作为脑机接口产品经理，我用的3个BCI技术

在博士研究期间，我就开启了做脑机接口的相关研究，这里脑机接口我主要是针对非植入式脑机接口的方式做产品研发与算法模型训练，因为相比植入式与半植入式，非植入式有更加天然容易落地的场景以及患者的医从性也更高。

所以，这篇文章分享下我主要用到了的非植入式脑机接口的3个技术，以及我们我们最近做的一些尝试与突破，期待即将上线可以影响每个人的脑机接口应用。

脑机接口中，非植入式数据获取的3种主要方式

IM运动范式

简单来说就是通过意念想象，通过想象对应的左右手来完成信号获取，目前市面上难点是区分上下左右肢体的信号，尤其是手指这些细节的信号是非常难以处理的，即使降噪以及协同过滤等，都会出现不精准。

因此运动范式往往就是做某个确认操作是最优先的产品设计方案

专注力

通过获取前额叶、以及顶叶的数据，专注力是现在市面上非常成熟的脑机接口产品，很多控制无人机以及专注力训练的产品就是通过这个来实现。

P300

通过特定的正电位来刺激，往往在刺激后300毫秒出现，在顶叶以及Cz与Fz区域，P300往往是一瞬间的就会出现波峰。比如我们现在做的鼠标手，就是P300，可以通过P300来形成控制鼠标。

以上这是我们做脑机接口的基本范式，当然最火热BCI接口还聚焦在语义意图、以及视觉脑图像获取，通过照射头皮和大脑皮层，通过观察氧合血红蛋白和脱氧血红蛋白对光吸收的差异来判断大脑血流变化，我们叫做FNIRS数据，有部分开源的openfnirs论坛，相比OpenBCI，这部分可以收集更多的脑部数据，从而让你的模型更加准确，输出的结果和人脑意图更加贴合。

非植入式脑机的最佳信号采集：MEG

还有一个就是通过脑磁图，通过检测审计员产生的极微弱磁场完成实时的画面产生，可以用来训练大模型，做脑信号、图像与语言的匹配，但是这个由于需要实验者参与对应的脑电图，因此就会比较难受，同时成本极高，几乎只有超大型医院才能做。

MEG通过实时记录大脑活动的技术，当神经元放电时，会产生微小的电流，这些电流会根据电磁学定律产生磁场。

可以通过算法还原出脑区在想什么以及想动哪里，并且可以看到实施工作，这个设备也只有医院有，而市面上针对MEG的数据以及映射到EEG的实验公开数据都较少，几乎在几十人左右，而理论上要是可以达到上千人的MEG数据，就可以实现非植入式脑机的GPT数据模型训练，从而基本可以实现意念操作外骨骼上下左右肢体、以及记忆重建，甚至是空间重建。

因此我带着团队正在做EEG、以及MEG的数据收集与模型训练，后续将其人类的视觉、听觉、以及记忆数据都将重建在MEG 里进行记录与捕捉，从而获得数据模型。

以上就是今天的分享