神经反馈技术是一种可供选择的行为学治疗手段,是将脑电(EEG)信号转换成容易被人们理解的声音、动画等形式,受试者通过训练,选择性地增强或抑制某一频段的EEG信号,可以达到调节脑功能的目的。本文基于脑-机接口技术,从实时EEG信号中提取特征参数并产生反馈信息,针对放松训练和注意力训练设计了两个反馈界面,搭建了一套完整的神经反馈系统。通过系统仿真和初步实验,验证了本套神经反馈系统的准确性和可行性。
引用本文： 蒲贤洁, 刘铁军, 吴强, 张锐, 徐鹏, 李科, 夏阳, 尧德中. 基于脑电信号的神经反馈系统研究. 生物医学工程学杂志, 2014, 31(4): 894-898. doi: 10.7507/1001-5515.20140168 复制
引言
神经反馈(neurofeedback,NFB)是将脑电图(electroencephalogram,EEG)等神经信号转换成视、听觉信息，受试者通过训练，选择性地增强或抑制某些成分，以达到调节脑功能的目的[1]。这项技术最早是根据巴甫洛夫[2]的经典条件反射理论发展而来，心理学家斯金纳[2]对其进行了完善：经典条件作用只能用来解释基于应答性行为的学习，即刺激在前、反应在后，强化物是同刺激相结合；然而重要的刺激应当是跟随反应之后的刺激，即反应在前、刺激在后，强化物是同反应相结合。后者被称为“操作性条件作用”[2]。在操作性条件作用中，学习者在特定环境下主动而自愿地进行操作，过程包含一种有助于获得奖励，并倾向于重复的活动[2]。这种学习模式具有重要的启发意义，如果借助先进的仪器帮助人们增强对自身生理活动反应的感知，通过学习和训练，个体就能建立自主神经系统的操作性条件反射来调节这些变化，实现对生理反应的自我管理[1]。这就是神经反馈的基本原理。
将神经反馈用于临床治疗已有30多年历史。到目前为止，研究证明较为有效的是用于癫痫和注意缺陷多动障碍(attention deficit hyperactivity disorder,ADHD)治疗领域[3-4]。此外，它在临床上的应用研究已经扩展到药物成瘾、脑外伤、依恋障碍(attachment disorder)、艾斯伯格症(Asperger’s disorder)、创伤后应激障碍(post traumatic stress disorder，PTSD)、慢性疼痛以及抑郁等疾病[5]。同时，对于正常人情绪、认知的改善，甚至医生手术能力的提高均有一定效果[6-7]。可见，神经反馈不仅是治疗心身疾病[1]的一种重要手段，对于正常人也是一种非常有用的学习技巧，能够使人们更好地学会控制自己的心理生理反应，因此可以作为联结普通医学和社会、心理医学的桥梁，在医疗卫生领域发挥广泛的作用。
尽管神经反馈技术由来已久，但是国内在这方面设备的研发仍处于起步阶段。由于神经反馈与脑-机接口技术在信号采集、信号特征提取与模式分类方面完全类似[8]，而课题组近年来在脑-机接口技术领域取得了重要进展，因此，可以利用脑-机接口的相关研究成果，密切配合临床需求，在人体EEG信号采集和分析的基础上开发神经反馈训练系统。本文针对EEG信号中的自主节律成分，如感觉运动节律(sensorimotor rhythm，SMR，通常被认为是与注意、感知以及长期记忆等有关[3-4, 7])和Alpha节律(与正常人的认知功能和精神状态有关[6-7])，通过实时EEG信号处理提取其特征参数，以此产生反馈信息，对受试者进行自我调节训练，以期为临床提供具有实用性、稳定性的治疗平台。
1 神经反馈系统设计
本文搭建的神经反馈系统如图 1所示，取名为“NFB-2010”，由以下基本部分组成：EEG信号采集系统，EEG信号分析与特征提取模块，神经反馈控制模块及反馈信息(反馈界面)。其中，EEG采集硬件系统采用国内较为成熟的新拓放大器，其主要技术指标为：采样率1 000 Hz，A/D转换精度16 Bit，共模抑制比≥98 dB，噪声电平≤ 2.5 μVp-p，输入阻抗＞50 MΩ，分辨率0.5 μV。这套系统价格低廉，性能可满足神经反馈系统各方面的基本需求，数据传输采用USB接口实现与计算机的数据高速传输，更重要的是它提供了底层驱动与软件开发工具包(standard development kit，SDK)，这样就能方便地实现放大器数据的读取，从而有利于上端EEG信号的特征提取和反馈控制的实现。
图1
NFB-2010系统组成示意图
Figure1.
