何 峰 董博文 韓 錦 李雨龍 許敏鵬 明 東

①(天津大學醫(yī)學工程與轉(zhuǎn)化醫(yī)學研究院 天津 300072)②(天津大學精密儀器與光電子工程學院 天津 300072)

1 引言

腦機接口(Brain-Computer Interface, BCI)是一種不依賴外周神經(jīng)和肌肉，能夠?qū)⒅袠猩窠?jīng)系統(tǒng)活動直接轉(zhuǎn)化為人工輸出的系統(tǒng)[1]，在康復醫(yī)療、教育科技、生活娛樂以及外設(shè)控制等領(lǐng)域顯示出廣闊的應用前景[2]。游戲BCI作為生活娛樂領(lǐng)域的一個分支，它是將BCI與游戲相結(jié)合，使用戶“擺脫雙手”，僅通過解碼大腦信號直接與游戲進行交互。不僅為健康人提供了新型的游戲交互方式，也為殘障人士提供了新的康復治療思路，引起了廣泛的關(guān)注[3]。在傳統(tǒng)游戲的人機交互中，用戶一般通過肢體對手柄或鼠標鍵盤進行操控。然而許多神經(jīng)功能障礙患者由于神經(jīng)通路阻斷，無法自由控制肢體完成交互，嚴重影響了使用體驗[4-8]。而游戲BCI具有豐富傳統(tǒng)游戲交互手段和增強BCI控制的特點，被認為是可能的解決方案之一。此外，游戲的娛樂性、激勵性以及挑戰(zhàn)性可以提高交互過程中用戶的樂趣和積極性，改善了傳統(tǒng)BCI訓練枯燥乏味，重復性強的缺點，因此將游戲與BCI結(jié)合具有重要的意義。

腦電信號的采集是游戲BCI重要環(huán)節(jié)之一，目前用于表征大腦功能狀態(tài)的腦信號主要有腦電圖(ElectroEncephaloGraphy, EEG)、腦磁圖(MagnetoEncephaloGraphy, MEG)、功能性磁共振成像(functional Magnetic Resonance Imaging,fMRI)和功能性近紅外光譜(functional Near - InfraRed Spectroscopy, fNIRS)等。相比于其他幾種腦電信號，基于頭皮腦電的BCI(ElectroEncephaloGram-based BCI, EEG-based BCI)具有無創(chuàng)、時間分辨率高、成本低、便攜性好等特點，是目前游戲BCI主要采用的實現(xiàn)方式[9]。

本文調(diào)研了BCI在游戲方面的研究進展，在科睿唯安(Clarivate)旗下的Web of Science數(shù)據(jù)庫平臺中以關(guān)鍵詞“game BCI”進行檢索，如圖1所示，展示了近15年游戲BCI論文發(fā)表和引用數(shù)量。可以看出游戲BCI整體發(fā)展呈現(xiàn)逐步增長趨勢(2020年可能受新冠肺炎疫情影響有所下降)，表明這一研究領(lǐng)域正處于快速增長期，未來有較大的發(fā)展空間。依據(jù)腦機交互過程中大腦的主觀心理活動所起的作用，本文將游戲BCI系統(tǒng)劃分為主動式、反應式、被動式以及混合式4類，后續(xù)部分將分別介紹不同類型游戲BCI的控制策略和應用場景，并對游戲BCI中目前常采用的分類算法進行分析。最后，結(jié)合目前現(xiàn)有研究進展，本文也討論了基于頭皮腦電的游戲型腦-機接口的未來發(fā)展趨勢與挑戰(zhàn)。

2 游戲型腦機接口系統(tǒng)

