过去二十年，脑机接口研究因硬件升级与大规模数据集出现实现跨越式发展，脑电图（EEG）、皮层脑电图（ECoG）及单神经元记录成为三类核心技术路径，而EEG凭借低成本与易用性，在脑机接口系统中占据主导地位。基于脑电图的脑机接口（BCI）（EEG-Based BCIs，下文简称“EEG脑机接口”）作为连接人脑与外部电子设备的关键技术，在物联网（IoT）场景中具有重要价值，不仅能通过解读脑信号控制智能家居、实现医疗健康监测，还能助力识别脑思维、分析神经疾病，为残疾人提供无障碍交互方案，同时机器学习（尤其是深度学习）的快速发展，推动了可穿戴脑机接口设备与混合脑机接口研究的突破，显著提升了系统准确率。
物联网环境中的EEG脑机接口 @IEEE
脑机接口系统
脑机接口系统由硬件与软件协同构成，硬件负责脑信号的采集、放大、传输与设备控制，软件则承担信号预处理、特征提取、分类解码、反馈机制及用户交互功能，其跨工程与神经科学的跨学科属性，决定了只有软硬件结合才能实现识别脑状态、与人机交互甚至数字环境互动的核心目标。
根据交互方式与侵入性，脑机接口可分为被动与主动、侵入式与非侵入式两类：被动脑机接口仅监测情绪、注意力等脑状态而不控制设备，主动脑机接口允许用户通过脑信号控制假肢、轮椅等；侵入式脑机接口需手术植入设备，虽信噪比高但存在术后并发症风险，非侵入式脑机接口则以EEG、功能性近红外光谱（fNIRS）等为主，其中EEG因无创、安全可重复、实时监测等优势，成为脑机接口中最广泛应用的技术——即便其数据集获取成本高、耗时长，但单一公开数据集即可支撑多项研究，科研价值显著。
脑机接口类型分类 @IEEE
EEG脑机接口如何解码人类意图？
EEG在脑机接口中的核心作用在于解码神经生理信号以解读人类意图，其关键信号类型包括运动想象（MI）、言语识别（SR）、事件相关电位（ERP）及稳态诱发电位（SSEP）。
1 运动想象（MI）是无需实际动作的身体运动想象过程，可改变初级感觉运动区的神经模式，受EEG的alpha与beta频段影响，且遵循10-20电极系统布局——右手想象对应C3脑区、左手对应C4、足部对应Cz，为脑机接口控制肢体运动提供依据；
2 言语识别（SR）通过捕捉想象说话时的脑信号（激活左颞叶、额下回等语言区），结合深度学习将生理信号转化为自然语言；
Chisco：一个基于脑电图的脑机接口想象言语解码数据集 @nature
3 事件相关电位（ERP）作为无创神经生理技术，通过重复刺激与信号平均提取与事件相关的稳定脑成分，如N170（人脸识别）、MMN（听觉偏差检测）、ERN（错误监测）、P3（注意力分配），具备毫秒级时间分辨率，可揭示感知、记忆等认知过程；
4 稳态诱发电位（SSEP）则由稳定频率刺激诱发，分为视觉（SSVEP，通过固定频率闪烁刺激产生同步脑电振荡，用于高传输率脑机接口拼写器）、听觉（SSAEP，由重复声刺激引发）与体感（SSSEP，通过17-35Hz触觉刺激产生，无需视觉依赖，适合视觉障碍者）三类，其中SSSEP结合线性判别分析（LDA）可实现脑机接口的二元分类控制。
EEG脑机接口的有哪些关键技术？
1 信号采集设备。常见设备如EMOTIV系列（通道数2-32，支持蓝牙与USB传输）、NE Enobio Dx（8-32通道，支持Wi-Fi）、NeuroScan Grael（32-256通道），选择设备时需考虑通道数（多通道虽能获取更多数据但非必需）、采样率（遵循奈奎斯特定理，128Hz可满足基本需求，高采样率能提供更详细数据）及放大器（EEG设备中最昂贵部件，直接影响数据质量）。
EEG信号采集设备 @IEEE
2 数据预处理是保障后续分析准确性的关键步骤，需去除眨眼、眼动、肌肉活动等生理伪迹与噪声，传统方法包括滤波、独立成分分析（ICA），先进技术如变分自编码器（VAE）用于降噪，小波变换（捕捉时间-频率特征）、傅里叶变换（转换至频率域分析功率分布）用于信号变换，降维则采用线性判别分析（LDA）、主成分分析（PCA）。
EEG预处理：滤波、去除伪迹 @IEEE
空间特征提取以共空间模式（CSP）为核心，其改进版本如集成正则化共空间频谱模式（Ensemble RCSSP）、滤波器组共空间模式（FBCSP）及AutoEncoder-FBCSP，能有效提升泛化能力与鲁棒性，此外PREP流水线可标准化处理线噪声、重构参考信号并插值坏通道，进一步优化数据质量。
3 特征提取因EEG的复杂性与非平稳性成为必要环节，传统提取对象包括频带功率、时域特征，近年研究拓展至脑网络连接特征、高阶统计特征，部分方法还结合多种特征（如基于窗口KL散度与离散小波分析的方法），特征选择采用过滤法、包装法及排序算法，分类阶段则融合深度学习与黎曼几何以提升准确率，同时通过全局冗余最小化等方法解决训练与测试数据分布不一致的问题。
特征提取：原始信号和频谱表示 @IEEE
不同特征提取方法在脑机接口 IV数据集上的表现差异显著，例如在脑机接口 IV 2b数据集上，CWT-CNN模型的平均准确率达84.1%，远超传统CSP方法的52.0%，凸显了深度学习结合时间-频率变换的优势。