Structure of the neurofeedback system NFB-2010
新拓放大器将一定时长的EEG数据打包并实时上传，系统主机对不断上传的EEG数据进行有序有效的读取和存储，并在此基础上进行EEG信号的分析与特征提取，最终实现神经反馈控制和反馈界面的呈现。本系统所用计算机的基本配置情况如下：CPU：Intel Core2 2.5 GHz；内存：2.0 GB；显卡：Intel G41 Express Chipset；操作系统：Windows XP。
软件系统开发平台为Borland C++ Builder，采用C++/C实现了神经反馈系统的上层开发。
1.1 软件系统结构
我们在计算机上实现了神经反馈系统的整个软件平台，其中放大器参数设置、阻抗检测、用户信息数据库等部分为实验室原有脑-机接口在线系统[9]所具备，在此基础上修改了原有的数据采集/存储、信号处理算法部分，以满足神经反馈的具体要求，并新开辟了计算/显示/控制线程，设计了神经反馈图形界面等。软件系统框图如图 2所示，图中的箭头表示调用关系。每次训练首先创建或修改用户信息，然后对放大器的硬件滤波或者采样率等参数进行设置，通过阻抗检测后，选择反馈界面、训练时间、个人Alpha频点(individual Alpha frequency，IAF)[10]及反馈导联等训练参数，启动神经反馈训练，此时将同时开启数据采集/存储和计算/显示/控制线程，系统在CPU多线程机制下一边采集数据，一边对数据进行积累，达到时间窗长度后，就进行特征提取，并根据结果控制图形界面，实现反馈。当训练完成，结束所有线程，整个过程中的数据被记录存盘，可供离线处理和分析。
图2
NFB-2010软件系统框图
Figure2.
Block diagram of the software system of NFB-2010
1.2 EEG信号实时特征提取
本文利用课题组现有脑-机接口在线系统[9]中稳定有效的算法来实现EEG信号的实时处理。神经反馈训练特征提取的目的是对特定频段EEG节律强弱作出判断，这里需要采用频域分析的方法，对功率谱进行估计，计算出所需频段表征EEG节律强弱的功率值。频域分析方法中，经典法由于分辨率过低，在神经反馈中的应用有一定的局限性，因此本文采用参数建模法中的自回归(auto-regression,AR)模型作为特征提取算法[9]，对通带功率谱进行实时估计。
我们利用hamming窗函数滑动截取实时EEG数据，在每个短时窗内假设EEG信号是平稳的，并利用AR模型估计时间窗内EEG信号的功率谱特征用于分类。但是，要在实际系统中具体实现，需要考虑自相关函数的误差估计问题以及尤利-沃克方程直接求解的难度和巨大计算量，因此我们需要研究更快速有效的方法来实现AR谱估计[9]。Burg在一篇文章中提出一种直接由时间序列计算AR模型参数的方法，被人们称为Burg算法，用Burg递推算法实现AR谱估计，在保证算法计算量小的前提下可以大大提高功率谱估计性能，是实时功率谱估计的较好算法[9]。我们的神经反馈实时系统最终采用Burg递推算法提取EEG谱估计特征用于反馈控制，并引入一个滑动hamming窗，计算数据每0.3 s更新一次。