根據(jù)腦機交互過程中大腦的主觀心理活動所起的作用，目前的BCI系統(tǒng)劃分為主動式、反應式和被動式3大類。其中主動式腦-機接口(active BCI)主要以運動想象(Motor-Imagery, MI)信號為主，反應式腦-機接口(reactive BCI)在游戲領(lǐng)域的研究較多，主要控制信號包括穩(wěn)態(tài)視覺誘發(fā)電位(Steady-State Visual Evoked Potentials,SSVEP)和事件相關(guān)電位P300腦電波。不同于以上兩種，被動式腦機接口(passive BCI)則是通過生物/神經(jīng)反饋來監(jiān)測受試者的精神狀態(tài)，從而實現(xiàn)與外部環(huán)境的交互。目前該類型的游戲多用于康復治療[10-12]。另外還有混合多種范式的混合式腦機接口(hybrid Brain-Computer Interface, hBCI)也被應用于很多游戲中，是當前研究的一大熱點[13-15]。

2.1 基于主動式BCI的游戲設(shè)計

主動式BCI是用戶通過直接且有意識的大腦活動來控制外部設(shè)備的系統(tǒng)[16]。典型的主動式BCI是運動想象，它是指用戶僅通過想象特定的肢體動作，但實際上并不執(zhí)行該動作的行為。

以主動式BCI作為控制信號的游戲在提升傳統(tǒng)BCI訓練效果、幫助神經(jīng)功能障礙患者進行康復等領(lǐng)域有著重要作用[17]。早在2011年，Coyle等人[18]利用MI開發(fā)了一款宇宙飛船游戲，用戶通過想象左手/右手運動來控制宇宙飛船移動，成功實現(xiàn)了躲避小行星等障礙物。研究結(jié)果表明使用該游戲作為 BCI 訓練范式能夠顯著提升訓練效果。2019年，Karacsony等人[19]將運動想象和虛擬現(xiàn)實技術(shù)(Virtual Reality, VR)相結(jié)合開發(fā)了一款實時游戲應用(見圖2)。游戲中玩家通過想象左手、右手或腳的運動來抓取目標，如果成功抓取，游戲界面會出現(xiàn)相應的動畫特效，同時在虛擬界面中執(zhí)行相應手或腳的運動。

圖1 2006-2020年游戲BCI論文發(fā)表和引用數(shù)量

在交互方面，通常多感官的刺激能夠提升用戶積極性，一些研究者嘗試在MI-BCI游戲中增添多模式反饋來增強娛樂性。2016年，Vourvopoulos等人[20]開發(fā)了一款劃船游戲“NeuRow”。游戲場景是在一片海域中，玩家通過想象左右手的劃船運動來駕駛船到達指定地點。游戲的創(chuàng)新點是在視覺呈現(xiàn)的同時增加了觸覺反饋，在游戲過程中用戶雙手各持一個手柄，其內(nèi)的振動馬達會給予實時反饋，實現(xiàn)了觸覺和視覺的結(jié)合，有助于激活大腦的運動區(qū)域，為MI游戲型控制開辟了新的思路。

近幾年，面向多任務、復雜場景的多人協(xié)同/對抗游戲BCI也引起了廣泛的關(guān)注。通過兩人及以上操作者對同一任務的協(xié)作操控，或以競爭的模式進行游戲操控，一方面提高了任務的完成效率，另一方面增加了游戲的趣味性[21]。2013年， Li等人[22]提出的多人賽車游戲，是一款具有競爭模式的多人BCI。游戲中多名用戶通過想象左臂、右臂和腳步運動分別控制汽車左轉(zhuǎn)、右轉(zhuǎn)和前進，成功達到了競技的目的。

綜上所述，MI-BCI游戲具有的優(yōu)勢是不依賴外部環(huán)境，通過用戶自發(fā)產(chǎn)生的腦電信號來控制游戲，在一定程度上解決了傳統(tǒng)運動想象任務訓練時間長、訓練方式枯燥、用戶體驗較差等問題。但存在的問題是可用的指令數(shù)較低，在多種游戲場景下的使用都受到了限制。

2.2 基于反應式BCI的游戲設(shè)計

反應式BCI是指當某種特定類型的刺激作用于人體的感覺通道時，會誘發(fā)大腦特定的神經(jīng)響應，通過分析神經(jīng)響應的特點來識別大腦的意圖，從而進行指令輸出。目前，典型的反應式BCI系統(tǒng)主要有SSVEP-BCI系統(tǒng)和P300-BCI系統(tǒng)，具有腦電特征誘發(fā)穩(wěn)定、識別響應速度快、準確率高等優(yōu)勢，研究較為廣泛，下面將分別進行介紹[23]。

