随着脑机接口（BCI）与人工智能（AI）技术的迅猛发展，出现了二者交叉融合的新兴研究方向。本书通过将AI技术引入BCI系统并整合其优势，有望显著提升系统性能，特别是增强其智能化水平，从而提高BCI系统的可用性、用户体验和满意度，推动BCI技术向实际应用转化。本书全面探讨了BCI与AI技术的交叉融合及其在医学、健康检测、神经疾病诊断等领域的应用。内容涵盖从EEG信号分析、脑状态分类、运动想象BCI（MI-BCI）到深度学习在癫痫、睡眠呼吸暂停、脑肿瘤检测等方面的应用，详细阐述了人工智能方法在非侵入式BCI中的应用、特征提取与分类技术，以及机器学习与深度学习模型的构建等关键技术。本书适合以下读者：脑机接口、人工智能、神经科学、医学工程等相关学科的本科生、研究生及相关领域的科研人员；从事脑机接口系统开发、人工智能算法优化、EEG信号处理等工作的工程师；从事神经疾病、睡眠障碍、癫痫等疾病诊断和治疗的医学专家。
Varun Bajaj，2014年毕业于印度理工学院（IIT）印多尔分校电气工程专业，曾任PDPM印度信息技术、设计和制造学院电子与通信工程系副教授，任职时间为2021年7月至2024年1月。 ?2024年1月至今任马纳拉·阿扎德国家理工学院（MANIT Bhopal）电子与通信工程系副教授。 主要研究方向为人工智能与脑机接口。G.R. Sinha是缅甸信息与技术学院（Myanmar Institute of Information Technology，简称MIIT）的教授，同时是印度国际信息技术研究所（IIIT）班加罗尔分校的兼职教授，并在印度国家理工学院（NIT）拉贾斯坦分校获得电子工程学士和计算机技术硕士（获金奖），在查蒂斯加尔大学获得电子与通信工程博士学位，研究领域涉及认知科学、计算机建模、深度学习（如5G网络调制分类）等。
伏云发，2012年于中国科学院研究生院、中国科学院沈阳自动化研究所机器人学国家重点实验室获工学博士学位。现为昆明理工大学脑认知与脑机智能融合创新团队负责人。任中国康复医学会脑机接口与康复专业委员会第一届常务委员、中国人工智能学会脑机融合与生物机器智能专业委员会第三届委员、中国认知科学学会计算神经工程专委会委员、脑机接口产业联盟专委会资深专家、脑机接口产业联盟科普与科技伦理工作组副主席，从事脑机接口17余年，主要研究兴趣为脑机接口与神经反馈及应用。黄涌，2016年硕士毕业于中国科学院大学，2025年获南方医科大学博士学位，澳门大学访问学者，现为韶脑科技副研究员。荣获中国科协青年托举人才、雏鹰人才、广东省优秀青年科研人才、福布斯U30等。任中国生物材料学会脑机接口专委会委员、北京信息产业协会元宇宙专委会委员、人工智能DIKWP测评国际标准委员会委员、脑机接口产业联盟专委会资深专家、粤港澳音乐科技中心脑科学专家等。深耕脑机接口15年，在可穿戴群体同步脑电图系统、康复系统（获得国家医疗器械认证）、可穿戴标准等方面取得了突出成果。范芳芳，博士，迈动数康（MindMatiexes）创始人兼CEO，宾夕法尼亚大学与哈佛大学博士后，北京脑重大疾病研究院特聘研究员，中国医学继续教育学会睡眠专委会副主委。曾任国科龙晖投资合伙人和BrainCo强脑科技睡眠产品负责人。专注精神心理脑机接口与数字疗法产品和应用推广。谢平，2006年获燕山大学工学博士学位，现为燕山大学康养产业技术研究院脑机接口及智能康复实验室主任，教授，博士生导师，河北省教学名师，河北省智能康复及神经调控重点实验室学术带头人，中国康复医学会脑机接口与康复专委会第一届常务委员、中国生物医学工程学会康复工程分会委员、河北省生物医学工程学会理事、中关村医疗器械联盟理事、中国脑机接口产业联盟资深专家。从事脑机接口及智能康复、多模态神经信息处理、神经调控、康复机器人、脑机混合智能等研究。深耕脑机接口10余年，主要研究领域包括多模态脑机接口及康复评估、智能康复机器人技术等，团队成果多次得到中央电视台等媒体报道。张语涵，哈尔滨工业大学经济与管理学院副教授，博士生导师，清华大学市场营销专业博士，北京大学软件工程硕士，西安交通大学社会学本科，美国麻省理工学院斯隆管理学院访问学者。研究领域包括人工智能、计算机视觉、新媒体与电商等，研究成果发表在国内外顶尖学术期刊，出版多部专著、教材和译著。
第1章 基于人工智能的时频分布和卷积神经网络（CNN）用于睡眠阶段分类 1
1.1 前言 1
1.2 材料和方法 4
1.2.1 睡眠-EDF数据集EEG信号 4
1.2.2 EEG时频变换技术 5
1.2.3 卷积神经网络 7
1.3 结果 9
1.4 讨论 13
1.5 小结 15
原著参考文献 15
第2章 运动想象BCI方法综合评述：挑战与未来方向 19
2.1 前言 19
2.2 系统评述和荟萃分析的优选报告项目（PRISMA）指南 20
