MEG-BCI范式設計
BCI范式是BCI系統的核心和關鍵技術之一，是為到達某種BCI功效或目的（如通信或控制、神經調控等）所采用的編碼方法，即把用戶的意圖“寫入”腦信號中，通過腦信號特征表征用戶意圖[14]。基于不同腦信號采集方法（如EEG、MEG、fNIRS、rtfMRI、ECoG等）的BCI其范式往往不同，在設計BCI范式時，需要充分考慮所采用的腦信號獲取方式特點，并根據不同心理任務的神經機制，優化組合不同的心理任務以提取可分性好或容易識別的腦信號模式。
迄今為止，主要有誘發和自發MEG，其中誘發MEG包括體感誘發磁場、AEFs、視覺誘發磁場[15]以及事件相關磁場（event-related magnetic fields，ERFs）。因此，MEG-BCI范式可以是觸覺、聽覺以及視覺等刺激，也可以是動覺MI、視覺MI[8]或視覺想象等心理活動產生的自發MEG。此外，MEG-BCI還能夠檢測受試者情緒或疲勞等變化。值得注意的是，在設計MEG-BCI范式時也要考慮受試者/用戶的自身條件、心理任務的難易程度、疲勞性以及自然性等因素，盡可能選擇可分性好、簡單容易、自然且不易疲勞的范式。
1.3 MEG信號分析和解碼關鍵技術
腦信號分析和解碼是BCI系統的關鍵技術之一，下面將闡述MEG-BCI系統中MEG信號預處理方法、MEG信號特征提取方法、MEG信號特征選擇方法和MEG信號解碼方法。
1.3.1 MEG信號預處理方法
由于大腦活動所產生的信號是非線性非平穩信號，隨機性強，且采集的原始信號中存在著許多噪聲/偽跡，磁噪聲來自遠場環境源（電線、車輛等）和近場生物源（例如肌肉、心臟、任務外的腦信號等），原始MEG信號中夾雜著這些噪聲使得信號很難直接反映出受試者的意圖。因此在提取MEG信號特征前，需要對其進行預處理以提高信噪比。目前消除環境噪聲主要通過磁屏蔽室（magnetic shielding room，MSR），MSR可以使得磁介電常數在室內處處相同，包括頭皮和傳感器之間的空氣。因此，與相同腦源產生的EEG信號相比，MEG在空間上能較好地保留原始信息，這有助于從包含各種生物噪聲的原始信號中將有用的MEG信號分離出來，能更清晰地了解不同信號源所處的腦解剖位置。
常用的預處理方法主要分為時域、頻域、時頻域以及空域上的預處理，在時域上通常采用幅值過濾方法，異常波動的過高幅值將被視為噪聲過濾掉，在頻域上常使用帶通或陷波濾波器對信號在特定頻率范圍進行處理（常采用0.5～80 Hz的帶通濾波器對信號進行過濾）。此外，通過對MEG信號進行頻譜分析，分析其不同頻段所包含的信息，可據此對信號進行帶通濾波去除無用頻段。快速傅里葉變換（fast Fourier transform，FFT）是信號時頻分析的典型方法，能夠將信號在時域和頻域之間轉換。此外希爾伯特（Hilbert）-黃（Huang）變換（Hilbert-Huang transform， HHT）也屬于時頻分析方法中的一種[16]，其中的經驗模態分解是通過特征時間尺度來識別信號中所包含的局部特征信號，將時域信號分解為本征模函數（intrinsic mode function，IMF）。然后對每一個IMF進行Hilbert變換，得到相應的Hilbert譜，即將每個IMF表示在聯合的時頻域中。最后，匯總所有IMF的Hilbert譜就會得到原始信號的Hilbert譜。
在空域上去除偽跡一種常見的方法是采用獨立成分分析（independent component analysis，ICA），通過利用與偽跡特性有關的信息，如心跳和呼吸等，將獨立的MEG信息和與大腦活動無關的偽跡的信號進行直接比較，從而剔除MEG中存在的其他生理信號偽跡。除了以上方法，MEG的源估計也能夠用于MEG-BCI系統的去噪，其旨在識別傳感器在空間中觀察到的對MEG信號有貢獻的活動源，并對其進行溯源，推算出其特性、源的位置、方向和大小的分布。2020年，Roy等[7]對MEG-BCI的通道選擇方案進行了研究，篩選出對分類具有貢獻的通道，不僅提升了分類準確性而且顯著減少實驗所需的通道數量。