圖2 MI-BCI游戲

2.2.1 SSVEP

穩(wěn)態(tài)視覺誘發(fā)電位(SSVEP)是指當用戶受到一個固定頻率的視覺刺激時，可以在大腦的初級視覺皮層上檢測到一個與刺激頻率有關(guān)(刺激頻率的基頻或倍頻處)的響應。該響應信號因具有特征顯著、幅值穩(wěn)定、抗干擾能力強等諸多優(yōu)勢，因此成為BCI領(lǐng)域的研究熱點[24]。

早在1977年，Vidal[25]就設(shè)計了一款利用SSVEP-BCI控制的游戲。游戲中的閃爍刺激用來表示上下左右4種運動方向，用戶在迷宮環(huán)境中通過識別指令來控制方向進行逃離，實驗的平均正確率超過了90%。經(jīng)過幾十年的發(fā)展，目前已廣泛應用于康復醫(yī)療、娛樂游戲等領(lǐng)域。2013年，Parafita等人[26]開發(fā)的一款SSVEP-BCI游戲被用于臨床實驗，實驗的游戲界面中包含兩個頻率的刺激，用于控制航天器向左或向右移動躲避障礙物。實驗參與者成功地完成了游戲，平均正確率超過了95%。相較MI-BCI而言，該游戲僅需更短的訓練時間就能夠?qū)崿F(xiàn)更加準確的SSVEP控制，后來被用作一種神經(jīng)治療工具幫助注意力缺陷多動癥兒童進行康復治療。2021年，Perez-Valero等人[27]提出了一款由SSVEP-BCI控制的游戲(見圖3)。在該游戲中，頻率為15 Hz的刺激以環(huán)形棋盤的形式呈現(xiàn)，并由屏幕邊緣逐漸移動到屏幕中央，用戶的目標是集中注意力(研究者通過計算誘發(fā)的SSVEP功率譜密度和腦電背景噪聲檢測參與者注意力水平)阻止其移動，實驗平均正確率為84%。研究結(jié)果表明該游戲可以用來訓練用戶的注意力和視覺跟蹤能力。

類似于主動式BCI游戲，研究人員基于SSVEPBCI也開發(fā)了多人協(xié)同/對抗類游戲的應用。2017年，Cruz等人[28]提出了一款多人合作游戲“Kessel Run”。游戲中兩名玩家利用SSVEP信號分別控制一艘飛船的兩個推進器，通過合作的方式操控飛船進行左右移動躲避飛行物。游戲目標是在有障礙物的太空環(huán)境中堅持2 min，實驗用戶均表示游戲具有較強的交互感和合作感。

圖3 SSVEP-BCI游戲

綜上所述， SSVEP-BCI系統(tǒng)因其性能穩(wěn)定、信息傳輸率高、訓練要求少以及個體變異性小等優(yōu)點被用于多種類型游戲的控制。但存在的問題是目前主流SSVEP-BCI系統(tǒng)的適用頻帶范圍較窄，限制了指令集數(shù)量的進一步發(fā)展，影響了應用場景；另一個問題是采用的低頻閃爍容易導致視覺疲勞，長時間人機交互體驗較差。

2.2.2 P300

P300是指當大腦受到小概率事件刺激時，在刺激呈現(xiàn)后的300ms左右出現(xiàn)一個正向峰值，反映了大腦認知加工過程，已經(jīng)廣泛用于認知神經(jīng)科學。P300信號具有特征明顯、不過于依賴用戶訓練等優(yōu)勢，并且除了視覺外還可以利用聽覺或觸覺刺激來誘發(fā)。但由于多數(shù)游戲?qū)B續(xù)控制的要求較高，而P300因其固有特點，該類游戲只能從預定義的命令集進行選擇，無法進行連續(xù)控制，因此研究相對較少。

