腦機介面 (Brain-Computer Interface) 專題 (上)

(圖片來源：The Economist, 2011 [http://goo.gl/LMwyPX])

還記得 <駭客任務> 救世主 Neo 連上電腦主機後，便可進入母體，與其他程式互動甚至和病毒打鬥？還記得 <阿凡達> 原本雙腳殘廢的男主角躺進機器裡，便可控制阿凡達，進入他們的世界？甚至遠在二十年前，日本動畫 <攻殼機動隊> 所建構西元 2030 年的世界，意識或靈魂可以操控各種機器的軀殼……

(圖片來源：<駭客任務> [http://goo.gl/aSxtGJ]; <阿凡達> [http://goo.gl/jsMY9C]; <攻殼機動隊> [http://goo.gl/pi9xqG])

科幻小說與電影描繪的世界，一直是科學家追求的夢想。而這個新興領域，統稱為腦機介面 (Brain-computer interface, BCI，亦稱brain-machine interface, BMI)。Investigator 七月份很高興邀請到 UC San Diego Bioengineering 博士班學生-徐聖修學長為我們介紹腦機介面這個研究領域與最新趨勢！

腦機介面的三個要素
腦機介面，顧名思義，就是提供大腦和機器 (如電腦) 之間溝通的介面。現任職於紐約州衛生局的 Jonathan Wolpaw 醫生，在 2002 年 Clinical Neurophysiology 發表的 BCI 回顧論文，定義腦機介面為：一個不需經由周邊神經和肌肉就能讓大腦與外界溝通的系統¹。
如何偵測腦部活動？如何從腦波中判讀人的意念？如何用意念來控制機器或電腦？這三個問題是腦機介面領域的核心。因此 Wolpaw 等人提出腦機介面系統，由以下三個元素構成：量測腦波訊號 (Signal Acquisition)、提取訊號特徵 (Feature Extraction)、轉換成機器指令 (Translation Algorithm)。如圖一系統區塊圖所示。

圖一、腦機介面系統區塊圖(圖片來源²)

文章開始前，讀者不妨先看一段由法國 BCI 團隊 OpenViBE 提供的介紹影片[http://goo.gl/TkYU6H]，對於整個腦機介面的架構和運作先有初步的概念。

這篇文章裡，將從腦機介面的發展歷史出發 (I)；重頭戲在介紹BCI系統的三個核心步驟：量測腦波訊號 (II)、提取訊號特徵 (III)、轉換成機器指令 (IV) 的原理和方法；而後會舉幾個腦機介面常見的應用 (V)；文末會總結並簡述此領域的挑戰 (VI)。

I. 長期累積、快速崛起──腦機介面的發展歷史
人的大腦仍是科學上未解之謎。最早期的腦科學，只能從解剖腦傷病人來研究。自從 1924 年德國醫生 Hans Berger 首次從人的頭皮上記錄到人腦發出的微弱電磁波 (Electroencephalography, EEG)，並發現腦波出現的振盪訊號與腦部疾病相關，開啟了探究大腦奧秘的新途徑。1970 年代，不少科學家開始嘗試用腦波訊號作為與機器溝通的管道。其中最成功的要屬當時 UCLA BCI 實驗室主持人 Jacques Vidal 的團隊，做出利用視覺刺激反應 (第III章會介紹)，控制游標走迷宮的腦機介面³。並於 1973 年發表的論文⁴中出現腦機介面 (brain-computer interface) 一詞。
腦機介面另一個主軸是採用侵入式電極得到的訊號 (Intracortical recordings)。神經科學家很早就開始以侵入式電極研究神經細胞的電化學行為，但一直到 1990 年代，Utah 大學的 Richard Normann 教授開發了多電極的 Utah array，並展示從近一百個電極訊號有辦法作為腦機介面控制簡單任務⁵。另一方面 Miguel Nicolelis 和 John Chapin 也發展了多電極量測及訊號處理技術，此種侵入式電極訊號的腦機介面才開始快速發展 (不過以老鼠、猴子為主)，並於 2000 年成功利用猴子腦訊號控制遠端的機器手臂執行相同動作⁶。現任 Duke 大學巴西籍的 Nicolelis 教授寫了一本 Beyond Boundaries (中譯本名為 <念力>) 的科普書⁷，回憶當初的研究過程並詳細介紹此類腦機介面的發展與未來，值得一讀。