1.3.2 MEG信號特征提取方法
MEG反映了大腦磁場變化，包含著豐富的神經元活動信息，不同活動所導致大腦產生的MEG信號也不盡相同，大腦狀態或事件可以由MEG表征，提取MEG特征是后續分類的基礎。MEG信號的特征提取方法主要有時域分析、頻域分析、時頻分析、空域分析。
時域分析以時間為自變量描述磁場變化，是最基本、最直觀的信號表達形式。通過MEG信號時域波形的峰值以及時間點等信息來確定目標活動所產生的MEG信號的變化，采用對波形進行峰值檢測、方差分析、直方圖分析、幅值反應時間或過零率等方法來提取不同心理任務的MEG信號特征。
頻域分析主要是根據信號在頻域上的能量變化，提取相應特征。功率譜估計是頻域分析中常用的方法[17]，分為經典譜估計及現代譜估計。其中經典譜估計將隨時間變化的時域MEG信號或其自相關函數進行FFT，轉化為隨頻率變化的MEG功率譜圖，具有計算簡便、復雜度低等優點，但其頻率分辨率較低有可能丟失信號譜峰。現代譜估計是一種基于自回歸模型的方法，相比于經典譜估計具有更高的分辨率且功率譜密度更為平滑，同時，通過調節自回歸模型的階數能夠更有效地觀測信號譜峰。在受試者執行心理任務時，MEG信號的功率或能量相比靜息態會有明顯變化，從而可以對信號各頻段的分量進行定量分析來提取其中的變化特征。
MEG信號是復雜的非線性信號，單一方面的分析往往會丟失許多重要的特征信息，因此同時對信號的時、頻域進行分析能夠得到更好的特征提取效果。時頻分析方法能夠清楚地觀測到信號頻率隨時間變化的關系，更全面地掌握信號的潛在特征。常用的時頻分析包括短時傅里葉變換、魏格納-維爾（Wigner-Ville）分布以及小波變換等。2018年，Shahid等[18]采用傅里葉變換對MEG信號進行時頻轉換，將小波包變換和離散小波變換結合進行特征提取。小波技術的主要優勢在于可以將信號分解為許多分量，具有時頻定位、多重濾波和尺度分析的特點，能夠發現原始信號中隱藏的信息。
由于大多數分類算法只需要幾個明顯的相關特征即可準確區分不同類別，因此要在不丟失有用判別信息的情況下減小特征空間的維數。空域特征提取可以使用空間過濾方法進行數據降維，如共空間模式（common spatial pattern，CSP）在對MEG進行特征提取方面已取得了不錯的成果[7]，尤其對多通道的數據有著穩定的解碼效果。CSP算法采用有監督方法創建一個最優的空間濾波器，并且最大化一類方差的同時最小化另一類方差，通過將兩類任務的協方差矩陣同時對角化，進而得到區分程度最大的特征向量。為了提高CSP的魯棒性，研究者們也提出了許多改進方法[19-20]。
1.3.3 MEG信號特征選擇方法
特征選擇能夠對數據降維，減少特征數量和過擬合及后續計算的復雜程度，使模型泛化能力更強。因此，需要在不影響分類精度的情況下將冗余信息去除，選擇最優的特征，優化分類效果。Roffo等[21]提出了無限潛在特征選擇（infinite latent feature selection，ILFS），ILFS能夠考慮所有可能的特征子集并進行排序，其最吸引人的特點是它旨在使用概率潛在語義分析對相關性建模。通過對特征元素進行加權，評估每個特征與其他所有特征的相關性，該研究通過采用SVM分類器對五種不同的特征子集進行分類，平均準確率達到了98.25%。
