一般说来，传统脑机接口(BCI)系统的交互过程依靠一个图形化的用户界面，不利于设备的便携性。而一种无屏幕的BCI可以通过让机器人在外界环境中发出刺激从而实现更直接的命令其中机器人使用激光光点凸显环境中的候选对象，而用户的目标则从脑电图（EEG）的诱发信号中解码得来。这种方式对于BCI系统功能结构的升级提供了一种开创性思路，但同时为EEG分类的可靠性带来了挑战。
该团队将实际物体建模为子类，在黎曼切线空间中训练了专门的分类器，其中每个分类器都合并其他物体的数据从而实现正则化。
环境对象的突出显示
为了训练对同质和异质对象的分类能力，团队使用了8个候选对象作为潜在用户目标：4个具有相似表面的同质对象以及4个异质对象，均来自具有不同光学表面属性的日常物体。
图1 无屏幕BCI的设置
上图中，当用户关注其目标对象（本例中为魔方）时，机器人使用安装在末端执行单位附近的激光指示器依次凸显环境中的候选对象。其中，用户的目标对象（魔方，红色曲线）和其他非目标对象（蓝色曲线）之间对强光刺激的EEG反应（用绿色条标记）是不同的，即光学特性导致对两类物体的反应不同。当从脑电图对每个亮点的反应中预测用户目标时，该系统能够稳健地处理这些大脑反应的差异。
图2高亮显示时候选物体的特写照片
EEG信号解码
对用户目标对象的识别简化为EEG数据的二值分类问题：由于一开始就知道每个事件诱发电位(ERP)突出显示的对象，因此，可以通过选择相应高亮的目标分数最高的对象来预测目标。团队使用了一个基于黎曼几何的分类通道，基于协方差的黎曼切线空间实现了最佳的分类性能。
图3 无屏幕BCl的总体架构
上图中，为了识别用户意图，候选对象（对应于机器人可能的动作）被依次突出显示。对每个刺激点相应的时间窗口进行预处理，并使用它们的协方差进行分类。根据预测用户在给定时间窗口内参与目标的概率(即是否为目标)，确定最有可能的候选对象并采取相应行为。在这项工作中，团队识别了候选对象，并单纯提供解码对象的视觉反馈。在未来的应用程序设置结合了场景感知和相应的对象操作(用虚线框标记)。
图4 基于协方差的三种分类方法协方差投影到黎曼切线空间中，使用线性判别分析进行分类。分别为单个分类器的数据训练，每个子类单独的分类器训练，和特定子类分类器正则化到其他子类。
结果
图5 异质物体在电极Cz处的Grand平均响应
图6 不同分类通道对个体响应的分类性能：(A)分别为异质对象和同质对象的结果；(B)图比较了不同分类方法在个体参与者水平上的表现
图7 异质目标的平均正则化权重α每一行对应于一个特定于子类的分类器权重。
该团队证明了在无屏幕BCI系统中对ERPs的分类黎曼切线空间分类始终表现出比其他分类分类方法好的性能，提出了一种适用于任何子类和实验范式的方法。在总共19名健康参与者的多个实验中，该方法不仅提高了分类性能，而且在对异质和同质的对象分类中都很稳健。以上方法虽然在无屏幕BCI的情况下表现强大的性能，但同样也可自然地应用于具有潜在子类结构的其他实验范式，为BCI系统的便携式设计提供了一条全面思路。