1988年，F(xiàn)arwell等人[29]利用P300開發(fā)了字符拼寫系統(tǒng)，目前已成為BCI主要范式之一。這種模式的刺激通常被設(shè)計成網(wǎng)格的形式，例如2009年Finke等人[30]開發(fā)的街機風格游戲“MindGame”。游戲的關(guān)卡被排列在28×18的網(wǎng)格上，角色通過注視網(wǎng)格來進行移動。所有的參與者都能夠成功進行該游戲，實驗結(jié)果中平均正確率為 65.9%。2021年，Li等人[31]提出了一款P300-BCI游戲五子棋“MindGomoku”。如圖4所示，研究者在設(shè)計實驗范式時充分結(jié)合了五子棋游戲規(guī)則與BCI系統(tǒng)的特點，將完整的一次落子過程分成兩步來完成，參與者均能成功進行游戲，實驗平均正確率為90.7%。選擇紅星的坐標需要兩個步驟。根據(jù)其位置，用戶應在第1級界面中選擇字符M，然后在第2級界面中選擇字符6。通過這兩個選項可以確定一個坐標，在該坐標處，系統(tǒng)將在圍棋板上顯示一個棋子作為反饋。

目前視覺刺激類的P300-BCI游戲大多都在液晶屏中呈現(xiàn)，一些研究者嘗試通過結(jié)合虛擬現(xiàn)實技術(shù)來擺脫對呈現(xiàn)裝置和場所的限制。2000年，Bayliss等人[32]基于沉浸式環(huán)境開發(fā)了一款游戲。實驗參與者使用頭戴式顯示器(Head-Mounted Display, HMD)和方向盤控制器在虛擬環(huán)境中駕駛，參與者均成功完成了游戲并表示有強烈的沉浸感，該研究證明了BCI與其它交互設(shè)備結(jié)合的可能性。

綜上所述，雖然P300已成為腦-機接口領(lǐng)域的3大主流范式之一，但由于在游戲應用中存在無法實現(xiàn)連續(xù)控制的局限性，導致只有少數(shù)基于P300的簡單游戲被設(shè)計出來。但因其具有無需訓練即能準確誘發(fā)的優(yōu)點，在未來有著很大的應用潛力。

2.2.3 其它范式

大腦對不同的刺激方式有不同的響應，反應式BCI中除SSVEP, P300外，研究人員還發(fā)現(xiàn)了運動起始視覺誘發(fā)電位(motion-onset Visual Evoked Potential, mVEP)和基于編碼調(diào)制的視覺誘發(fā)電位(code modulated Visual Evoked Potentials,cVEP)等新型范式，因其各具特點也被用于一些游戲BCI中[33,34]。

mVEP是由運動刺激誘發(fā)產(chǎn)生的，相較于其他的視覺誘發(fā)電位，它具有較大的幅值和較小的被試間以及被試內(nèi)差異，且不容易引起視覺疲勞的優(yōu)點。2019年的一項研究中，Beveridge等人[35]將mVEP作為一種控制模式開發(fā)了一款3D賽車游戲，所有游戲參與者均取得了較好的控制效果。將mVEP作為控制信號的還有動作類游戲“virtual environment shooter”、益智類游戲“ball drop path estimation”和運動類游戲“bowling”，以上均說明mVEP作為一種控制信號能夠成功控制大多數(shù)游戲。

cVEP是一種新型的刺激編碼方式，它并非SSVEP那樣以固定頻率閃爍，而是根據(jù)偽隨機二進制序列進行閃爍。這種方法可以擴大刺激的數(shù)量，能夠從一定程度上解決SSVEP可用頻率受限的問題。2016年，Riechmann等人[36]在一項研究中，采用cVEP信號來控制3維廚房場景中虛擬人物的導航和選擇任務。實驗結(jié)果表明，所有用戶都能夠成功進行游戲。

除了mVEP, cVEP外，目前研究者對反應式BCI的編碼方式開展了探究。隨著科學工程技術(shù)的進步，相信未來將會出現(xiàn)更多適用于游戲BCI的編碼方式。