圖片來源：[http://goo.gl/Up5S9N]

21 世紀開始，腦機介面以極快的速度發展，不只每年論文量以指數成長，世界知名的 BCI 團隊不下 20 個，許多公司也相繼推出大眾化商品。趁這股熱潮，就讓我們來認識什麼是腦機介面。

II. 神經元的怒吼──腦波訊號的原理與量測
大腦是由數十億個神經細胞 (又稱神經元) 組成，每個神經元平均又有數百至千個連結至其他神經元。這些細胞透過放電的方式傳遞訊號 (動作電位，Action potential)，並釋放神經傳導物質刺激下一個神經細胞，繼續傳遞這個訊息。這複雜的神經網路使我們能夠走路、記憶、思考。
而我們所謂的腦電訊號，源於大腦每個神經元的電活動。依據電極的侵入程度和測得訊號的範圍，由內至外部、小至大範圍，大致可分為Intracortical recordings、Electrocorticography (ECoG)、Electroencephalography (EEG) 三種。
1. Intracortical Recordings
如果打開頭骨、穿過腦膜、把電極插入腦中，便可以量測到一個至附近數個神經細胞此起彼落的怒吼 (神經脈衝，Spikes)。若將訊號接到麥克風，即可聽到啪啪啪一個個清晰的神經元放電聲音 (請聽本影片背後像雜訊的聲音 [http://goo.gl/qaGcE5])，亦稱為脈衝序列 (spike train)。

此方法常被神經科學家拿來研究特定腦功能 (如某種視覺刺激反應) 的小神經網路，因為普遍認為脈衝序列含有所有腦活動的資訊，是最直接量測腦部活動的方法 (相較於 ECoG 及 EEG)，取得訊號的品質也高。但挑戰有二：第一，侵入式的電極可能會造成腦損傷，所以目前研究皆以昆蟲、老鼠、猴子為主。第二，電極使用不持久，身體對外來物會產生免疫反應或包覆電極。
2, 3. Electrocorticography (ECoG) and Electroencephalography (EEG)
ECoG 和 EEG 的訊號就是我們俗稱的腦波 (更常指後者)，兩者的訊號產生原理幾乎相同。神經元活化產生的動作電位，透過軸突 (Axon) 傳遞到突觸 (Synapse，神經細胞連結處) 之後，釋放的神經傳導物質會引發接棒的神經元產生突觸後電位 (post-synaptic potentials, PSPs)，進一步刺激或抑制該神經元產生動作電位。如圖二所示，突觸 (Axons 末端) 的 PSPs 使神經元產生不均的電荷分布，導至電荷流動，像是一個電流源 (current source)。當一群神經細胞同步活化，這些小電流源會加總產生夠大的電流訊號，形成相應電磁場，從腦細胞間質、腦膜、腦組織液 (CSF)、頭蓋骨，一層層穿透至頭皮，成為我們量測到的腦波訊號。
雖然腦波也是來自於神經元的電活動，但一般對腦波的成因存在三個誤解：第一，腦波訊號不是來自神經元的動作電位 (Action potential)，而是來自突觸後神經元電位 (post-synaptic potentials, PSPs)；第二，腦波主要反應出神經元的同步活化，而不是個別神經元活動；第三，腦波被認為只能量測到大腦皮層 (cortex) 的訊號，無法得知皮質下 (subcortical) 腦區的活動。

圖二、ECoG 和EEG訊號產生原理示意圖(圖片修改自⁸)

ECoG 與 EEG 的差異在於，ECoG 量測會將患者頭蓋骨打開把電極平放在大腦皮層 (Cortex) 上與硬腦膜下 (Subdural) 的半侵入式方法，EEG 則是在頭皮上量測腦波的非侵入式方法。ECoG 好處是減少腦膜、腦組織液、頭蓋骨等介質干擾訊號。EEG 的優勢則是不需手術，便利性和成本都較低。
ECoG 和 EEG 雖然空間準確度不高，但電極可涵蓋整個腦，範圍比 Intracortical recordings (數釐米) 大得多。因此像 ECoG 最常被應用在臨床上協助癲癇 (Epilepsy) 病患定位不規則活動的腦區以利開刀切除。EEG 則被發現與許多認知功能(如專注程度、情緒等)與神經疾病(如自閉症、精神分裂症等)相關。