为了对算法效果进行验证，我们采用了两种仿真：① 在MATLAB中设计、产生仿真数据[由频率分别为10 Hz和40 Hz的正弦信号叠加而成，如图 3(a)所示]，代替放大器上传数据进入软件系统，观察功率谱实时显示界面。仿真结果如图 3(b)所示，可见功率谱估计能够准确反映仿真信号的频率特征。② 利用函数信号发生器产生真实信号输入放大器，稳定信号幅度，任意改变信号频率，观察功率谱实时显示界面。仿真时发现，在系统设计的通频带范围内任意改变信号频率，功率谱的频率响应都非常实时、准确。
图3
实时功率谱及其仿真验证
(a)仿真数据在MATLAB中的功率谱图示；(b)实时功率谱界面对仿真数据的显示
Figure3. Real-time power spectra and its simulation verification(a) power spectra of simulation data displayed in MATLAB；(b) the screen displays the real-time power spectra of the simulation data
1.3 反馈控制机制
由于神经反馈训练目标不同，与之适应的脚本和剧情(即反馈界面设计)也各具特色，因此系统在特征提取并做出判断之后，需将控制命令传输至各式各样的反馈界面，使之生动形象地表现出用户此时的EEG状态。为了增强程序的可扩展性，以便在今后增加丰富多样的反馈界面模式，本文的神经反馈系统利用Windows消息机制简化程序接口设计，通过PostMessage( )函数来模拟键盘按键动作(能方便地连接其他任何使用按键控制的反馈界面程序)，实现对反馈界面的实时控制。
1.4 反馈信息选取
针对不同的情况，训练模式和方案各不相同，目前主要有Alpha、Theta、SMR、以及皮层慢电位(slow cortical potentials，SCP)等EEG频段的独立或组合使用。本文参考国外学者利用IAF对EEG频段进行划分的方法[10]，目前设计有Alpha频段(IAF±1.5 Hz)和整个EEG频段(4~28 Hz)的功率比值，SMR频段[(IAF+4)±1.5 Hz]和Theta频段[(IAF-4)±1.5 Hz]的功率比值，以此作为反馈信息，实现Alpha放松训练和SMR/Theta注意力训练。
1.5 反馈界面设计
视觉形式的反馈类似于我们日常接触的动画或游戏，但其特殊的应用场合和用途决定了在反馈界面模式的选择上，不能照搬现有动画或游戏，必须有针对性地进行设计。由于NFB-2010系统是单一计算机系统，信号的采集、处理、反馈的呈现需要在同一计算机上完成，为了在性能上取得平衡，需要优先考虑信号处理的需求，反馈界面的呈现形式不应太过复杂。此外，用户与反馈界面交互的唯一途径是EEG信号，因此脚本设计应当弱化操控性，即不需要过多外围信号的输入与控制，信号处理后给出的控制信号是一个快速变化的全或无信号，使得反馈界面的操控感受到很大限制，因此奖励反馈和惩罚反馈的画面变化不宜太剧烈[11]。考虑以上因素，本文针对放松反馈训练和注意力反馈训练设计了两个反馈界面，如图 4所示。
图4
训练反馈界面
Figure4.
