腦機接口技術是通過信號采集設備從大腦皮層采集腦電信號經過放大、濾波、A/D轉換等處理轉換為可以被計算機識別的信號，然后對信號進行預處理，提取特征信號，再利用這些特征進行模式識別，最后轉化為控制外部設備的具體指令，實現對外部設備的控制。

　　一個典型的腦機接口系統主要包含4個組成部分：信號采集部分、信號處理部分、控制設備部分和反饋環節。其中，信號處理部分包括預處理、特征提取、特征分類3個環節。

　　1、信息采集

　　從目前的研究水平來看，我們在評估某種信息采集手段優劣時需要考慮三個方面的標準：

　　規模——可以記錄多少神經元。

　　分辨率——這個工具接收到的信息的細致程度。這里所說的分辨度可以分成兩種：空間上的分辨率（能否細致記錄單個神經元的觸發情況）和時間上的分辨率（能否確定你所記錄的活動的確切發生時間）。

　　侵入性——是否需要手術？如果需要，手術的影響范圍有多大？

　　而腦機接口的分類，則通常是根據“侵入性”被分為：非侵入式（腦外）、侵入式和半侵入式。

　　（如上圖，不同的接口類型所獲得的信號強度有很大差異）

　　非侵入式：是指無需通過侵入大腦，只需通過附著在頭皮上的穿戴設備來對大腦信息進行記錄何解讀。這種技術雖然避免了昂貴和危險的手術，但是由于顱骨對于大腦信號的衰減作用，以及對于神經元發出的電磁波的分散和模糊效應，使得記錄到的信號強度和分辨率并不高，很難確定發出信號的腦區或者相關的單個神經元的放電。

　　侵入式：是指通過手術等方式直接將電極植入到大腦皮層，這樣可以獲得高質量的神經信號，但是卻存在著較高的安全風險和成本。另外，由于異物侵入，可能會引發免疫反應和愈傷組織（疤痕組織），導致電極信號質量衰退甚至是消失。另外傷口也易出現難以愈合及炎癥反應。

　　半侵入式：即將腦機接口植入到顱腔內，但是在大腦皮層之外。主要基于皮層腦電圖（ECoG）進行信息分析。雖然其獲得的信號強度及分辨率弱于侵入式，但是卻優于非侵入式，同時可以進一步降低免疫反應和愈傷組織的幾率。

　　典型的非侵入式系統有腦電圖（EGG），腦電圖是有潛力的非侵入式腦機接口的主要信息分析技術之一，這主要是因為該技術良好的時間分辨率、易用性、便攜性和相對低廉的價格。

　　但是，腦電圖技術的一個問題是它對噪聲的敏感；另一個使用EEG作為腦機接口的現實障礙是用戶在工作之前要進行大量的訓練。

　　2、信息分析

　　收集好了足夠多的信息后，就要進行信號的解碼和再編碼以處理干擾。腦電信號采集過程中的干擾有很多，如工頻干擾、眼動偽跡、環境中的其他電磁干擾等。

　　分析模型是信息解碼環節的關鍵，根據采集方式的不同，一般會有腦電圖（EGG），皮層腦電圖（ECoG）等模型可以協助分析。

　　信號處理、分析及特征提取的方法包括去噪濾波、P300信號分析、小波分析+奇異值分解等。

　　3、再編碼

　　將分析后的信息進行編碼，如何編碼取決于希望做成的事情。比如控制機械臂拿起咖啡杯給自己喝咖啡，就需要編碼成機械臂的運動信號，在復雜三維環境中準確控制物體的移動軌跡及力量控制都非常的復雜。

　　但編碼形式也可以多種多樣，這也是腦機接口可以幾乎和任何工科學科去結合的原因。最復雜的情況包括輸出到其他生物體上，比如小白鼠身上，控制它的行為方式。

　　4、反饋

　　獲得環境反饋信息后再作用于大腦也非常復雜。人類通過感知能力感受環境并且傳遞給大腦進行反饋，感知包括視覺、觸覺、聽覺、嗅覺和味覺等等。

　　腦機接口要實現這一步其實是非常復雜的，包括多模態感知的混合解析也是難點，因為反饋給大腦的過程可能不兼容。

　　五、基于EEG的腦機接口研究方法

　　人和動物的大腦，特別是皮層細胞，存在著頻繁的自發電活動，無需任何外界刺激。從腦電極記錄到的電位是對腦部大量神經元活動的反應，低至微伏級，這種電活動的電位隨時間的波動稱為腦電波（EEG）。

