腦電圖（EEG）和腦機接口（BCI）是神經科學與工程學交叉領域的兩項關鍵技術，二者密切相關但功能和應用場景不同。

腦電圖（EEG）和腦機接口（BCI）是神經科學與工程學交叉領域的兩項關鍵技術，二者密切相關但功能和應用場景不同。以下是它們的核心概念、關聯及區別：

1. 腦電圖（EEG）

定義

EEG是一種通過頭皮電極記錄大腦神經元群電活動的無創技術，反映大腦皮層的電位變化，時間分辨率高（毫秒級），但空間分辨率較低。

特點

• 信號類型：主要捕捉低頻（0.1–100 Hz）的神經振蕩，如α波（8–13 Hz）、β波（14–30 Hz）等。

• 應用：

  • 臨床：癲癇診斷、睡眠研究、腦損傷評估。

  • 科研：認知神經科學、情緒研究。

• 局限性：信號易受肌肉活動、眼動等干擾，且無法精準定位深層腦區活動。

2. 腦機接口（BCI）

定義

BCI是一種直接在大腦與外部設備（如計算機、假肢）之間建立通信路徑的系統，不依賴外周神經或肌肉。EEG是BCI最常用的信號輸入方式之一。

分類

• 侵入式（如皮層電極）：信號質量高，但需手術植入，風險大。

• 非侵入式（如EEG、fNIRS）：安全便捷，但信號噪聲大。

• 部分侵入式（如ECoG）：平衡信號質量與安全性。

EEG-BCI的典型應用

• 醫療康復：幫助癱瘓患者控制輪椅或機械臂（如基于P300或運動想象范式）。

• 游戲與VR：通過注意力或放松程度控制虛擬角色。

• 增強認知：神經反饋訓練改善注意力或情緒調節。

3. EEG與BCI的關系

• EEG是BCI的信號源之一：BCI可通過EEG、fMRI、MEG等多種技術實現，但EEG因便攜性和低成本成為主流選擇。

• 信號解碼是關鍵：BCI需通過機器學習（如SVM、深度學習）實時解析EEG中的特定模式（如事件相關電位ERP或頻段功率變化）。

• 挑戰：EEG信號噪聲大，用戶需訓練以提高信噪比；BCI系統需個性化校準。

4. 前沿進展

• 混合BCI：結合EEG與其他信號（如眼動、肌電）提升穩定性。

• 深度學習：CNN、Transformer模型改善EEG信號解碼效率。

• 便攜化：干電極EEG和無線設備推動消費級BCI（如頭戴式游戲控制器）。

總結

• EEG是工具，用于記錄腦電活動；BCI是系統，利用EEG等信號實現腦控交互。

• 非侵入式EEG-BCI雖受限但潛力巨大，尤其在醫療與娛樂領域；侵入式BCI精度更高，但適用人群有限。

隨著算法和硬件的發展，EEG-BCI可能在未來成為人機交互的重要方式，如幫助殘障人士恢復運動功能或實現“意念控制”智能設備。