Feedback screens for training
两个界面左边的小窗口为EEG功率比值的实时显示，其中白线为阈值线，窗口上方的三个文本框分别可以设置分数预定值、阈值上调尺度、反馈频段比(反馈信息)。当分数(Score)每增加到预定值时，阈值线按预定尺度自动上调，同时分数自动清零并重新开始计数。
放松反馈界面的右窗口为一个渐变的动画设计，在训练开始，整个窗口为一黑色幕布，随着训练的开展，幕布以圆形方式展开，逐渐呈现一幅优美和谐的场景(图片选自北京师范大学认知科学与学习国家重点实验室编制的中国情绪图片系统CAPS[12])。在分数预定值和阈值上调尺度一定的情况下，控制幕布展开快慢的因素就是与受试者放松程度相关的EEG状态(图中设置为Alpha的功率相对值)。
注意力训练界面的右窗口是利用Microsoft的DirectX技术实现的虚拟场景(为实验室李科老师提供)。训练中，受试者可以把自己想象成这只玩滑板的兔子，在道路上滑行时需要集中注意力，避免撞上障碍物(木桶)。而游戏控制的机制是，当与受试者注意力集中程度相关的EEG状态(图中设置为SMR/Theta的功率比值)高于阈值线时，兔子就能改变滑道，避免撞上前方的障碍物；反之，则会撞上。
2 神经反馈训练研究
系统开发完毕后，我们借鉴国内外神经反馈研究案例[6-7]，对正常受试者进行神经反馈训练。受试者为10名受过高等教育的健康学生，年龄分布为(23.56±1.6)岁，均签署了受试者知情同意书。训练采用Alpha放松训练和SMR/Theta注意力训练相结合的模式[7]，将放松训练作为注意力训练的“前导期”，以使注意力训练获得更好的效果。训练中，系统判断受试者的放松或注意程度，当EEG频段比值超过阈值时，即给予受试者奖励反馈。反馈训练具体流程如下：
(1) 受试者保持睁眼静息状态，观察原始波形3 min，这一步骤记为B1(睁眼基线前测)。
(2) 受试者保持闭眼静息状态，观察功率谱2 min，确定IAF值，这一步骤记为B2(闭眼基线前测)。
(3) Alpha训练10 min。在反馈模式设置界面输入步骤(2)所记录的IAF值。根据上一次训练成果设定初始阈值，指导受试者调整放松逐步获得奖励反馈，这一步骤记为ATr。
(4) SMR/Theta训练10~20 min。在反馈模式设置界面输入步骤(2)所记录的IAF值。根据上一次训练成果设定初始阈值。实验中受试者需持续注视反馈界面的某个焦点(如比值柱的起伏或兔子的前进)，若受试者因保持注意力集中而产生疲劳，可根据自身身体情况向研究人员提出暂停，适当休息后恢复继续训练。若受试者在训练进行了10 min后，使阈值调整到比上次训练最终阈值高20%以上，即可提前结束此步骤(最长训练时间为20 min)。这一步骤记为STr。
(5) 受试者保持闭眼静息状态，观察功率谱2 min，这一步骤记为B3(闭眼基线后测)。
(6) 受试者保持睁眼静息状态，观察原始波形3 min，这一步骤记为B4(睁眼基线后测)。
每名受试者在两周的时间内分别完成了5次训练。由于本次实验以SMR/Theta注意力训练为主，为观察受试者相应EEG节律的变化，我们计算了各个受试者每次训练每个步骤的SMR/Theta功率比值(S/T比值，时间平均)，然后将前测B1、注意力训练STr、后测B4数据段的S/T比值按时间顺序排列(如图 5所示，选择B1、B4段基线数据是因为这两个步骤与注意力训练STr段均处于睁眼状态)，并对这三个数据段分别进行统计分析(对第1次、第5次训练的S/T比值进行配对t检验)。
图5
10名受试者参与5次训练的S/T比值随训练进程的统计分布
Figure5.