另外，2020年，Kim等[22]采用了一種結合特征相關的費希爾（Fisher）判別比（Fisher’s discriminant ratio，FDR）技術，以ERFs的P300振幅作為特征，應用FDR準則和互相關性對特征進行排序，選擇排名最高的10個特征，利用窮舉法進行搜索，找出具有最大分類精度的特征組合。該研究在融合三方面特征（行為數據特征、傳感器特征、源特征）的情況下分類最高準確率達到100%，平均準確率也達到了90%以上。
1.3.4 MEG信號解碼方法
腦信號解碼方法是BCI系統的關鍵技術之一，即對特征進行分類來解碼受試者的心理活動，常用的傳統分類器包括K近鄰[23]、SVM[9]和樸素貝葉斯[24]等。其中K近鄰方法是找出離樣本點最近的K個訓練樣本，并根據這K個訓練樣本的信息進行分類。K近鄰原理簡單，能夠解決多分類問題，但其計算量較大，且面對樣本數不均衡的分類時易受大樣本類別干擾。SVM是一種監督式學習方法，其基本原理是在空間中建立一個距離所有類別有最大間隔的超平面來對樣本點進行分類。SVM具有較好的魯棒性，可以解決非線性分類問題，但在多分類方面效果一般。樸素貝葉斯發源于古典數學理論，采用概率作為分類依據，有著穩定的分類效果，并且計算簡單，即使面對大數量的訓練集也能夠有較快的運算速度。但其需要計算先驗概率并且對特征關聯度高的樣本分類效果不好。雖然傳統分類器有一些受限之處，但隨著研究者的不斷開發，各種優化的分類器也被不斷提出，例如當K近鄰樣本不均衡時對少樣本進行加權，對于SVM多分類問題提出多層SVM等。
目前，隨著深度學習理論的提出和數值計算設備的改進，不同神經網絡算法也逐步融入到BCI領域中，其中深度神經網絡（deep neural networks，DNN）憑借其優越的分類能力得到了廣泛應用。2017年，Caliskan等[25]提出了一種通過DNN分類器來解碼MEG信號的方法，這種解碼技術通過黎曼方法來降低MEG信號維度并以DNN來構造高效分類器，對特征分類的準確率達到80%以上。2019年，Zubarev等[26]提出了一種卷積神經網絡（convolutional neural networks，CNN）模型對MEG信號進行分類，該網絡分為濾波器層、輸入層、卷積層以及輸出層。該模型針對MEG數據的離線和在線分類進行了優化，在保持高精度和解碼性能的同時，大大降低模型復雜度。
另外，2019年，Dash等[27]通過結合小波分析、PCA、CNN以及遷移學習的算法，在跨受試者的神經語音解碼中分類準確率達到了93.89%。雖然CNN的準確率高，但訓練時間較長，將遷移學習和PCA結合可以有效地解決對不同受試者重新訓練模型的耗時問題。同年，Chholak等[8]的研究融合了ANN算法模型，該算法也是未來BCI算法研究的一個重要方向，ANN的特點是能夠學習和自適應未知系統，將其與BCI系統進行融合有望增強系統的魯棒性并縮短運算時間以更好地適應便攜系統。
1.4 MEG-BCI神經反饋技術
NF技術是BCI閉環系統的關鍵技術之一，通過NF調節用戶的心理活動策略和腦活動模式能夠提高BCI系統性能[28]，如圖4所示為MEG-BCI神經反饋示意圖。目前，除MEG采集設備之外的所有電器設備都位于MSR之外，以免干擾磁場，反饋結果通過屏蔽孔投射到屏幕上呈現給受試者[22]。隨著NF技術的不斷發展以及人們對行為認知與神經相關性的日益了解，BCI的NF系統作為一種增強自我認知的方法在科學界和醫學界都引起了廣泛關注。NF作為BCI技術構成閉環系統的重要環節能夠將BCI系統輸出的結果反饋給用戶，以便用戶根據反饋結果調節心理活動，增強系統對用戶腦信號的識別能力，常用的NF模式包括視覺[29]、觸覺[30]及聽覺NF[31]。
圖4
MEG-BCI神經反饋示意圖
Figure4.
