引言

脑机接口（brain computer interface，BCI）是指不依赖于外周神经和肌肉，在人脑与外部设备之间建立的直接交流通道 ^{[ 1 ]} 。目前，按照采集电极的放置位置可将BCI分为侵入式和非侵入式。侵入式BCI一般通过外科手术将采集电极植入到大脑颅腔或灰质中，采集到的神经信号信噪比和空间分辨率较高，但手术操作风险较高，且易引发免疫反应并形成愈伤组织，从而导致采集的信号质量变差。为避免电极植入大脑引起损伤，目前BCI系统多采用非侵入方式采集脑电波（electroencephalogram，EEG），即从头皮表面记录神经活动信号。与侵入式BCI相比，非侵入式具有低成本、低风险、操作简单、易使用等优势，同时用户对非侵入式BCI的接受度远高于侵入式BCI ^{[ 2 ]} 。

BCI控制系统是指通过EEG编解码算法将人的思维活动转变成控制指令驱动外部设备。它主要由信号采集单元、信号处理单元、指令映射单元等组成。信号采集单元利用采集装置采集用户的EEG信号；信号处理单元对所采集的EEG信号进行特征提取并识别；指令映射单元则将分类结果映射为外设可执行的控制指令。在控制过程中，用户实时感知外设的状态，更新控制意图，以实现对外设的稳定控制。随着非侵入式BCI技术的快速发展，利用BCI控制系统实现对外部复杂设备的控制成为可能。由于BCI控制系统是利用大脑信号直接控制外部设备，控制效率在理论上优于手动控制 ^{[ 3 ]} ，且能够拓宽人机交互通路带宽，在康复、娱乐、军事等领域均有广泛的应用前景 ^{[ 4 - 6 ]} 。

当前多数研究者主要专注于EEG编解码算法的性能提升，但在工程应用中，BCI系统的控制策略也同样重要。利用传统BCI控制方法来完成复杂任务时，往往会给用户带来巨大的认知压力，而且存在控制精度不高等问题。为了减轻用户的交互负担，提高系统的控制精度和鲁棒性，本文对非侵入式BCI控制策略的现有研究进行综述，旨在为BCI控制系统方面的研究提供一些思路。

1. BCI控制策略的研究现状

BCI技术形成于20世纪70年代，经过数十年的发展已取得了重大突破，成为神经科学领域的重点研究课题之一。在BCI控制系统中，根据用户和机器之间的互动程度以及输出指令形式 ^{[ 7 ]} 可将BCI系统的控制策略分为如 图1 所示的直接和共享两类。

直接控制策略结构流程如 图2 所示。它是指利用信号采集装置采集用户主动式或反应式脑电信号，通过信号采集、特征提取、模式识别后生成控制指令直接控制外部设备的一种BCI控制方法 ^{[ 8 - 9 ]} ，其研究主要基于BCI的三大基本范式［P300、运动想象（motor imagery，MI）、稳态视觉诱发电位（steady-state visual evoked potential，SSVEP）］和混合范式展开。如Oralhan ^{[ 10 ]} 利用P300范式设计了一个新型的基于音频和视觉刺激的拼写系统，同时P300也被应用于如交通信号灯 ^{[ 11 ]} 、电动轮椅 ^{[ 12 ]} 、机械手臂 ^{[ 13 ]} 、鼠标 ^{[ 14 - 15 ]} 的控制。Wang等 ^{[ 16 ]} 设计了基于MI-BCI系统来控制假体完成不同的动作。Duan等 ^{[ 17 ]} 采用SSVEP和MI混合范式实现了对无人机的飞行控制。Xu等 ^{[ 18 ]} 利用并行P300和SSVEP的混合特征实现了超过100指令的高速混合脑-机接口拼写器。

共享控制策略的结构流程如 图3 所示，利用该策略的控制系统主要由BCI编解码部分、智能传感模块、共享控制器、外部设备等四部分组成。用户通过BCI输出控制指令，这些指令可以是直接的机器运动控制指令，如机器移动方向；也可以是间接的控制指令，如机器人期望达到的目的地、期望抓取的目标等。BCI在共享控制过程中作为辅助控制或决策控制，不需要用户连续实时对机器人发出控制命令，从而减少用户的工作量。共享控制策略可以将机器智能与BCI技术相结合，使机器人具有主动避障、路径规划等能力，控制更加平滑自然。