　　EEG反應了大腦組織的電活動及大腦的功能狀態，腦的復雜活動反應在頭皮上的電位活動就是EEG軌跡。所以理論上，人的意圖通過腦電應該可以被探測識別出來。

　　BCI的先驅曾經指出“在理論上，腦的感覺、運動及認知意識在自發EEG中應該是可辨識的”，因此EEG成為BCI研究中的常見工具。BCI技術就是要通過識別這種意圖，將之表達為對外部設備的直接控制。

　　由于腦電信號的本質還未知，難以確定一種特定的信號識別方法。假設腦電信號是線性的，那么大多數BCI使用的線性識別方法足以應用。反之，則線性識別算法對于希望被識別的信號可能是最糟糕的描述。但無論何種情況，BCI技術的首要任務就是從EEG中識別出人的主觀操作意識，并將之表達為對外部設備的直接控制。同樣的道理，基于皮層腦電圖（ECoG）的信息分析也與之類似。

　　1、腦機接口研究中所使用的腦神經信號

　　（1）P300（誘發電位）

　　P300是一種事件相關電位（ERP），在時間相關刺激300～400ms后出現的正電位，主要位于中央皮層區域，其峰值大約出現在時間發生后300ms，相關事件發生的概率越小，所引起的P300越顯著。基于P300的BCI的優點是P300屬于內部相應，使用者無需通過訓練就可產生P300。

　　（2）視覺誘發電位（誘發電位）

　　視覺誘發電位是指從視覺通路的不同水平區域記錄的不同生物電反應，其誘發刺激可以是熒光、閃光刺激。視覺誘發電位又可以分成短時視覺誘發電位和穩態視覺誘發電位兩種。

　　（3）時間相關同步或時間相關去同步電位（自發腦電）

　　單邊的肢體運動或想象運動，大腦同側產生事件相關同步電位（ERS），大腦對側產生時間相關去同步電位（ERD）。ERS、ERD是與運動相關的，主要位于感覺運動皮層。

　　（4）皮層慢電位（自發腦電）

　　皮層慢電位也稱慢波電位（SlowCorticalPoten2tials，SCPs），是皮層電位的變化，是腦電信號中從300ms持續到幾秒鐘的大的負電位或正電位，能反應皮層Ⅰ和Ⅱ層的興奮性，個人可以通過生物反饋訓練產生這種電位。

　　（5）自發腦電信號（自發腦電）

　　在不同的知覺意識下，人們腦電中的不同節律呈現出各異的活動狀態。這些節律是受不同動作或思想的影響。按照所在頻段的不同分類，一般采用希臘字母（α、β、γ、δ）來表示不同的自發EEG信號節律。比如α節律在8～13Hz頻段，而β節律則在13～22Hz頻段。

　　采用以上幾種腦電信號作為BCI輸入信號，具有各自的特點和局限。P300和視覺誘發電位都屬于誘發電位，不需要進行訓練，其信號檢測和處理方法較簡單且正確率高。不足之處是需要額外的刺激裝置提供刺激，并且依賴于人的某種知覺（如視覺）。其它幾類信號的優點是可以不依賴外部刺激就可以產生，但需要大量的特殊訓練。

　　2、特征提取和轉換方法

　　特征提取涉及如何從EEG中提取少量的有用的信息，分別利用這些信息進行不同腦狀態的區分。常用的特征提取的算法如：：FFT（FastFourierTransformAlgorithm）、相關性分析、AR（AutoRegression）、參數估計、CSP（CommonSpatialPatterns）、Butter2worth低通濾波、遺傳算法等。算法的選擇與所利用的信號特征及電極位置有關。

　　信號處理的目標是最終從信號中識別出使用者的意圖并執行，系統的首要任務就是最大化。信噪比，尤其是當噪聲和信號極為相似的時候就顯得更為重要。提高信噪比的技術有很多，具體有空間及時間濾波方法、信號平均以及單次識別方法。BCI轉換算法把信號特征（如節律幅值或神經元放電率）轉換為具體的控制命令。