Statistical distribution of S/T ratios of 10 subjects with time in the 5 training sessions
由图 5可以直观地看出每次训练后测(B4)的S/T比值均比前测(B1)高，而且整体随时间呈上升趋势，经统计学分析，第5次训练结果与第1次训练结果比较，B1段的S/T比值有上升的趋势(t=1.997，P=0.081)，STr段(t=2.533,P=0.032)和B4段(t=2.834,P=0.025)的S/T比值则明显上升。由以上结果可知，受试者经过实验所设计的SMR/Theta 注意力训练，提升了SMR/Theta功率比值，初步实现了本文搭建此EEG神经反馈系统的目标。
3 结语
本文配合临床需求，利用脑-机接口的相关研究成果，在人体EEG信号采集和分析的基础上开发了一套神经反馈训练系统。通过系统仿真和初步实验证明，受试者在经过简单的尝试后，能够通过调整自身状态对界面进行有效控制并在这个过程中获得对EEG节律的调节。这为给临床提供具有实用性、稳定性的神经反馈治疗平台奠定了基础。
引言
神经反馈(neurofeedback,NFB)是将脑电图(electroencephalogram,EEG)等神经信号转换成视、听觉信息，受试者通过训练，选择性地增强或抑制某些成分，以达到调节脑功能的目的[1]。这项技术最早是根据巴甫洛夫[2]的经典条件反射理论发展而来，心理学家斯金纳[2]对其进行了完善：经典条件作用只能用来解释基于应答性行为的学习，即刺激在前、反应在后，强化物是同刺激相结合；然而重要的刺激应当是跟随反应之后的刺激，即反应在前、刺激在后，强化物是同反应相结合。后者被称为“操作性条件作用”[2]。在操作性条件作用中，学习者在特定环境下主动而自愿地进行操作，过程包含一种有助于获得奖励，并倾向于重复的活动[2]。这种学习模式具有重要的启发意义，如果借助先进的仪器帮助人们增强对自身生理活动反应的感知，通过学习和训练，个体就能建立自主神经系统的操作性条件反射来调节这些变化，实现对生理反应的自我管理[1]。这就是神经反馈的基本原理。
将神经反馈用于临床治疗已有30多年历史。到目前为止，研究证明较为有效的是用于癫痫和注意缺陷多动障碍(attention deficit hyperactivity disorder,ADHD)治疗领域[3-4]。此外，它在临床上的应用研究已经扩展到药物成瘾、脑外伤、依恋障碍(attachment disorder)、艾斯伯格症(Asperger’s disorder)、创伤后应激障碍(post traumatic stress disorder，PTSD)、慢性疼痛以及抑郁等疾病[5]。同时，对于正常人情绪、认知的改善，甚至医生手术能力的提高均有一定效果[6-7]。可见，神经反馈不仅是治疗心身疾病[1]的一种重要手段，对于正常人也是一种非常有用的学习技巧，能够使人们更好地学会控制自己的心理生理反应，因此可以作为联结普通医学和社会、心理医学的桥梁，在医疗卫生领域发挥广泛的作用。
尽管神经反馈技术由来已久，但是国内在这方面设备的研发仍处于起步阶段。由于神经反馈与脑-机接口技术在信号采集、信号特征提取与模式分类方面完全类似[8]，而课题组近年来在脑-机接口技术领域取得了重要进展，因此，可以利用脑-机接口的相关研究成果，密切配合临床需求，在人体EEG信号采集和分析的基础上开发神经反馈训练系统。本文针对EEG信号中的自主节律成分，如感觉运动节律(sensorimotor rhythm，SMR，通常被认为是与注意、感知以及长期记忆等有关[3-4, 7])和Alpha节律(与正常人的认知功能和精神状态有关[6-7])，通过实时EEG信号处理提取其特征参数，以此产生反馈信息，对受试者进行自我调节训练，以期为临床提供具有实用性、稳定性的治疗平台。
1 神经反馈系统设计
本文搭建的神经反馈系统如图 1所示，取名为“NFB-2010”，由以下基本部分组成：EEG信号采集系统，EEG信号分析与特征提取模块，神经反馈控制模块及反馈信息(反馈界面)。其中，EEG采集硬件系统采用国内较为成熟的新拓放大器，其主要技术指标为：采样率1 000 Hz，A/D转换精度16 Bit，共模抑制比≥98 dB，噪声电平≤ 2.5 μVp-p，输入阻抗＞50 MΩ，分辨率0.5 μV。这套系统价格低廉，性能可满足神经反馈系统各方面的基本需求，数据传输采用USB接口实现与计算机的数据高速传输，更重要的是它提供了底层驱动与软件开发工具包(standard development kit，SDK)，这样就能方便地实现放大器数据的读取，从而有利于上端EEG信号的特征提取和反馈控制的实现。
图1
NFB-2010系统组成示意图
Figure1.
