设计脑机接口的实践指南

背景：BCI 是什么意思？

脑机接口（BCI）指的是将大脑与计算机连接起来的工具。过去十年间，业界对 BCI 的关注度迅速增长——一个典型例子就是，埃隆·马斯克名下主要研发脑机接口技术的初创企业 Neuralink 每次开新发布会都会引发舆论热议[1]。Neuralink 可以在大脑中植入人造物来完成多种任务，诸如用思维来控制动作或直接在大脑中播放音乐等。

你会感到恐惧吗？没关系，这是很正常的。但在这篇文章中，我们将只关注一个简单的 BCI 实现，具体来说是用一个娱乐设备[2]记录脑电波活动，即脑电图（EEG）。这个实现不需要对人体做任何手术（也不会有疼痛或死亡风险）。虽然你（很遗憾）不能用它来收听你最喜欢的乐曲列表，但可以实时观看 BCI 佩戴者的情绪波动（只不过是以代码的形式）。

一个用例：用 EEG Unicorn 估测情绪

如前所述，在本教程中我们将从想法一路走到具体的实现，完成所有必要的步骤来设计一个处理具体任务的 BCI。作为示例，我们要做的 BCI 属于情绪估测领域。这个应用旨在估计参与者的情绪状态。

情绪 BCI 图解。

如图所示，这个管道的目的是将参与者的 EEG 信号作为输入，并返回相应的 V-A 情感坐标图。V-A 图是一种应用于生物心理学的情绪坐标，其中 Valence（横轴）代表愉快和不愉快（即积极和消极）的程度，而 Arousal（纵轴）代表兴奋和平静的水平。基于这种表示，任何情感状态均可表示为 VA 坐标平面上的一个点。

设计情绪识别 BCI 的关键步骤

具体而言，为设计和部署 BCI，我们必须遵循几个关键步骤。

范式定义和信号记录

首先我们要定义 BCI 的范式：我想对什么事物建模？或者想要估计哪些信息？我的应用程序的目的是什么？我是否想通过 BCI 来控制机械手/脚？我是要评估驾驶任务中驾驶员/成员的警觉性吗？是要预测疾病的发作几率？还是检测癫痫发作状态？科学界对一些可以插入 BCI 的研究项目存在巨大兴趣。

在本文的案例中，我们决定关注之前的一项研究工作，就是估计参与者观看一些视频时的情绪状态[3]。这篇论文还提出了一个可以促进特定情绪状态的视频列表（我们对此非常感兴趣！）。这些视频的列表和对应的情绪都可以在 youtube 上找到，并列在注[4]中。

因此我们设计了一个实验基准测试，包括在参与者观看宣传特定情绪的视频时记录他们的 EEG 信号。在我们的存储库中，脚本registration_pipeline.py给出了一段完成这一任务的代码，用户只需将他想要处理的视频放在专用目录中（或改变路径）即可。

概要分析

有了上述基准测试，我们就可以完成脑电波信号的记录工作了。这些信号最后将构成训练 ML 模型（甚至是 DL）所必要的数据集。

我们来做这个模型吧......等一下!在建成一个能够从 EEG 信号中估计情绪的管道之前，我们必须提取信息来帮助模型处理数据。如果你有大量信号和/或可用的计算资源，跳过这一步也是可以的。但为了保持简洁，我们考虑采用更自然简单的模型来简化复杂性。一种可能的提取信息的方法是基于脑电图信号的频率特性，也就是说“这个脑电图片段是在高频率还是低频率范围内振荡？”。过去，科学家们发现，一些脑电图信号是由几个频段组成的，每个频段在特定的任务或行为中都会增强/减弱[4]。

• δ为深度睡眠，[0-4Hz]。

• θ表示昏昏欲睡，[4-7Hz]。

• α代表放松和闭目思考，[8-15Hz]。

• β代表积极思考和与专注相关的状态[16-31Hz]。

• γ代表感受到更多压力的状态[32-50Hz]。特征提取的图示。

按照这个过程，我们从每个 EEG 片段中提取了一个信息向量。这个过程的目的是提取信息，以便更好地处理生物医学信号。这个步骤可以使用脚本outline_analysis.py的第一部分来处理。

最后（如果你还跟得上的话），你应该知道剩下的步骤是创建一个模型，用它从上面预计算的特征向量中估计情绪状态（是快乐还是悲伤？）。这里为了让我们的方法简单易懂，我们考虑一个由决策树组成的简单模型。这种简单方法背后的想法是寻找动态阈值来区分信息向量，例如第 i 个电极的高α贡献对应于低 arousal，第 j 个电极的中等γ贡献对应于高 valence，等等。

给出特征向量 X 和它的标签 y，就可以创建一个名为 clf 的分类器（对应于决策树）。该分类器可以通过以下几行代码轻松训练。

from sklearn import treeclf = tree.DecisionTreeClassifier() # definition of the modelclf.fit(X, y) # training of the model...

在 outline_analysis.py 的第二部分给出了一个更完整的解释，包括整个模型描述和训练。训练完这个简单的决策树后，可以用 joblib 库来保存它。

...from joblib import dumpdump(clf, 'classifier_file_name')

实时实现

在训练和保存模型之后，剩下的步骤是将各个部分合并在一起。

两个联合脚本必须并行工作：第一个脚本旨在记录、处理和估计来自 EEG 的情绪状态pylsl_emotion.py；第二个脚本会在图形上显示相应的情绪和对应的笑脸，如play_emotion.py所述。

尝试一下

最后提一句：自己尝试一下吧！上述代码和自述文件都放到了Github上。你可以自己尝试，或者为不同的模型或 EEG 耳机改编代码。

以上就是全部内容了，感谢大家阅读！我并没有说我的代码是完美的，但如果你有意见、问题或想了解更多内容，请不要犹豫，立刻与我联系吧！😊

参考文献

[1] Rolfe Winkler：埃隆·马斯克创办了，旨在将人脑与计算机连接起来。华尔街日报，2017（链接）

[2] Unicorn Hybrid Black——脑机接口（链接）

[3] Katsigiannis, S 和 Ramzan, N：通过无线低成本货架设备收集到的 EEG 与 ECG 信号情感识别数据库。IEEE 生物医学和健康信息学（2017——链接）。

[4] Gabert-Quillen, Crystal A：情感视频片段打分。行为研究方法（2015——链接）。

[5] William O Tatum：Ellen R.Grass Lecture: extraordinary EEG。2014（链接）。

原文链接：https://towardsdatascience.com/hands-on-guide-to-design-brain-computer-interface-b99bcc198428