值得收藏！非侵入式脑机接口编解码技术研究进展

图 1 典型的脑-机接口系统 

图 2 11 个上肢运动任务（Jeong 等，2020）

Fig.2 Eleven motor tasks of the same upper limb （Jeong 等，2020） 

图 3 单侧上肢四类任务（Yang 等，2022）

Fig.3 Four tasks of the unilateral limb （Yang 等，2022） 

图 4 120 目标 SSVEP 型 BCI 系统的字符拼写器，蓝色表示每个刺激编码的频率，红色代表初始相位（Chen 等，2022） Fig.4 The 120-target SSVEP-BCI speller. Frequency(blue) and initial phase(red) encoded for each stimulus （Chen 等，2022） 

图 5 高效解码模型 bi-SiamCA 原理框图（Zhang 等，2022） Fig.5 The framework of the bi-SiamCA（Zhang 等，2022）

图 6 混合 BCI 拼写器系统。左图是 108 个字符由红色虚线区分为 12 个子拼写区，右图是每个子拼写区的频率和初始相位 （Xu 等，2020） Fig.6 The hybrid BCI speller. (Left) Distribution of 108 characters on the screen was divided into 12 sub-spellers by the red dash lines. (Right) The selected frequency and initial phase of stimulation squares were displayed for each sub-speller（Xu 等,2020)

图 7 油画作为情绪诱发素材的数据集（Luo 等，2022）。(a)实验流程图。(b)诱发素材的效价分布。Fig.7 A emotion dataset with oil paintings stimulus（Luo 等，2022）. (a) The experimental protocol. (b) Illutration of 114 oil paintings that are annotated as positive, neutral, and negative.

图 8 利用知识蒸馏将情绪信息从图像迁移到脑电中（Zhang 等，2022）。Fig.8 Visual-to-EEG cross-modal knowledge distillation for continuous emotion recognition（Zhang 等，2022）

图 9 使用变分自编码器和生成对抗网络增强脑电数据（Luo 等，2020） Fig.9 EEG data augmentation with variational autoencoder and generative adversarial network（Luo 等，2020）

致 谢 

本文由中国图像图形学学会机器视觉专委会组织撰写。