2.3 荟萃分析结果：常用的基准MI-BCI数据集及方法 20
2.4 讨论 61
2.5 小结 62
原著参考文献 62
第3章 运动想象脑机接口系统中一种新特征提取方法 81
3.1 前言 81
3.2 BCI类型和应用 82
3.2.1 脑电信号 82
3.2.2 其他用于记录大脑活动的方法 82
3.2.3 BCI应用 83
3.3 盲源分离（BSS）及其在BCI中的应用 83
3.4 MI-BCI相关工作 84
3.4.1 去除噪声和伪迹 84
3.4.2 扩展输入维度 84
3.4.3 共空间模式（CSP） 85
3.4.4 空间滤波 87
3.5 所提方法 88
3.5.1 用于评估的数据集：BCI竞赛Ⅲ中的标准数据集IVa 90
3.5.2 数据预处理 90
3.5.3 中间处理方法 92
3.5.4 最终处理 94
3.6 计算机仿真与结果 94
3.6.1 实验1 94
3.6.2 实验2 95
3.7 讨论 96
3.8 小结 97
原著参考文献 97
第4章 针对个性化BCI开发：评估功率谱分析和机器学习技术 100
4.1 前言 100
4.2 数据来源：BCI竞赛Ⅲ中的标准数据集IVa 104
4.3 分析方法 105
4.3.1 步骤1：数据预处理 105
4.3.2 步骤2：通道选择 106
4.3.3 步骤3：特征提取 107
4.3.4 步骤4：分类 108
4.4 性能验证/评估 109
4.5 参数选择 109
4.5.1 多尺度主成分分析（MSPCA） 110
4.5.2 逻辑回归（LR） 110
4.5.3 多层感知器（MLP） 110
4.5.4 Welch方法 110
4.5.5 Burg方法 110
4.5.6 MUSIC方法 110
4.6 结果 110
4.7 讨论 114
4.8 小结 115
原著参考文献 116
第5章 人工智能在BCI中非侵入式模态获取与建模的概念 119
5.1 前言 119
5.2 脑电图 121
5.3 人工智能用于EEG信号分析 123
5.4 脑与机器之间的通信接口 125
5.5 EEG信号采集和分析方法 127
5.5.1 EEG信号采集 127
5.5.2 EEG信号分析 128
5.5.3 EEG信号表征 132
5.6 结果 133
5.7 讨论与未来展望 133
5.8 小结 134
原著参考文献 134
第6章 Bi-LSTM-深度CNN检测精神分裂症：基于EEG信号的MSST
频谱图 139
6.1 前言 139
6.2 数据集和研究方法 140
6.2.1 精神分裂症受试者和普通受试者EEG数据集描述 140
6.2.2 多重同步挤压变换（MSST） 141
6.2.3 基于VGG-16和Bi-LSTM的卷积神经网络（CNN） 142
6.3 结果与讨论 145
6.4 小结 149
原著参考文献 150
第7章 基于EEG信号的癫痫发作检测 153
7.1 前言 153
7.2 EEG信号的背景知识及其作为癫痫发作预测的绝佳选择 155
7.2.1 EEG信号的分析技术 156
7.2.2 EEG信号分析癫痫发作及其不同阶段 157
7.3 机器学习方法在癫痫检测中的应用 158
7.3.1 EEG信号预处理 158
7.3.2 EEG信号特征提取 158
7.3.3 基于EEG信号的癫痫发作分类方法 159
7.4 深度学习方法在癫痫检测中的应用 160
7.4.1 循环神经网络（RNN） 161
7.4.2 卷积神经网络（CNN） 161
7.5 EEG信号检测癫痫发作相关工作与比较分析 162
7.5.1 EEG信号检测癫痫发作面临的挑战 165
7.5.2 未来展望 166
7.6 小结 166
原著参考文献 166
第8章 基于单通道EEG信号的个性化深度学习算法用于困倦检测 175
8.1 前言 175
8.2 困倦检测（DD） 176
8.2.1 困倦与EEG 176
8.2.2 困倦和清醒状态EEG模式及其深度学习分类 177
8.3 困倦和清醒状态的EEG数据库 178
8.4 提出的预处理方法和CNN 架构 179
8.4.1 采用带通滤波预处理EEG信号 179
8.4.2 用于分类的CNN架构 179
8.5 实验结果 181
8.5.1 CNN的性能 181
8.5.2 所提方法与现有技术的比较 182
8.6 小结 183
原著参考文献 183
第9章 基于EEG信号的深度学习神经网络用于睡眠呼吸暂停检测 185
9.1 前言 185
9.2 多导睡眠呼吸暂停和正常呼吸检测数据库 188
9.3 睡眠呼吸暂停状态检测方法：基于CNN和LSTM 189
9.3.1 多导睡眠EEG信号预处理 189
9.3.2 LSTM和CNN并行组合分类器 189
9.4 实验结果 190