Schematic diagram of MEG-BCI neurofeedback
有研究表明在設計NF系統時MEG-BCI系統相比于EEG-BCI系統具有更好的空間分辨率[32]，且基于MEG的NF系統憑借其無創性以及良好的時空分辨率等特性越來越受研究者們重視[29]。Bagherzadeh等[33]通過MEG-BCI的視覺NF系統訓練調節Alpha頻段腦信號來增強注意力；2020年，Foldes等[32]通過采用MEG-BCI的NF系統對四肢癱瘓的患者進行手部運動的康復治療，且取得了顯著成效。
2 MEG-BCI的智能化方法
如上文所述，BCI系統能夠使得受試者通過腦信號直接與外部設備進行通信。目前多數MEG-BCI系統通常只能提供識別、傳遞和執行等基礎操作。但這并不智能，系統不會根據當前環境以及使用者的操作習慣來對指令進一步完善，有可能會導致指令識別錯誤率較高，難以滿足用戶在現實生活環境中的使用需求。為此，需要將人工智能（artificial intelligence，AI）引入BCI系統，增強BCI系統對當前環境以及用戶操作的適應能力，拓寬BCI系統的適用環境。如圖5所示，即示意了將適當的AI技術引入MEG-BCI系統[13]。
圖5
將適當的AI技術引入MEG-BCI系統
Figure5.
Introducing appropriate AI technology into the MEG- BCI system
目前可以采用的智能化方法如下：
（1）引入智能環境識別技術以減輕用戶負擔并提升系統效率。目前，多數MEG-BCI系統僅能夠識別簡單指令，當需要使用者在復雜環境中進行精密操控時很可能會出現與預期不符的結果。為此可將環境識別技術與MEG-BCI系統相結合，讓計算機視覺系統對環境進行識別，來減少受試者參與控制過程的復雜程度，減緩受試者的視覺疲勞，有助于使用者長時間使用系統[34]。同時能夠增強MEG-BCI系統的識別能力，更高效地完成使用者發出的指令。
（2）引入智能信號處理和模式識別技術以提高解碼精度。在MEG-BCI系統中，要想得到對多類別以及跨受試者進行分類的準確結果通常較難。遷移學習具有很好的泛化能力，因此在針對跨受試者分類方面可以引入遷移學習[35]。此外與傳統的機器學習方法相比，深度學習不僅能夠從大腦信號中自動學習識別復雜的特征，而且對領域知識的依賴性較少[36]。因此，將深度學習與MEG信號的解碼進行結合[37]，可以提高對復雜特征或多類別、跨受試者的分類準確率。
（3）引入共享控制技術避免意外發生。隨著BCI系統的日益完善，人們對其分類精度及控制精度的需求也隨之提高，但傳統MEG-BCI系統受傳輸速率及特征復雜程度的限制難以滿足多分類、高精度的系統要求。在使用MEG-BCI系統控制計算機或機械設備出現識別錯誤產生緊急狀況時，需要受試者快速發出補救指令。人機共享控制系統利用先進的人機交互技術，在收到用戶的指令后，結合自動控制、計算機視覺以及導航定位等技術。將共享控制技術與MEG-BCI系統相結合，實現對系統安全高效的控制，從而應對一些復雜的突發情況[38]。有研究團隊開發了一種基于共享控制的BCI避障輪椅[39]，輪椅配備了距離傳感器和兩個用于檢測障礙物的攝像頭，將環境識別技術引入共享控制來實現自動避障。當使用者發出錯誤指令使輪椅會撞到障礙物時，避障系統會自動觸發輪椅旋轉來規避障礙，從而避免意外情況發生，提高了系統的智能化程度。
（4）引入虛擬現實技術增強沉浸感和交互性。在典型的MEG-BCI系統當中，進行試驗時需要受試者盡量避免頭部移動保持平躺或坐在固定的椅子上才能進行數據采集。由于受試者所處的環境非常不自然，導致部分與現實環境進行交互的MEG信號難以被采集。此外，在進行視覺刺激或心理任務時，提示信號通常以二維的形式展示給受試者，使受試者潛意識難以融入到試驗當中。虛擬現實（virtual reality，VR）可以為受試者提供一個身臨其境的環境，將其與MEG-BCI系統結合能夠提升采集信號的種類及質量[40-41]。于是，Roberts等[41]通過將MEG-BCI系統與VR技術相結合，成功檢測到了睜眼和閉眼產生的α頻段信號，并且檢測到了來自VR給予受試者的視覺誘發磁場。