圖三、Intracortical recordings, ECoG, and EEG示意圖⁹

總結來說，假想大腦活動是一場棒球比賽，觀眾和球員是神經細胞。Intracortical recordings 就是你周圍的人的聊天內容；ECoG 是棒球場內兩隊觀眾的怒吼；EEG 則是場外混雜著汽機車噪音的聲音。更詳細的原理請參考一篇 2012 年 Nature Reviews Neuroscience 期刊上的文章¹⁰。

圖四、各種腦波量測電極與儀器。(a) Intracortical recordings: Utah Array (圖片來源：[http://goo.gl/Enj2PR]) (b) ECoG (圖片來源：[http://goo.gl/tTksxV]) (c)有線EEG: 128-ch Biosemi (圖片來源：[http://goo.gl/oOLX9S]) (d)無線EEG: 64-ch Cognionics (圖片來源：[http://goo.gl/UFKehg])

III. 解譯人腦──腦波訊號的特徵 (Feature Extraction)
取得脈衝序列或腦波訊號之後，接下來很顯然的問題是：「它告訴了我們什麼？」如何從複雜大量的訊號裡提取有用的資訊，進而判讀人的意念，這是腦機介面領域最有挑戰性且最熱門的議題。因篇幅有限，本章只介紹腦波 (EEG, ECoG) 的特徵與分析方法。與 intracortical recordings 相關的方法請參考⁷。
量測到的腦波是數量龐大的神經元電訊號與各種雜訊的雜合結果，還無法精確地解碼其中的資訊，也還不存在完整的理論解釋腦波訊號及神經網路、腦功能的關係。所以目前腦波分析的方法，仍以數據導向 (Data-driven) 為主。神經科學家、訊號處理專家、統計學家，嘗試各種分析方法，尋找大腦在執行不同任務或處於不同狀態下的腦波特徵。雖然沒辦法解析腦波中全部的資訊，但只要發現一些特徵讓我們能判讀使用者的大腦狀態或意圖，就能允許使用者透過腦機介面與外界簡易的溝通。以下介紹腦機介面常用的腦波特徵¹。依照腦波特徵產生的方式，可分為內生性 (endogenous) 和外生性 (exogenous) 兩類。
1. 內生性腦波：自發性產生的腦波特徵
(1) 時域特徵 (Time-domain)：直接從原始訊號上直接辨識出的特徵，通常訊號很強且具有特殊波型。例如進入睡眠狀態時出現的 sleep spindle 及 K-complex (圖六(a))；或是癲癇 (seizure) 發作時極強且混亂的腦波訊號。附帶一提，因不需任何訊號處理，目前這仍是臨床醫學診斷上最常用的方法。
(2) 頻域特徵 (Frequency-domain)：將訊號轉換至頻域 (frequency domain)，是最基本也最廣泛使用的訊號分析方法。科學家很早就發現不同頻帶 (frequency band) 的腦波透露了大腦不同的狀態 (圖五)。從亢奮的 β 波，清醒閉眼的 α 波，到淺眠的 θ 和深眠的 δ 波，一般來說腦共振頻率越低代表越處於放鬆休息狀態。

圖五、EEG常見頻帶 (frequency bands) 及代表性的腦狀態¹¹

(3) 事件誘發電位 (Event-related potential, ERP)：人受到某些事件刺激後，腦會自發性地產生反應模式，反映了大腦處理事情的途徑與時間。例如受試者要快速判斷螢幕上出現的圖案為目標 (如紅色) 或非目標 (如綠色) 時，出現目標相較於非目標物，頂葉的電極在刺激發生後 300~500 毫秒會記錄到正向 (positivity) 電位，稱為 P300 電位 (圖六(b))。P300 被認為與人做決定的評估過程 (decision evaluation) 反應有關，可用來判讀人的選擇。請見第 V 章，腦撥拼字機和腦控選單。
(4) 動作想像訊號 (Motor imagery)：人在規劃動作 (motor planning) 時，動作腦區原本的同步振盪會消失，稱為Event-related de-synchronization(ERD)。參考圖六 (c)，想像右手運動(綠線)時，控制右側動作的左腦頂葉會出現 ERD 的負電位 ((c)左圖)。藉由偵測左右腦 ERD 特徵的強弱 (腦波特徵分布圖)，即可推知使用者想動左手還是右手，便可簡單地控制輪椅的左或右轉，或是讓機械手臂移動左或右手。

