这篇博文记载脑机接口导论书籍的实践部分部分, 主要为7-13章. 在阅读几篇论文之后, 发现基础缺失过多, 于是特来弥补一下.
chapter-7: 侵入式BCI
侵入式BCI的主要研究范式是：
- 基于操作性条件反射的BCI
这种方法不需要复杂的机器学习技术，而是依靠大脑的学习能力完成对外部设备的操控。
如Fetz 1969中，使用灵长类动物的运动皮质中单个神经元活动与指针关联，当指针超过某一限定的阈值时，猴子获得奖励。多次试验后，猴子学会了通过增加神经元放电率来移动指针超过阈值，从而获得食物。
针对更复杂的行为，如Fetz 2007中猴子学会调节放电率，使物体一维移动到指定高度获得奖励。
- 基于集群向量解码的BCI
目前而言，集群向量解码用得并不是很多。（貌似）
因为机器学习等技术的进步，解码器多用神经网络。
7.1 应用于动物的侵入式BCI
脑机接口的主要应用在于使残疾人获得正常人的肢体能力，所以大多数研究目标为：手，手臂，下肢和光标等。
7.1.1 控制假臂和手
一开始研究对象是小鼠，Chapin 1999中训练大鼠去推动有弹簧的控制杆，以适当移动机械臂作用于滴水器，从而大鼠获得水作为奖励。
同时记录操作期间初级运动皮质和丘脑腹外侧核（VL）的神经元活动，使用PCA处理46维的放电率向量。使用神经网络预测神经活动和推动杆的行为。
一定时间后，即使只使用神经活动来作为滴水器的控制器，大鼠也能获得用水。而且许多大鼠不再进行移动杆的行为，而是直接使用神经活动获得水。
随后，Wessberg 2000对两只猴子控制机械臂进行了实验。
训练一维和三维的手臂运动，构建预测器能够通过初级运动皮质，背外侧运动前皮质和后顶叶皮质的锋电位活动来预测手部轨迹。
Vellisste 2008则预测了更为复杂的进食行为（包括移动和抓取）。
对于这种BCI控制系统, 一般而言, 可以使用神经活动直接估计动力学参数来获得对外部设备的操控; 也可以使用局部场电位LFP代替锋电位来进行.
7.1.2 控制下肢
效果一般，下肢BCI的难点还是在于闭环控制系统的验证，以及动物在行走时对脑信号的提取。
7.1.3 控制光标
他为研究设备基于视觉反馈的闭环控制提供了一个简单的实验框架。
线性模型，UKF都取得了不错的效果。
7.1.4 认知型BCI
前面多为解码出运动学参数，然后指导机器设备移动。
能否直接从运动皮质较远的上游脑区对运动的目标进行直接解码，引导机械设备自动到达目标呢？
TODO:
7.2 应用于人的侵入式BCI
略
7.3 侵入式BCI的长期使用
主要在两个方面：
- 长期使用的模型参数调整
- 电极长时间存留引起的生物学反应
前者倒是没有太多麻烦，后者则有待进一步实验研究验证。
chapter-8: 半侵入式BCI
8.1: 基于皮质脑电信号(ECoG)的BCI
对于动物而言，猴子能够通过操作性条件反射来调节神经元放电率来控制外部设备。而调节大脑表面的ECoG信号也可以做到。（Rouse&Moran 2009）
而对人而言，一维光标控制，二维光标控制，手臂控制甚至手指控制都有相关的实验验证。
其长期稳定性优于侵入式BCI。
8.2 基于外周神经信号的BCI
从运动神经纤维上截取信号作为假肢控制手段，或者进行目标肌肉神经分布重建。
Chapter-9: 非侵入式BCI
TODO：