Structure of the neurofeedback system NFB-2010
新拓放大器将一定时长的EEG数据打包并实时上传，系统主机对不断上传的EEG数据进行有序有效的读取和存储，并在此基础上进行EEG信号的分析与特征提取，最终实现神经反馈控制和反馈界面的呈现。本系统所用计算机的基本配置情况如下：CPU：Intel Core2 2.5 GHz；内存：2.0 GB；显卡：Intel G41 Express Chipset；操作系统：Windows XP。
软件系统开发平台为Borland C++ Builder，采用C++/C实现了神经反馈系统的上层开发。
1.1 软件系统结构
我们在计算机上实现了神经反馈系统的整个软件平台，其中放大器参数设置、阻抗检测、用户信息数据库等部分为实验室原有脑-机接口在线系统[9]所具备，在此基础上修改了原有的数据采集/存储、信号处理算法部分，以满足神经反馈的具体要求，并新开辟了计算/显示/控制线程，设计了神经反馈图形界面等。软件系统框图如图 2所示，图中的箭头表示调用关系。每次训练首先创建或修改用户信息，然后对放大器的硬件滤波或者采样率等参数进行设置，通过阻抗检测后，选择反馈界面、训练时间、个人Alpha频点(individual Alpha frequency，IAF)[10]及反馈导联等训练参数，启动神经反馈训练，此时将同时开启数据采集/存储和计算/显示/控制线程，系统在CPU多线程机制下一边采集数据，一边对数据进行积累，达到时间窗长度后，就进行特征提取，并根据结果控制图形界面，实现反馈。当训练完成，结束所有线程，整个过程中的数据被记录存盘，可供离线处理和分析。
图2
NFB-2010软件系统框图
Figure2.
Block diagram of the software system of NFB-2010
1.2 EEG信号实时特征提取
本文利用课题组现有脑-机接口在线系统[9]中稳定有效的算法来实现EEG信号的实时处理。神经反馈训练特征提取的目的是对特定频段EEG节律强弱作出判断，这里需要采用频域分析的方法，对功率谱进行估计，计算出所需频段表征EEG节律强弱的功率值。频域分析方法中，经典法由于分辨率过低，在神经反馈中的应用有一定的局限性，因此本文采用参数建模法中的自回归(auto-regression,AR)模型作为特征提取算法[9]，对通带功率谱进行实时估计。
我们利用hamming窗函数滑动截取实时EEG数据，在每个短时窗内假设EEG信号是平稳的，并利用AR模型估计时间窗内EEG信号的功率谱特征用于分类。但是，要在实际系统中具体实现，需要考虑自相关函数的误差估计问题以及尤利-沃克方程直接求解的难度和巨大计算量，因此我们需要研究更快速有效的方法来实现AR谱估计[9]。Burg在一篇文章中提出一种直接由时间序列计算AR模型参数的方法，被人们称为Burg算法，用Burg递推算法实现AR谱估计，在保证算法计算量小的前提下可以大大提高功率谱估计性能，是实时功率谱估计的较好算法[9]。我们的神经反馈实时系统最终采用Burg递推算法提取EEG谱估计特征用于反馈控制，并引入一个滑动hamming窗，计算数据每0.3 s更新一次。