圖六、(a)睡眠狀態的腦波特徵 (圖片來源：wikipedia, http://goo.gl/KbZMsJ)。(b)事件誘發電位 P300 的特徵[1]。(c)動作想像 (motor imagery) 的左右腦 EEG 訊號及腦波特徵 ERD 的分布圖¹²。
2. 外生性腦波：由外在刺激誘發產生的腦波特徵
視覺刺激誘發電位 (Visual evoked-potential, VEP)：若人眼受到固定頻率的刺激 (盯著閃爍的螢幕)，人腦枕葉視覺皮質區產生的誘發電位也會有該頻率的訊號。因為VEP訊號強且穩定，是腦機介面中被廣泛使用的特徵 (請見第 V 章，腦波電話)。聽覺、觸覺也被發現有相同現象。
經過上述的介紹，相信讀者對於如何偵測腦波，以及腦波的分類及特徵有了更深的認識。但是如何分析複雜的腦波訊號，並且從中萃取出這些訊號背後的資訊，再將它轉化成為機器指令呢？下一集，腦機介面的進一步應用大解密，請大家持續關注 7/12 日 Investigator 的精彩連載!

參考資料

J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, and T. M. Vaughan, “Brain – computer interfaces for communication and control,” Clin. Nerophysiology, vol. 113, pp. 767–791, 2002.
B. Allison, “Trends in BCI research,” XRDS Crossroads, ACM Mag. Students, vol. 18, no. 1, p. 18, Sep. 2011.
J. J. Vidal, “Real-time detection of brain events in EEG,” Proc. IEEE, vol. 65, no. 5, pp. 633–641, May 1977.
J. J. Vidal, “Toward direct brain-computer communication.,” Annu. Rev. Biophys. Bioeng., vol. 2, pp. 157–80, Jan. 1973.
E. M. Maynard, C. T. Nordhausen, and R. A. Normann, “The Utah Intracortical Electrode Array: A recording structure for potential brain-computer interfaces,” Electroencephalogr. Clin. Neurophysiol., vol. 102, no. 3, pp. 228–239, Mar. 1997.
J. Wessberg, C. R. Stambaugh, J. D. Kralik, P. D. Beck, M. Laubach, J. K. Chapin, J. Kim, S. J. Biggs, M. A. Srinivasan, and M. A. Nicolelis, “Real-time prediction of hand trajectory by ensembles of cortical neurons in primates.,” Nature, vol. 408, no. 6810, pp. 361–5, Nov. 2000.
M. Nicolelis, “Beyond Boundaries: The New Neuroscience of Connecting Brains with Machines—and How It Will Change Our Lives,” 2012.
E. Kandel, J. Schwartz, and T. Jessell, Principles of neural science. 2000.
N. Thakor, “Building Brain Machine Interfaces – Neuroprosthetic Control with Electrocorticographic Signals,” IEEE Life Sciences, 2012.
G. Buzsáki, C. A. Anastassiou, and C. Koch, “The origin of extracellular fields and currents–EEG, ECoG, LFP and spikes.,” Nat. Rev. Neurosci., vol. 13, no. 6, pp. 407–20, Jun. 2012.
T. Budzynski, H. Budzynski, J. Evans, and A. Abarbanel, Introduction to quantitative EEG and neurofeedback: Advanced theory and applications. 2009.
B. Blankertz, R. Tomioka, S. Lemm, M. Kawanabe, and K. Muller, “Optimizing Spatial filters for Robust EEG Single-Trial Analysis,” IEEE Signal Process. Mag., vol. 25, no. 1, pp. 41–56, 2008.

作者簡介
徐聖修 Sheng-Hsiou (Shawn) Hsu
Email: shh078@ucsd.edu
台大電機系畢，現於美國加州大學聖地牙哥分校 (UCSD) 就讀生物工程系 (Bioengineering) 博士班。喜愛以工程技術，一探大腦的奧秘。目前正在Swartz Center for Computational Neuroscience (SCCN) 研究腦波 (EEG) 的分析方法以及開發腦機介面 (Brain-computer interface) 的應用。
撰稿｜徐聖修
編輯｜陳致曄、黃翊柔
學術部負責人｜黃翊柔

腦機介面 (Brain-Computer Interface) 專題 (下)