3 MEG-BCI存在的問題和未來的發展趨勢
3.1 BCI共性問題
目前，有部分受試者屬于“BCI盲”，在MI-BCI試驗中難以產生相應的腦信號，也有部分受試者對動覺MI以及視覺MI存在混淆[8]，且視覺刺激范式可產生穩態視覺誘發電位、P300等，易引起受試者的視覺疲勞。因此，需設計準確率高、指令多且易識別的新范式，使受試者能夠輕松自然地完成試驗。目前，在使用BCI系統時大都需要受試者在試驗過程中不間斷地進行心理活動，但現實世界中使用特定功能的BCI難以一直保持實驗狀態。因此研發能夠辨別空閑狀態的異步BCI系統是實現BCI自然化的關鍵環節。
其次，因個體腦信號差異使得BCI系統在使用之前都需要采集受試者的腦信號來訓練分類模型，在跨受試者分類方面往往難以達到理想的分類效果。未來需要不斷完善通用學習及遷移學習等算法，以使BCI系統在不同受試者之間可以免訓練直接使用。此外面向實用的BCI系統需要靈敏的操控系統，如BCI操控的輪椅和汽車，需及時地識別并執行使用者的指令避免指令執行延遲產生危險，因此需要進一步開發簡便高效的信號解碼算法。
3.2 MEG-BCI個性問題
MEG-BCI的非接觸性及準備階段方便等特點在未來BCI領域中極具競爭力。因其相對于濕電極來說，可以保持長時間穩定采集信號的能力；而相對于干電極來說，能夠保持佩戴時更舒適的體驗感。然而，MEG-BCI也面臨若干技術挑戰，首先在信號采集期間受試者頭部位置發生變化，可能會影響信號解碼能力。有研究表明，可以使用光泵磁強計（optical pumping magnetometer，OPM）來對MEG-BCI系統進行優化[42]。OPM與超導量子干涉設備（superconducting quantum interference device，SQUID）相比可以更好地匹配不同頭部模型、傳感器與頭皮之間的距離更短、傳感器處的MEG信號更強且OPM不需要傳統的MSR。雖然OPM的部分技術還沒有得到足夠的完善，但為未來的MEG-BCI提供了更廣闊的發展方向。
其次，目前的MEG信號采集需要在MSR利用SQUID進行，且SQUID需要大量液氦維持超低溫下的超導狀態，這些因素使設備體積過大且價格昂貴。采集信號時還需使用MEG設備的椅子，便攜性不好，長時間進行試驗會令人感到不適[22]。最近部分研究提出的便攜式小型化設備和無低溫MEG傳感器[42]，以及避免使用MSR[43]的一些方法將有望為MEG-BCI發展提供實際解決方案，并通過增加MEG的便攜性及舒適性，進一步擴展MEG-BCI系統的使用場景。
隨著MEG技術不斷改進，MEG-BCI系統中的傳感器數量逐漸增加，使得MEG-BCI系統在空間分辨率上表現更為出色，但大量的傳感器可能會難以找到合適的空間濾波器。最佳的通道選擇對每個試驗及使用者來說都不同，減少通道數有助于降低計算成本并在試驗次數較少的情況下保持運算結果的穩定。有研究表明，無論特征類型如何，對MEG-BCI進行正確的通道選擇，系統性能都有顯著提高[7]，因此可以將通道選擇應用于BCI的實際應用。同時軟件方面的數據分析包括偽影檢測和去除噪聲，也需要進一步改進，以適應這些高密度記錄的數據。
4 結束語
本文主要評述MEG-BCI的關鍵技術，首先概述了MEG-BCI的原理及特征，然后闡述了MEG-BCI系統信號采集、實驗范式、信號分析及解碼方法，以及MEG-BCI的NF技術和其智能化方法，最后討論了MEG-BCI存在的共性與個性問題及未來發展趨勢。盡管MEG-BCI是一種較新的BCI，在BCI領域發展時間較短，但其獨特優勢會給未來BCI的發展提供許多新思路。研究者將不斷開發新的MEG信號重構計算模型，這些模型可能有助于更深入地理解與特定腦功能相關的MEG信號，進一步理解大腦活動信號的特征，推動MEG-BCI的進一步發展。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：徐浩天主要負責文獻查閱整理、論文撰寫；龔安民、丁鵬、羅建功、陳超對論文提出撰寫和修改建議；伏云發主要負責選題、論文結構和修訂。
倫理聲明：本研究通過了昆明理工大學醫學倫理委員會的審批（批文編號：KMUST-MEC-056）。