9.4.1 预处理：提取和合并EEG子带 190
9.4.2 性能参数：基于混淆矩阵评价 191
9.4.3 深度学习模型的参数调整 192
9.4.4 CNN-LSTM的性能 192
9.4.5 与相关机器学习和深度学习算法的性能比较 193
9.5 小结 193
原著参考文献 194
第10章 基于EEG信号的心理状态分类：采用理性扩张小波变换与
装袋树分类器 196
10.1 前言 196
10.2 检测心理状态的方法：基于RDWT-EBT的AIS 198
10.2.1 心理状态（专注、分心和困倦）EEG数据集 199
10.2.2 理性扩张小波变换（RDWT） 200
10.2.3 心理状态的EEG特征 203
10.2.4 集成分类器 204
10.3 结果和讨论 205
10.4 小结 209
原著参考文献 210
第11章 一种新的元启发式优化方法：用于EEG-BCI中言语想象任务的
鲁棒空间滤波器设计与分类 213
11.1 前言 213
11.2 实验 215
11.2.1 受试者 215
11.2.2 言语想象实验范式 216
11.2.3 数据获取 216
11.3 多次实验、多试次EEG数据的鲁棒空间滤波器设计 217
11.3.1 共空间模式（CSP） 217
11.3.2 Devlaminck提出的CSP 218
11.3.3 Lotte和Guan提出的CSP 218
11.3.4 加权CSP 218
11.3.5 优化框架 219
11.3.6 混合优化 220
11.3.7 选择合适的CSP准则 222
11.4 自适应网络模糊推理系统 222
11.4.1 磷虾群算法 223
11.4.2 基于磷虾群算法的自适应网络模糊推理系统（ANFIS）参数优化 225
11.5 实验结果 226
11.5.1 不同鲁棒空间滤波优化方法的精度比较 226
11.5.2 磷虾群算法应用的效果 228
11.6 小结 229
原著参考文献 229
第12章 基于变分模态分解的皮层脑电信号手指屈伸检测 231
12.1 前言 231
12.2 变分模态分解的原理 232
12.3 研究中提取的特征 233
12.3.1 相关熵和交叉信息势 233
12.3.2 Kozachenko-Leonenko熵 234
12.4 支持向量机在分类中的应用 234
12.5 数据集及相关处理 235
12.5.1 手指屈曲运动数据集 235
12.5.2 通道选择和数据分割 235
12.6 提出的方法 236
12.7 结果与讨论 237
12.8 小结 243
原著参考文献 244
第13章 BCI硬件与软件：超低功耗OTA与Gm-C滤波器设计及AI/ML
进度 247
13.1 前言 247
13.2 BCI系统中信号采集、预处理、特征提取与选择及分类技术 248
13.2.1 信号采集 248
13.2.2 信号预处理 249
13.2.3 信号特征提取与选择 251
13.2.4 信号分类 252
13.3 BCI系统硬件分析：用于EEG信号处理的低功耗OTA与Gm-C
滤波器设计 253
13.3.1 亚阈值操作 254
13.3.2 传统的体驱动FC-OTA 255
13.3.3 本章提出的OTA 256
13.3.4 仿真结果 258
13.3.5 Gm-C滤波器的应用 263
13.4 小结 267
原著参考文献 268
第14章 基于深度自编码器的MRI脑肿瘤自动检测方法 275
14.1 前言 275
14.1.1 基于机器学习的脑肿瘤分类研究评述 276
14.1.2 提出的卷积自编码器模型研究的问题、贡献与局限性 279
14.2 提出的研究方法框架、数据集和技术 280
14.2.1 方法框架 280
14.2.2 脑肿瘤和正常大脑的MR图像数据集 280
14.2.3 卷积自编码器模型 281
14.2.4 训练优化器 282
14.2.5 方差阈值（VT）和RF算法进行特征降维和选择 284
14.3 分类方法 286
14.3.1 支持向量机（SVM） 286
14.3.2 k最近邻（kNN） 290
14.3.3 决策树（DT） 291
14.4 混淆矩阵评价及所提分类模型性能 292
14.5 实验研究及结果 293
14.6 小结 297
原著参考文献 298
第15章 评估机器智能技术在脑肿瘤疾病预测中的卓越表现 303
15.1 前言 303
15.2 机器智能技术在脑肿瘤疾病预测中的相关工作 304
15.3 材料和方法 305
15.3.1 脑肿瘤MR图像数据描述 305
15.3.2 脑部病变MR区域的分割过程 305
15.3.3 机器智能算法描述 306
15.4 结果与讨论 310
15.5 小结 313
原著参考文献 313
书单推荐