2.3 基于被動式BCI的游戲設(shè)計

被動式BCI是一種通過檢測腦電信號，來識別人的情緒、疲勞、腦力負荷等心理、生理狀態(tài)的系統(tǒng)。作為傳統(tǒng)交互方式的一種加強和輔助方式，目的是在人與智能系統(tǒng)之間實現(xiàn)更友好、更舒適、更安全的人機交互。目前被動式BCI的游戲多用于康復治療領(lǐng)域。

2014年，F(xiàn)riedrich等人[37]提出一款治療自閉癥的嚴肅游戲，通過神經(jīng)反饋和生物反饋對自閉癥兒童進行聯(lián)合治療。游戲目標是讓用戶進行虛擬社交互動，在這一過程中檢測神經(jīng)和身體的反饋。研究結(jié)果表明，神經(jīng)反饋通過調(diào)節(jié)大腦節(jié)律能夠減少自閉癥兒童的癥狀。另一項康復研究是針對注意力缺陷多動癥(Attention Deficit and Hyperactivity Disorder, ADHD)的治療，Mu?oz等人[38]提出一款游戲“The Harvest Challenge”。游戲目標是引導用戶在虛擬環(huán)境中的哥倫比亞咖啡區(qū)種植咖啡，在這一過程中考驗玩家的等待能力、 規(guī)劃能力、遵循指示的能力和實現(xiàn)目標的能力，在游戲過程中對參與者注意力進行持續(xù)監(jiān)測。研究結(jié)果表明，可以用來對多動癥兒童進行注意力訓練。

綜上所述，被動式游戲BCI可用于康復醫(yī)療領(lǐng)域，除此之外，根據(jù)被動式BCI的特性，未來也可以用在教育教學中監(jiān)測學生的學習狀態(tài)，用在生產(chǎn)作業(yè)中監(jiān)測操作員的精神狀態(tài)以保證工作安全、高效[39]。

2.4 基于混合BCI 的游戲設(shè)計

混合BCI是由多個范式(兩個或兩個以上BCI范式或者一個BCI范式與其他信號控制的范式)組成的，相比于傳統(tǒng)單一系統(tǒng)模式能更好地完成特定的目標任務[40-42]。在游戲方面，混合BCI既豐富了游戲的控制手段也增強了娛樂性，還解決了部分游戲單一模式較難實現(xiàn)的問題。通過對混合BCI的調(diào)查，發(fā)現(xiàn)在大多數(shù)情況下，混合BCI不僅提供了額外控制信號，也提高了BCI系統(tǒng)的準確率。

2019年，Wang等人[43]將MI與SSVEP相結(jié)合來控制俄羅斯方塊游戲 “Tetris”。如圖5所示，受試者通過MI信號控制物體移動，通過SSVEP信號控制物體旋轉(zhuǎn)。所有參與者均能夠成功進行游戲，相較單一控制模式的游戲，該游戲過程中用戶將視覺刺激和運動想象結(jié)合，大大提升了游戲的趣味性，同時該實驗也證明了這種混合方式的可行性。

一些研究還將傳統(tǒng)控制方式(如鍵盤、眼動儀)集成到游戲中。2010年，Mühl等人[44]在游戲“Bacteria Hunt”中將鍵盤、α節(jié)律和 SSVEP 結(jié)合。在游戲過程中，研究人員不僅檢驗游戲反饋對用戶狀態(tài)產(chǎn)生的影響，還探究了游戲中使用的兩種腦-機接口模式間的相互作用。2014年，Khong等人[45]開發(fā)了一款游戲“Mind Battle Field”。該游戲利用不同注意水平的腦電特征和鍵盤輸入來控制，通過分析用戶的腦電樣本熵特征和α, β和θ波段的功率值來區(qū)分玩家的不同大腦狀態(tài)，并用該特征在3維游戲環(huán)境中成功控制目標。研究結(jié)果表明，在多人神經(jīng)反饋游戲環(huán)境下，將基于大腦信號的輸入與傳統(tǒng)控制相結(jié)合可以改善大腦功能。