为了对算法效果进行验证，我们采用了两种仿真：① 在MATLAB中设计、产生仿真数据[由频率分别为10 Hz和40 Hz的正弦信号叠加而成，如图 3(a)所示]，代替放大器上传数据进入软件系统，观察功率谱实时显示界面。仿真结果如图 3(b)所示，可见功率谱估计能够准确反映仿真信号的频率特征。② 利用函数信号发生器产生真实信号输入放大器，稳定信号幅度，任意改变信号频率，观察功率谱实时显示界面。仿真时发现，在系统设计的通频带范围内任意改变信号频率，功率谱的频率响应都非常实时、准确。
图3
实时功率谱及其仿真验证
(a)仿真数据在MATLAB中的功率谱图示；(b)实时功率谱界面对仿真数据的显示
Figure3. Real-time power spectra and its simulation verification(a) power spectra of simulation data displayed in MATLAB；(b) the screen displays the real-time power spectra of the simulation data
1.3 反馈控制机制
由于神经反馈训练目标不同，与之适应的脚本和剧情(即反馈界面设计)也各具特色，因此系统在特征提取并做出判断之后，需将控制命令传输至各式各样的反馈界面，使之生动形象地表现出用户此时的EEG状态。为了增强程序的可扩展性，以便在今后增加丰富多样的反馈界面模式，本文的神经反馈系统利用Windows消息机制简化程序接口设计，通过PostMessage( )函数来模拟键盘按键动作(能方便地连接其他任何使用按键控制的反馈界面程序)，实现对反馈界面的实时控制。
1.4 反馈信息选取
针对不同的情况，训练模式和方案各不相同，目前主要有Alpha、Theta、SMR、以及皮层慢电位(slow cortical potentials，SCP)等EEG频段的独立或组合使用。本文参考国外学者利用IAF对EEG频段进行划分的方法[10]，目前设计有Alpha频段(IAF±1.5 Hz)和整个EEG频段(4~28 Hz)的功率比值，SMR频段[(IAF+4)±1.5 Hz]和Theta频段[(IAF-4)±1.5 Hz]的功率比值，以此作为反馈信息，实现Alpha放松训练和SMR/Theta注意力训练。
1.5 反馈界面设计
视觉形式的反馈类似于我们日常接触的动画或游戏，但其特殊的应用场合和用途决定了在反馈界面模式的选择上，不能照搬现有动画或游戏，必须有针对性地进行设计。由于NFB-2010系统是单一计算机系统，信号的采集、处理、反馈的呈现需要在同一计算机上完成，为了在性能上取得平衡，需要优先考虑信号处理的需求，反馈界面的呈现形式不应太过复杂。此外，用户与反馈界面交互的唯一途径是EEG信号，因此脚本设计应当弱化操控性，即不需要过多外围信号的输入与控制，信号处理后给出的控制信号是一个快速变化的全或无信号，使得反馈界面的操控感受到很大限制，因此奖励反馈和惩罚反馈的画面变化不宜太剧烈[11]。考虑以上因素，本文针对放松反馈训练和注意力反馈训练设计了两个反馈界面，如图 4所示。
图4
训练反馈界面
Figure4.
