基于代码调制视觉诱发电位（c-VEP）的混合现实与脑机接口整合研究

本研究针对脑机接口（BCI）系统在准确率、速度和用户舒适度方面的需求，创新性地将混合现实（MR）技术与基于代码调制视觉诱发电位（c-VEP）的BCI拼写系统相结合。研究团队开发了一套36字符的MR-c-VEP拼写系统，通过对20名健康受试者的测试，发现MR条件实现了96.71%的准确率和27.55 bits/min的信息传输率（ITR），与传统屏幕条件（95.98%，27.10 bits/min）无显著差异。问卷评估显示两种条件下均呈现较低的视觉疲劳度和较高的系统可用性。这项研究首次证明了c-VEP在MR环境中的可行性，为开发更沉浸式、便携化的BCI通信系统提供了重要技术支撑，对推动辅助通信技术发展具有重要意义。

　　

在脑科学与神经工程领域，脑机接口（Brain-Computer Interface, BCI）技术为严重运动功能障碍患者提供了全新的通信途径。通过解读大脑活动信号，BCI系统能够实现对外部设备的直接控制，其中视觉诱发电位（Visual Evoked Potential, VEP）因其高信噪比和稳定性成为重要范式。传统BCI拼写系统通常依赖计算机屏幕呈现视觉刺激，虽然取得了显著进展，但在便携性、沉浸感和用户体验方面存在局限。近年来，扩展现实（Extended Reality, XR）技术的兴起为BCI系统带来了新的可能性，尤其是混合现实（Mixed Reality, MR）技术能够将虚拟信息无缝融合到真实环境中，为使用者创造更自然的交互体验。然而，将MR与基于代码调制视觉诱发电位（code-modulated Visual Evoked Potential, c-VEP）的BCI系统相结合的研究尚未见报道，这种整合能否在保持高性能的同时降低视觉疲劳程度，成为研究人员关注的重点问题。

为了探索这一前沿领域，由Selene Moreno-Calderón、Víctor Martínez-Cagigal等研究人员组成的团队在《Biocybernetics and Biomedical Engineering》期刊上发表了创新性研究成果。该研究首次系统评估了MR与c-VEP-BCI整合的可行性，并比较了MR环境与传统屏幕在视觉疲劳方面的差异。研究采用Unity引擎开发了包含36个字符的QWERTY布局拼写界面，支持大小写字母、数字和特殊符号的切换，并集成了基于n-gram模型的智能词句预测功能。实验采用g.USBamp放大器采集16通道脑电信号，采样率为256 Hz，电极布局遵循国际10-10系统。信号处理采用7阶IIR Butterworth滤波器组（1-60 Hz、12-60 Hz和30-60 Hz）进行预处理，结合典型相关分析（Canonical Correlation Analysis, CCA）进行目标识别。研究招募20名健康受试者，在MR（Meta Quest 3头显）和传统屏幕两种条件下完成相同的拼写任务，使用120 Hz刷新率呈现127位m序列编码的视觉刺激。通过准确率、信息传输率（Information Transfer Rate, ITR）和问卷调查（系统可用性量表和视觉疲劳测试）等多维度指标进行评估。

主要研究结果如下：

性能表现分析：MR条件达到96.71%的平均准确率和27.55 bits/min的ITR，与传统屏幕条件（95.98%，27.10 bits/min）无统计学显著差异（p>0.05）。随着刺激周期数增加，准确率呈现上升趋势，5个周期时MR条件即可达到92.57%的准确率，表明选择时间可从10.50秒缩短至5.25秒而不影响使用效能。

脑响应特征：通过Oz通道记录的视觉诱发电位显示，两种条件下均观察到典型的VEP波形，但MR条件出现轻微信号延迟，可能与MR系统图形渲染的额外计算负荷有关。地形图分析显示枕叶区域（视觉皮层）激活最为显著，传统屏幕条件还观察到顶叶皮层参与，反映了不同视觉处理通路的 engagement差异。

用户体验评估：系统可用性量表（SUS）得分达85.87±8.34，表明用户对系统持高度认可态度。视觉疲劳测试显示两种条件均引起轻度不适，MR条件平均疲劳度为3.45（1-10尺度），传统屏幕为4.60，无显著差异。多数参与者（11/20）表示偏好MR体验，认为其沉浸感增强了交互体验。

讨论与结论：

本研究首次证实了c-VEP-BCI系统在MR环境中的可行性，实现了与传统屏幕相当的性能指标。这种整合不仅保持了BCI系统的高精度特性，还通过MR技术增强了系统的沉浸感和便携性，为未来开发更实用的辅助通信设备奠定了基础。研究发现MR环境并未显著增加视觉疲劳，消除了人们对闪烁刺激在头戴式显示器中可能引发不适的担忧。智能词句预测功能的集成进一步提高了通信效率，展现了BCI系统在实际应用中的潜力。

研究的创新性体现在多个方面：首次将c-VEP范式与MR技术结合；采用了高刷新率（120 Hz）刺激呈现优化系统性能；开发了支持多模式切换的智能拼写界面；通过主客观指标全面评估系统效能和用户体验。这些创新为BCI系统在增强现实环境中的推广应用提供了重要参考。

然而，研究也存在一定局限性：受试者均为健康人群，未来需要在运动功能障碍患者中验证系统有效性；实验在静态坐姿下进行，动态环境中的性能仍需评估；当前系统采用湿电极，未来可探索干电极或集成式XR-BCI设备提升舒适度。

从技术发展角度看，这项研究为BCI技术与沉浸式计算的融合开辟了新方向。随着MR硬件性能提升和信号处理算法优化，特别是深度学习模型在EEG解码中的应用，未来MR-BCI系统有望在准确率、响应速度和用户体验方面实现更大突破。这种技术融合不仅对辅助通信领域具有重要意义，也为神经康复、虚拟控制和人机交互等领域提供了新的技术路径。

总之，这项研究成功证明了基于c-VEP的BCI系统在MR环境中的适用性，为开发新一代沉浸式脑机接口系统奠定了坚实基础，推动了辅助通信技术向更自然、更舒适、更高效的方向发展。