共享控制策略与直接控制策略最大的区别在于共享控制策略包含智能传感系统，能对外部环境实时监测，通过反馈信息实现控制环节的自校正，同时利用机器智能还能够提高鲁棒性和控制精度。Deng等 ^{[ 19 ]} 提出了一种基于径向基函数（radial basis function，RBF）神经网络的强化学习（reinforcement learning，RL）方法，用于评估用户大脑的控制能力，利用贝叶斯网络的输出，设计了一个共享控制器来动态调整机器智能控制和用户BCI控制间的权重。该系统可以实现全时共享控制，具有较好的鲁棒性。Zheng等 ^{[ 20 ]} 设计了一种基于MI-BCI的共享控制系统，该系统利用贝叶斯概率算法判断机器人运动方向，同时可自动分配机器人自主运动的控制比权重，用以提高机器人的控制精度。

2. 直接控制策略

基于直接控制策略BCI系统的控制效果与EEG的解码算法性能紧密相关。因此，目前与直接控制策略相关的文献多聚焦于BCI解码算法的研究 ^{[ 21 - 23 ]} ，本章将针对三大基本范式及其主流解码算法进行简单的介绍。

3. 共享控制策略

目前，BCI控制系统的研究主要集中于脑电特征解码算法，通过不断优化和创新，脑电识别准确率有了很大的提高，但由于直接控制策略的局限性，只能实现对外设的简单控制。而且针对不同的外设和复杂环境，所需的控制方式也全然不同，仅通过直接控制策略很难达到预期的精细控制效果。所以研究者引入共享控制策略来弥补直接控制对复杂系统的局限性，使外设安全、稳定、高效地完成预期任务。本章主要介绍机器视觉（machine vision，MV）、强化学习、自动路径规划等方法与BCI技术相结合的共享控制策略及其应用效果。 图4 所示为几种典型的共享控制方法， 图4a 为基于机器视觉的方法 ^{[ 30 ]} ， 图4b 为基于强化学习的方法 ^{[ 19 ]} ， 图4c 为基于路径规划的方法 ^{[ 31 ]} 。同时在 表1 中对不同的非侵入式BCI共享控制策略进行了简要汇总。

a. 机器视觉方法；b. 强化学习方法；c.路径规划方法

a. machine vision methods; b. reinforcement learning methods; c. path planning methods

4. 控制策略评价

5. 分析和展望

现阶段BCI控制策略面临的主要问题是：如何在复杂外部环境和控制任务下，提高外设的控制精度和用户的使用舒适性。就直接控制策略而言，虽然有较好的沉浸体验，但指令集有限、信息传输率低，无法实现对外设的复杂控制。而共享控制策略整合了人的感知、认知能力和机器强大的运算和存储能力，可充分发挥机器智能的优势，完成一些精细控制和复杂度较高的任务。

作为一种新兴的学科交叉研究领域，BCI控制系统既有广阔的发展前景，也面临诸多严峻的挑战，下面对未来脑控策略的进一步研究和发展提出一些方向与展望。

（1）就直接控制策略中存在的系统指令集有限、信息传速率欠佳等问题，可以探索和发展新的脑电范式和更优的解码算法，以求得到可分性更强的脑电信号模式，继而拓展BCI控制系统的应用范围。

（2）对于共享控制策略，在过去的几年里，基于BCI的人机共享控制技术得到了较快的发展，但仍有诸多不足，大多数的共享控制只是简单的分时共享，无法真正体现人机共生关系，因此需要设计更为灵活的人机智能融合框架来实现更高层次的人机混合智能。

（3）面向单用户或单智能体的BCI控制系统日益成熟，但多智能体和多用户协同控制仍处于起步阶段，设计多智能体和群体共享控制策略可以将每个个体结合起来，实现多个智能体彼此之间的合作与竞争，使脑控系统具有更好的协作性。

综上所述，随着我国残疾和老龄化人群的日益庞大，迫切需要开发出符合需求的辅助康复机器人。如今，BCI控制系统已经在人机交互、智能传感、目标识别等技术上取得了长足的进步。未来，基于共享控制策略的BCI控制系统可以与多智能体、自适应以及异步等方法相结合，从而多方面提升脑控系统的性能，解决医疗康复领域的一些难题。

利益冲突声明：本文全体作者均声明不存在利益冲突。

作者贡献声明：曹洪涛为综述主要撰写人，完成文献资料的整理收集与分析，以及论文初稿的撰写；钟子平、陈远方、梅杰、李昂参与文献资料分析与论文修改；许敏鹏参与论文的修改与指导；明东参与论文的指导与审校。

Funding Statement

国家自然科学基金（81925020，62122059，61976152）；国家自然青年科学基金（62006014）；济南市“新高校20条”引进创新团队项目（2021GXRC071）

The National Natural Science Foundation of China