4 分类方法涵盖传统机器学习与深度学习。传统方法中，支持向量机（SVM）适合小样本任务，需通过粒子群优化（PSO）选择核函数与参数；K近邻（KNN）为非参数方法，适用于小特征空间。
深度学习方法中，卷积神经网络（CNN）通过卷积层、池化层提取时空特征，结合批归一化与残差块缓解模型退化，MIN2Net、FBMSNet、MixNet等改进模型在低通道EEG上表现优异，有效解决过拟合与跨受试者泛化问题；循环神经网络（RNN）及长短期记忆网络（LSTM）擅长处理序列数据，ChronoNet等模型可用于癫痫诊断；自编码器（AE）通过无监督学习提取特征，AE-CDNN结合CNN进一步优化EEG特征学习；此外，Transformer与CNN结合的EEG Conformer、图神经网络（GNN）等也展现出强大性能。
机器学习和深度学习的具体过程 @IEEE
值得注意的是，受试者依赖训练（同一个体数据训练测试）准确率高但实用价值有限，受试者独立训练（跨个体数据）虽难度大，但更符合实际部署需求，是脑机接口实用化的关键方向。
EEG脑机接口的常用公共数据集
公共数据集为EEG-BCI研究提供了标准化基准，确保算法性能的可比性与研究的可重复性。脑机接口竞赛数据集（III与IV）涵盖MI、P300拼写等任务，吸引全球研究者参与算法优化；OpenBCI数据集包含基于其硬件生成的原始与处理数据，覆盖多种脑机接口任务；GIGA DB作为生物大数据平台，存储如双频SSVEP等大规模数据集。
此外，Chisco数据集提供超过20000句想象语音的高密度EEG记录，阿尔茨海默病与额颞叶痴呆数据集则包含36例阿尔茨海默病、23例额颞叶痴呆患者及29例健康人的EEG数据与认知评分，这些由权威机构标注的数据集不仅降低了研究成本，还促进了学术界与产业界的合作创新。
EEG脑机接口的应用场景
EEG脑机接口的应用已渗透至人机交互（HCI）与神经疾病诊断两大领域。在人机交互中，语音识别通过多模态融合（EEG与音频信号）提升自动语音识别（ASR）系统性能，为失语者提供通信方案；情绪识别借助尖峰神经网络（SNN）构建的EESCN模型，实现高效低耗的EEG情绪解码。
人机交互和神经疾病诊断应用 @IEEE
康复领域中，运动想象脑机接口（MI-BCI）助力脑卒中患者通过假肢控制与康复训练恢复运动功能，研究发现脑卒中患者在运动想象任务中脑运动区存在重组，为神经可塑性提供证据，同时脑机接口还能帮助脊髓损伤患者恢复运动能力、为肌萎缩侧索硬化症（ALS）患者提供EEG拼写通信系统；娱乐场景中，EEG可评估游戏玩家技能水平并分析神经响应。
在神经疾病诊断中，EEG结合MRI等影像技术，用于癫痫（13层深度CNN可检测正常、发作前及发作期脑电）、阿尔茨海默病（频谱分析显示患者EEG频率更慢、活动复杂性降低、皮层连贯性下降）、注意力缺陷多动障碍（ADHD）（Cogoland游戏系统实现个性化注意力训练）、脑瘫、精神分裂症等疾病的诊断与干预，此外可穿戴EEG结合IoT实现远程实时监测，但需开发轻量级、低延迟算法以适应资源受限的边缘设备。
EEG脑机接口面临的挑战
理想人机交互需解决非平稳噪声信号的实时处理问题，预处理效率直接影响系统响应，而IoT设备的资源限制对算法轻量化提出要求，例如ICA在单通道EEG中效果有限，混合去噪方法虽提升准确率但计算成本高；特征提取中CSP对噪声敏感，需通过正则化改进，且不同EEG模态的特征方法选择仍需优化；深度学习需平衡准确率与计算效率，尤其在可穿戴设备上的部署难度较大。
理想神经疾病诊断则受个体差异、疾病阶段影响，EEG模式复杂多变，实时自动化分析需求迫切，多模态数据融合虽能提升准确率，但数据共享、隐私保护与设备标准化仍是难题。
未来方向需依赖神经科学、工程、计算机、临床医学的跨学科合作，推动多模态数据融合（EEG与fMRI、PET、眼动信号等）、个性化信号处理，同时加强IoT整合，开发如MixNet、AlphaGrad等轻量级算法，实现可穿戴脑机接口的日常应用，此外还需构建标准化数据集、研发可解释AI模型，促进脑机接口技术从实验室走向临床与生活。
综上，该研究全面覆盖了基于脑电图的脑机接口的核心内容，从基础原理到技术细节，从数据集到应用场景，清晰呈现了领域现状，同时通过分析挑战与未来方向，为后续研究提供了明确指引。随着技术持续进步，EEG脑机接口有望在高精度、高效率方向进一步突破，为实现理想人机交互与精准神经疾病诊断奠定坚实基础。
参考论文信息
研究论文：EEG-Based Brain-Computer Interface: Fundamentals, Methods, Applications, and Challenges
发表日期：2025/10/23
期刊：IEEE Internet of Things Journal
研究团队：来自浙江师范大学、浙江光电研究所、中南大学、纽约州立大学等
DOI：https://doi.org/10.1109/JIOT.2025.3625060
脑机接口行业跟踪：
