耳-腦電圖簡介
腦-機接口(BCI)系統采用多種神經成像方法，其中腦電圖(EEG)由于其高時間分辨率和便攜性而成為最常用的腦-機接口系統。近年來，耳朵周圍或耳朵內部的腦電圖(ear-EEG)開始被用于開發實用的腦機接口系統。
到目前為止，基于耳-腦電圖的腦機接口的可行性已經在性能、設置時間和長期使用等方面得到了很多研究的證實。
圖1 scalp-EEG和ear-EEG的電極位置
以往的腦機接口大多采用外部刺激誘發的腦電圖，如穩態誘發電位(SSEP)和事件相關電位(ERP)。一些基于耳-腦電的腦機接口研究在認知心理任務中使用了自我調節腦電，如運動想象(MI)和心算(mental arithmetic, MA)。
在我們最近的研究中，我們驗證了使用耳-腦電圖開發內源性BCI系統的可行性，我們將 MA 與靜息狀態區分開來，其性能與頭皮腦電圖的性能相當。我們還研究了基于耳-腦電圖的 BCI 系統的最佳重新參考方法，并確認對側平均信息作為參考信號最有用。此外，我們目前正在實施基于耳-腦電圖的實時 BCI 系統，以檢查其在在線環境中的可行性，并嘗試使用深度學習算法提高基于耳-腦電圖的 BCI 系統的性能。
在本次報告中，我將詳細介紹基于耳-腦電圖的腦機接口的最新進展以及我實驗室進行的一些相關研究。我還將討論基于耳-腦電圖的腦機接口的未來研究方向。
在我們最近的研究中，我們驗證了使用耳-腦電開發內源性BCI系統的可行性，在此研究中，我們以與頭皮-腦電相當的性能，將MA與靜息狀態區分開來。我們還研究了基于耳-腦電圖的腦機接口系統的最佳重參考方法，并證實對側平均信息作為參考信號是最有用的。此外，我們目前正在實現一個基于耳-腦電圖的實時腦機接口系統，以檢驗其在在線環境下的可行性，并嘗試使用深度學習算法提高基于耳-腦電圖的腦機接口系統的性能。
本節將介紹 一些之前在我的實驗室進行的基于耳-腦電圖的BCI研究
圖2 4個感興趣區域的分類精度
A. 基于內源性耳-腦電圖的BCI
在 [2] 中，我們研究了使用耳-腦電圖開發BCI的可行性，我們記錄了雙耳后面的耳-腦電圖，并與傳統的頭皮-腦電圖進行比較(圖1腦電圖電極位置)。在實驗中，18名受試者執行 MA 和基線任務(BL，靜息狀態)，我們評估了額、中、枕、耳四個感興趣區域(ROI)的分類準確率(圖1)。結果，耳-腦電圖的平均分類準確率為78.36%。盡管耳-腦電圖的相對表現低于頭皮腦電圖，但與頭皮腦電圖的表現相當，沒有顯著差異(圖2)。基于該結果，我們可以證明使用耳-腦電圖開發內源性腦機接口系統的可行性。
B. 不同重參考方法的影響
參考部位，如乳突、耳垂或鼻子，通常被用來測量頭皮-腦電圖，因為這些部位的電位相對于記錄位置來說相對較弱。在記錄耳-腦電圖時，由于設備結構的小型化，參考位置受到限制。利用[2]中使用的相同數據集，我們系統地研究了不同的重參考方法對基于耳-腦電圖的腦機接口性能的影響。我們測試了5種不同的重參考方法(圖3)，并證實了使用對側腦電圖平均值的對側平均參考方法相對于記錄腦電圖的整體優勢;使用對側均值方法獲得了較高的信噪比和分類性能。
C. 基于實時耳-腦電圖的BCI
在前人研究的基礎上，我們實現了一個基于耳-腦電的在線腦機接口系統。每個受試者在三天內進行了三次實驗。在實驗第1天，我們采用離線實驗的方式，分別進行了MA、BL和word association (WA)三種智力任務，并根據分類成績選擇兩種智力任務的最優組合。在實驗的第二天和第三天，分別對每個受試者選擇最優的智力任務進行在線實驗，調查已實現的在線腦機接口系統的重測可靠性。不過平均在線性能低于70%，這對于2類BCI來說是可以接受的分類準確率，因此我們目前正在使用深度學習算法進行偽在線分析，以提高分類性能。
圖4 睜眼和閉眼分類精度
D.睜眼和閉眼狀態的分類
許多研究已經證明了使用耳-腦電圖開發 BCI 的可行性，并表明它們的性能與基于頭皮腦電圖的 BCI 相當。在實驗設置和便攜性方面，使用耳-腦電圖開發 BCI 比頭皮腦電圖更方便，但耳腦電圖的性能仍然低于頭皮腦電圖，原因是耳朵周圍獲得的信息有限。因此，基于耳-腦電圖的 BCI 的未來方向將使用新的耳-腦電圖特定特征和分類算法來提高分類性能。
總結
許多研究已經證明了使用耳-腦電圖開發 BCI 的可行性，并表明它們的性能與基于頭皮腦電圖的 BCI 相當。在實驗設置和便攜性方面，使用耳-腦電圖開發 BCI 比頭皮腦電圖更方便，但耳腦電圖的性能仍然低于頭皮腦電圖，原因是耳朵周圍獲得的信息有限。因此，基于耳-腦電圖的 BCI 的未來方向將使用新的耳-腦電圖特定特征和分類算法來提高分類性能。
