迈向眼脑计算机接口：在XR目标选择中结合注视与刺激前负电位

文献标题

Towards an Eye-Brain-Computer Interface: Combining Gaze with the Stimulus-Preceding Negativity for Target Selections in XR

文献信息

• 主题领域: 结合凝视跟踪与脑机接口（Eye-Brain-Computer Interface, EBCI）前沿研究，解决沉浸式虚拟现实场景中的用户交互问题。
• 关键词: 空间计算, 眼球追踪, 凝视交互, 脑机接口, EEG, 指向选择, 菜单选择, 辅助技术, Midas触碰（误选问题）。

研究背景与问题

• 发现的问题或挑战:

  1. 使用凝视交互进行目标选择虽然直观，但容易触发Midas触碰问题（系统误将用户的凝视当作选择信号）。
  2. 当前解决方法多依靠额外物理触发（如按键或眨眼），增加用户负担并削弱沉浸感。
  3. 常见的脑机接口（如P300事件相关电位、持续状态视觉诱发电位、运动想象等）存在高用户负担、认知疲劳和交互速度慢的问题，限制了其应用。

• 问题的重要性:

  1. 沉浸式虚拟现实（XR）和增强现实（AR）场景中，流畅和无意识的选择方式是用户体验的关键。
  2. "无接触"的交互方式在辅助技术和日常HCI中应用场景广泛。

• 研究动机与相关工作:

  • 近年来，"被动式脑机接口"（Passive BCI）引入如刺激前负波（Stimulus-Preceding Negativity, SPN），显示出简化用户任务负担的潜力。
  • 现有研究中，SPN 的应用多基于二维场景，缺乏对三维沉浸场景的探索。而 XR 场景的头部运动、视场变化等极大增加了研究复杂性。
  • 此外，过往研究未能明确区分用户选择意图还是反馈信息本身对 SPN 产生的影响。

解决方案

• 提出的方法或解决方案:

  1. 将眼动追踪与SPN（由EEG记录）相结合，用于解码用户选择意图。
  2. 使用实验验证SPN是否是用户选择反馈“预期”的结果，从而避免 Midas 触碰问题。

• 创新之处:

  • 首次在虚拟现实中的三维沉浸式场景下探索 SPN，对二维限制场景的研究形成拓展。
  • 引入对反馈与用户意图的核心因果分析，从而明确 SPN 仅由选择意图驱动。
  • 研究目标熟悉度对 SPN 效应的加速影响，探讨其在日常 BCI 应用中的可能性。

• 实施步骤与关键技术:

  1. 设计用户实验，让用户通过“凝视驻留”（750ms触发）进行目标交互，包括三种条件：意图选择（intent-to-select）、意图观察无反馈（intent-to-observe without feedback）、意图观察有反馈（intent-to-observe with feedback）。
  2. 使用集成在VR头显中的Tobii眼动追踪装置实时记录用户凝视位置，同时利用BioSemi ActiveTwo记录64通道EEG和EOG电信号。
  3. 数据分析中，独立分量分析（ICA）去除眼球运动伪迹，采用时间锁定事件相关电位（ERP）分析以提取-750ms到0ms的SPN信号。
  4. 通过单因变量方差分析（ANOVA）及大规模单变量统计（Mass Univariate Analysis），探索不同任务条件下SPN的显著性。

研究成果

• 具体成果:

  1. 实验首次验证SPN可显著区分选择意图与非选择意图，具体于用户凝视目标（意图选择）时观测到显著的负电位(-4 μV)。
  2. 验证了SPN仅由用户对反馈的选择“预期”驱动，而非反馈本身。
  3. 发现目标熟悉度可能加速SPN的出现，这为日常任务优化 BCI 时间窗口提供了可能途径。

• 与现有解决方案的优势:

  1. 无需用户额外物理输入，减少疲劳感；
  2. 被动式交互方式比基于P300和闪烁视觉诱发电位(SSVEP)的脑机接口更流畅；
  3. 大规模单变量统计（Mass Univariate Analysis）提供更高的时空精度，进一步提升了对SPN提取的鲁棒性。

• 实验或评估结果:

  1. 在意图选择任务中，SPN的显著负电位在O1, PO7, O2等电极上出现，达到显著水平；
  2. 对比意图选择与意图观察的条件，显著区别的时间窗口可早至选择目标的最初12毫秒内。

• 局限性与未来方向:

  1. 实验虽初步显示目标熟悉度加速SPN，但因滤波方案（高通滤波器的应用），未能确认统计显著性。
  2. 实验场景基于实验室高分辨率设备，而在线实时伪迹校正或者干电极设备的适应性须进一步评估。
  3. 未研究反馈完全移除的条件是否影响SPN的产生。
  4. 对真实环境中混杂“选择”与“观察”条件下的SPN区别仍需探索。

总结与未来展望

本文通过结合前沿SPN研究与眼动追踪引入一种被动式脑机接口方法，有效解决了沉浸式XR场景中的Midas触碰问题。未来方向包括开发真实场景下的在线分类模型，提高系统稳健性；并探索除选择任务以外更复杂的交互场景，如对象操控或动态值调整等。这项研究为眼脑联合的被动脑机接口开辟了新途径，不仅促进了BCIs从辅助工具到通用交互界面的转变，也为解决基于注视交互的核心难题提供了科学依据。