2.5 腦電信號分類算法

游戲BCI性能由正確率、交互速度等因素綜合衡量，系統(tǒng)性能由BCI解碼算法決定。解碼算法是根據(jù)腦電信號所包含的信息，從中提取出相應特征，進而對不同任務進行區(qū)分。上文中將游戲型腦-機接口系統(tǒng)分為主動式、反應式和被動式3大類，由于其信號產(chǎn)生方式不同，腦電信號存在不同程度的差異，在實際應用中分別有對應的分類算法。

主動式BCI主要以 MI范式為主，MI任務信號的產(chǎn)生一般伴隨著不同的感覺運動節(jié)律(Sensory Motor Rhythm, SMR)，即各腦區(qū)特定頻段功率的升高或降低，因此空間特征的提取對于想象運動狀態(tài)十分重要。通常，MI首先通過共空間模式(Common Spatial Pattern, CSP)及其擴展算法濾波器組共空間模式(Filter Bank Common Spatial Pattern,FBCSP)從SMR中提取特征向量，之后利用線性判別分析(Linear Discriminant Analysis, LDA)、支持向量機(Support Vector Machines, SVM)、K值最近鄰(K-Nearest Neighbor, KNN)、樸素貝葉斯分類器(Naive Bayesian Classifier, NBC)等傳統(tǒng)機器學習分類器，完成訓練與預測等過程。在傳統(tǒng)機器學習分類器基礎(chǔ)上，不少研究者圍繞MI-EEG信號的高維度等獨有特性對傳統(tǒng)分類器進行適當?shù)母倪M，取得了良好的效果。但傳統(tǒng)機器學習分類器與改進后的機器學習分類器，均需在分類操作前進行特征提取步驟。與這些分類器相比，目前深度學習分類器不僅可以對提取到的特征進行分類，也可以從原始信號中自行學習有鑒別性的特征，并完成整個分類過程。黎曼幾何分類器因其具有高魯棒性和較強的泛化能力，也逐漸用于MI-BCI的分類識別中。

反應式BCI主要以 SSVEP，P300為主，這類信號在分類前通常需要進行數(shù)據(jù)預處理(包括降采樣、濾波、獨立成分分析等)，目的是通過去除與任務無關(guān)的噪聲以提高信號的信噪比。SSVEP分類算法根據(jù)是否需要訓練數(shù)據(jù)可分為有訓練和無訓練解碼算法兩類。有訓練解碼算法主要包括任務相關(guān)成分分析(Task-Related Component Analysis,TRCA)及其改進算法，同時還包括部分需訓練的CCA改進算法，這類算法利用被試個體數(shù)據(jù)來訓練得到最優(yōu)模型，并用其解碼測試個體數(shù)據(jù)，能夠取得較好的分類效果。無訓練解碼算法主要包括功率譜密度分析(Power Spectral Density Analysis,PSDA)、典型相關(guān)分析(Canonical Correlation Analysis, CCA)等算法，這類算法的優(yōu)勢是不需要額外的被試腦電數(shù)據(jù)作為校準數(shù)據(jù)，但分類正確率相對有訓練解碼算法較低。P300分類算法包括基于非空間信息的解碼算法和基于空間信息的解碼算法，非空間信息的解碼算法包括線性判別分析LDA及其改進算法、支持向量機等算法?；诳臻g信息的解碼算法包括典型判別模式匹配(Discriminative Canonical Pattern Matching, DCPM)、時空判別分析(Spatial-Temporal Discriminant Analysis, STDA)等解碼算法。相比于非空間信息的解碼算法，基于空間信息的解碼算法將空間信息融入到解碼算法中，能夠取得較好的效果。

被動式BCI是通過檢測腦電信號，來評估用戶的精神和情緒狀態(tài)。如采用腦電不同節(jié)律下能量的比值來區(qū)分不同腦力疲勞狀態(tài)，并用這類特征指標構(gòu)建分類器。目前被動式BCI的分類主要依賴傳統(tǒng)的機器學習算法，如線性判別分析LDA、逐步線性判別分析SWLDA、支持向量機SVM等，都能夠?qū)⒂芯康木窕蚯榫w狀態(tài)從周圍環(huán)境的“噪聲”中分離出來，但需要用戶的訓練數(shù)據(jù)進行校準。2016年，Schultz等人開發(fā)并測試了一種無監(jiān)督(即不需要任何校準階段)算法，成功實現(xiàn)對操作員的不同工作負載狀態(tài)進行分類。