Feedback screens for training
两个界面左边的小窗口为EEG功率比值的实时显示，其中白线为阈值线，窗口上方的三个文本框分别可以设置分数预定值、阈值上调尺度、反馈频段比(反馈信息)。当分数(Score)每增加到预定值时，阈值线按预定尺度自动上调，同时分数自动清零并重新开始计数。
放松反馈界面的右窗口为一个渐变的动画设计，在训练开始，整个窗口为一黑色幕布，随着训练的开展，幕布以圆形方式展开，逐渐呈现一幅优美和谐的场景(图片选自北京师范大学认知科学与学习国家重点实验室编制的中国情绪图片系统CAPS[12])。在分数预定值和阈值上调尺度一定的情况下，控制幕布展开快慢的因素就是与受试者放松程度相关的EEG状态(图中设置为Alpha的功率相对值)。
注意力训练界面的右窗口是利用Microsoft的DirectX技术实现的虚拟场景(为实验室李科老师提供)。训练中，受试者可以把自己想象成这只玩滑板的兔子，在道路上滑行时需要集中注意力，避免撞上障碍物(木桶)。而游戏控制的机制是，当与受试者注意力集中程度相关的EEG状态(图中设置为SMR/Theta的功率比值)高于阈值线时，兔子就能改变滑道，避免撞上前方的障碍物；反之，则会撞上。
2 神经反馈训练研究
系统开发完毕后，我们借鉴国内外神经反馈研究案例[6-7]，对正常受试者进行神经反馈训练。受试者为10名受过高等教育的健康学生，年龄分布为(23.56±1.6)岁，均签署了受试者知情同意书。训练采用Alpha放松训练和SMR/Theta注意力训练相结合的模式[7]，将放松训练作为注意力训练的“前导期”，以使注意力训练获得更好的效果。训练中，系统判断受试者的放松或注意程度，当EEG频段比值超过阈值时，即给予受试者奖励反馈。反馈训练具体流程如下：
(1) 受试者保持睁眼静息状态，观察原始波形3 min，这一步骤记为B1(睁眼基线前测)。
(2) 受试者保持闭眼静息状态，观察功率谱2 min，确定IAF值，这一步骤记为B2(闭眼基线前测)。
(3) Alpha训练10 min。在反馈模式设置界面输入步骤(2)所记录的IAF值。根据上一次训练成果设定初始阈值，指导受试者调整放松逐步获得奖励反馈，这一步骤记为ATr。
(4) SMR/Theta训练10~20 min。在反馈模式设置界面输入步骤(2)所记录的IAF值。根据上一次训练成果设定初始阈值。实验中受试者需持续注视反馈界面的某个焦点(如比值柱的起伏或兔子的前进)，若受试者因保持注意力集中而产生疲劳，可根据自身身体情况向研究人员提出暂停，适当休息后恢复继续训练。若受试者在训练进行了10 min后，使阈值调整到比上次训练最终阈值高20%以上，即可提前结束此步骤(最长训练时间为20 min)。这一步骤记为STr。
(5) 受试者保持闭眼静息状态，观察功率谱2 min，这一步骤记为B3(闭眼基线后测)。
(6) 受试者保持睁眼静息状态，观察原始波形3 min，这一步骤记为B4(睁眼基线后测)。
每名受试者在两周的时间内分别完成了5次训练。由于本次实验以SMR/Theta注意力训练为主，为观察受试者相应EEG节律的变化，我们计算了各个受试者每次训练每个步骤的SMR/Theta功率比值(S/T比值，时间平均)，然后将前测B1、注意力训练STr、后测B4数据段的S/T比值按时间顺序排列(如图 5所示，选择B1、B4段基线数据是因为这两个步骤与注意力训练STr段均处于睁眼状态)，并对这三个数据段分别进行统计分析(对第1次、第5次训练的S/T比值进行配对t检验)。
图5
10名受试者参与5次训练的S/T比值随训练进程的统计分布
Figure5.
Statistical distribution of S/T ratios of 10 subjects with time in the 5 training sessions
由图 5可以直观地看出每次训练后测(B4)的S/T比值均比前测(B1)高，而且整体随时间呈上升趋势，经统计学分析，第5次训练结果与第1次训练结果比较，B1段的S/T比值有上升的趋势(t=1.997，P=0.081)，STr段(t=2.533,P=0.032)和B4段(t=2.834,P=0.025)的S/T比值则明显上升。由以上结果可知，受试者经过实验所设计的SMR/Theta 注意力训练，提升了SMR/Theta功率比值，初步实现了本文搭建此EEG神经反馈系统的目标。
3 结语
本文配合临床需求，利用脑-机接口的相关研究成果，在人体EEG信号采集和分析的基础上开发了一套神经反馈训练系统。通过系统仿真和初步实验证明，受试者在经过简单的尝试后，能够通过调整自身状态对界面进行有效控制并在这个过程中获得对EEG节律的调节。这为给临床提供具有实用性、稳定性的神经反馈治疗平台奠定了基础。
