混合模态脑-机接口系统的个体差异及其脑网络机制研究

The hybrid Brain Computer Interface (hBCI) has been discussed by many researchers in recent years, for the higher information transmission rate and control dimension compared with the single model Brain Computer Interface. It is common to see that the Steady-State Visual Evoked Potential (SSVEP), Motor Imagination (MI) and P300 are widely used in hBCI. Our recent study shows that the brain networks of the three signals have a significant difference. The intensity of SSVEP is inversely related to the resting brain network efficiency, while MI and P300 are positively correlated, and there are very strong individual differences in the three signals. .In this project, the brain network mechanism of the three signals will be studied in depth in a same group of subjects. The relationship，on the form of expression，between the signals and brain network can be explored in the same batch of subjects as well. The brain network mechanism of the individual difference and the performance prediction model based on brain network characteristics will also be studied. Finally, the theoretical basis for the design of hybrid BCI system will be provided.

单一模态脑机接口往往存在信息传输率低和控制维度低的问题，为此，混合模态脑机接口在近年得到了较好的发展，其中稳态视觉诱发电位（SSVEP）、运动想象（MI）和P300是混合模态脑机接口中常用的信号。我们新近的研究显示，这三种信号的脑网络机制有很大的差别，其中SSVEP的强度与静息脑网络效率呈反相关，而MI和P300则为正相关，而且这三种模态信号均有很强的个体差异。在本项目中，我们将在同一组被试上，对上述三种信号的脑网络机制进行深入的研究，探讨不同模态信号与脑网络的关系在同一批被试上的表现形式，探索混合模态脑机接口个体差异的脑网络机制，并建立基于网络特征的混合模态脑机接口性能预测模型，为个性化的混合模态脑-机接口系统设计提供理论依据。

脑机接口（BCI）已成为当今脑科学与神经科学研究中的前沿和热点问题之一。单一模态的BCI存在控制维度低、信息传输率受限、个体差异大等问题，因此，研究不同模态BCI信号的脑机制，发展最优组合的混合模态脑机接口有望弥补这些不足。本项目针对当前BCI常用的脑信号，即稳态视觉诱发电位（SSVEP）、运动想象（MI）和P300，从脑机制、解码算法、多模态BCI系统、脑信号增强技术、理论和应用等方面开展研究。提出一系列脑网络构建方法，并应用于MI、P300等脑信号中，研究了BCI脑信号在时间上和网络空间的组织模式，阐释了单一模态脑机接口个体差异的神经基础；另外，发展了多种BCI脑信号特征提取方法和多模态脑机接口在线算法，挖掘脑电头表网络空间和源空间的有效BCI特征，为脑机接口有效特征挖掘提供了方法支持，并进一步通过结合深度学习方法，建立BCI自适应校准框架，提高了脑机接口的性能和被试的训练效率；同时，融合多模态脑电和磁共振信息进行BCI脑机制研究，阐明了不同模态的BCI脑信号共同的生理基础，并以此为基础发展了基于经颅电刺激的BCI脑信号增强技术，并应用于MI脑机接口中，显著提高了BCI的性能；此外，在BCI理论和应用方面，项目团队开展了基于BCI的运动康复训练和注意力增强研究，并在此基础上提出了“脑器交互”新的理论框架，拓展了脑机接口相关的范式和内涵。