BCI分類算法近年來發(fā)展較快，不同類型的BCI分類算法在克服EEG信號變異性大、信噪比低等方面不斷取得突破，分類準確率逐步提升。目前傳統(tǒng)的分類算法在游戲BCI的應用中取得了較好的分類效果，但游戲BCI在交互過程中通常要求“易上手、好操作”，相比而言，無訓練算法更能滿足這一需求，因此有待無訓練算法的進一步發(fā)展來推動游戲BCI的進步。

3 未來趨勢與挑戰(zhàn)

綜上所述，游戲BCI在教育娛樂、康復醫(yī)療等領(lǐng)域已經(jīng)表現(xiàn)出較廣闊的應用前景[46-48]。然而，目前大多數(shù)研究中游戲BCI都被用于訓練，且采用了簡化的游戲機制，距離走出實驗室面向大眾還面臨著很多挑戰(zhàn)[49]。下面將從硬件設(shè)備、數(shù)據(jù)處理、游戲設(shè)計3方面分析游戲BCI存在的問題和未來的發(fā)展趨勢。

在硬件設(shè)備方面，缺乏性能更好、成本更低的腦電設(shè)備是游戲BCI面臨的一大難題。目前實驗室使用的高性能科研級腦電設(shè)備存在成本高、體積大、佩戴復雜等問題，不適用于游戲領(lǐng)域。面向游戲的腦電設(shè)備應逐漸向便攜化、智能化發(fā)展。另外，在視覺刺激的呈現(xiàn)上，虛擬現(xiàn)實系統(tǒng)也是未來的發(fā)展方向。與傳統(tǒng)的平面顯示器相比，虛擬現(xiàn)實系統(tǒng)能夠提供更直接、更準確的反饋，用戶能夠獲得較好的沉浸感，從而提高用戶對游戲的投入度與積極性[50-52]。

在數(shù)據(jù)處理方面，現(xiàn)有腦電信號常采用有訓練的方式。通過采集較長時間的用戶訓練數(shù)據(jù)，系統(tǒng)性能才能達到使用要求，且在游戲交互過程中腦電信號因其具有非線性、非平穩(wěn)特性，受用戶肢體動作和認知程度影響，難以滿足游戲交互高反應速度、高分類正確率的需求。另外，腦電信號還易受到外界環(huán)境等因素的干擾，從而降低系統(tǒng)性能。因此，有待開發(fā)魯棒性更強的數(shù)據(jù)處理方法[53]。

在游戲設(shè)計方面，市場上的游戲設(shè)計和視頻圖像與實驗室中存在一定的差距。實驗所用的BCI游戲場景，通常刺激過于強烈，容易引起受試者的不適，體驗感較差，微弱刺激的范式也許是未來的重要發(fā)展方向[54]。另外，上文提到的多人控制游戲也表現(xiàn)出了較好的效果和較強的游戲樂趣，也將成為未來研究中的一個重要方向。

4 結(jié)束語

本文介紹了基于頭皮腦電的游戲型腦-機接口技術(shù)，將其按控制信號類型分為主動式、反應式、被動式以及混合范式，介紹了不同類型游戲BCI的控制策略和應用場景，并對游戲BCI中目前常采用的分類算法進行分析，系統(tǒng)梳理了游戲BCI當前的研究進展，表明其在教育娛樂、康復醫(yī)療等領(lǐng)域有廣闊的應用前景。最后討論了BCI與游戲結(jié)合過程中的優(yōu)勢以及游戲BCI未來的發(fā)展趨勢與挑戰(zhàn)?，F(xiàn)階段，腦-機接口在游戲領(lǐng)域的發(fā)展還處在初級階段，但隨著科學與工程技術(shù)的進步，未來腦-機接口在游戲領(lǐng)域的應用前景十分廣闊。