北京邮电大学张洪欣教授团队：基于分布式架构的脑机接口教学系统设计与实现

基于分布式架构的脑机接口教学系统设计与实现

刘永博  张洪欣  杨晨

（北京邮电大学电子工程学院，北京 100876）

摘要：脑机接口目前发展迅猛，其应用范围十分广泛。脑机接口虽然在技术层面发展十分迅速，但在人才培养方面却存在很大缺口。基于分布式架构的脑机接口教学系统通过整合理论与实践，实现了算法提交、测评和反馈等功能，取得了帮助学生实时检测学习成果、支持教师进行针对性指导的效果。系统采用模块化设计，支持云端和本地部署，利用消息中间件和注册中心实现高效通信与调度。通过降低学习门槛，提升实践机会，该系统有效解决了脑机接口教学中实践不足、评价模式单一等问题，为培养脑机接口人才提供了重要支撑。

关键词：脑机接口；教学系统；实践教学

0  引言

脑机接口（Brain-Computer Interface，BCI）是新一代人工智能技术，它将人类脑部与外部设备之间进行连接^[1]，通过采集并解析大脑活动信号（如脑电图、功能性近红外光谱等），从而实现人机交互。通过将脑信号转换为计算机或其他外部设备可识别的指令，可以实现对设备的控制或信息的传递，方便人们的日常生活，仅仅凭借思想便可控制计算机做出对应操作^[2]。目前，脑机接口应用范围涉及医疗康复、辅助通信、认知增强及教育等多个领域，这项技术预期将改善人类生活质量并拓展人机交互的边界^[3-4]。

当今时代，脑机接口产业正在飞速发展，从脑机接口实现机械臂远程操作^[5]到脑机接口应用在医疗领域^[6]，脑机接口已经发展为一个横跨医疗、机械、通信等多领域的产业，并且其还在不断地发展^[7]。脑机接口的持续发展以及在多个领域的广泛应用，已经引起企业以及高校的广泛重视，并开始重视脑机接口人才的培育。众多高校已开设脑机接口相关专业，多个实验室正致力于该领域的研究并开发多种脑机接口系统，如天津大学开发的MetaBCI系统^[8]。虽然上述方式有助于脑机接口人才的培养，但是社会仍迫切需要脑机接口相关人才，为此本研究提出并开发了一套脑机接口教学系统，力求解决脑机接口开发者的空缺问题^[9]。

脑机接口的特殊性造就了其教育方式相对于传统的课堂教学有着很大的差别。脑机接口是一个融合通信、计算机、神经科学、心理学等一系列学科的交叉学科^[10]，其需要开发者对这些领域都有一些涉猎，才能进行脑机接口领域的开发与研究。就目前而言，学生在高校教育期间内，很少能获得专业的脑机接口实践机会，并且其在最初接触脑机接口时并没有足够的精力学好如此多的专业学科，这在一定程度上造成了脑机接口人才难以培养的困境^[11]。

本文为了解决脑机接口人才难以培养的问题，提出一套脑机接口教学实训系统，使得学生在课堂教学环节，可重点专注于脑机接口对应的范式以及算法的学习，而无需从零开发一套完整的脑机接口系统，从而降低学生开展脑机接口实践的难度，提升学生对于脑机接口的兴趣，使得未来脑机接口课堂教学更加贴合脑机接口领域核心部分。

1  当今脑机接口教学中遇到的挑战

在当前脑机接口教学过程中，教学工作面临诸多挑战，尤其是在教学模式、学科交叉性、实践环节和标准化等方面^[12]。

1.1  教学模式单一

目前，脑机接口教学主要依赖传统的课堂讲授与理论教学模式，教学方式较为单一，缺乏多样性。这种教学模式存在理论与实践严重脱节的问题，致使学生在学习脑机接口算法等理论知识后，难以将其有效应用于真实的脑机接口系统开发与实际应用中^[13]。在传统教学过程中，教师占据主导地位，学生处于被动接受知识的状态，课堂互动性与参与度较低。这不仅难以充分调动学生的探索精神和创新能力，也使得单一的教学方式无法让学生充分发挥主观能动性，不利于学生深入地学习脑机接口技术。此外，这种教学模式还可能对学生解决实际问题的能力产生负面影响，使学生难以适应脑机接口这一高度跨学科且发展迅速的领域需求。

1.2  交叉学科造成学习成本上升

脑机接口是一门高度交叉的科学技术，相关知识涉及到神经科学、计算机科学、工程学、心理学等知识^[14]，而实际上在教学中缺乏对这些学科知识的融合。分散化的教学导致学生对脑机接口学科知识了解不全面，例如学生可能对信号处理算法十分了解，却未对脑机接口系统有认知或了解。同时，教学资源分散，缺少课程体系，增加了学习难度。因此，亟需一个整合脑机系统的教学平台，让学生对脑机接口的算法进行设计，降低学生的学习难度。

1.3  实践环节不足

学生在脑机接口学习中难以获得脑机接口实验机会，造成这个问题的主要原因有两点：设备成本高昂和脑机接口实验复杂性高^[15]。设备成本高导致大量学校和研究机构难以承担脑机接口教学的设备费用，学生只能采用模拟脑机或基础理论为主的教学形式，缺少实验机会。实验流程复杂和技术门槛高两个因素又导致脑机接口实验需要多学科知识的支撑，学生往往无法独立完成整个实验，缺乏对脑机接口的研究和技术操作能力。

1.4  评价模式单一

在开展脑机接口教学时，评价模式单一是个突出问题。比如，学生的考试分数或理论作业是否完成是学生学习结果的主要评价标准，过分强调理论知识而忽视学生编写算法的综合能力。现有评价又鲜有对跨学科能力、团队合作和创新能力的考核，这些都是研究脑机接口所需的主要素养。评价模式的单一导致学生全方面培养不到位，学生学习兴趣和创造激情被束缚^[16]。

2  脑机接口教学系统实现目标

脑机接口是一项涉及多领域、多学科的前沿技术，其教学质量对培养高素质专业人才至关重要。针对当前脑机接口教学中存在的问题，本教学系统紧密结合实际教学需求，从教师教学与学生学习两个关键维度进行优化设计。

在教师教学层面，本系统致力于实现脑机接口理论教学与实验教学的有机融合，推动脑电信号课堂知识学习与脑电实验具体实践的深度统一。借助该系统，教师能够对实验课程进行系统性管理，有效达成课堂学习与实验实践的无缝对接，确保学生在理论知识学习的同时，能够通过实验操作深化对知识的理解与应用，提升教学效果。

从学生学习角度而言，学生可通过本教学系统随时随地提交算法，无需等待教师批改，即可直观地检测自身算法性能，实时实现学习成果评估。该系统不仅支持脑电算法的离线测评，还具备在线实验功能，将离线测试与在线实验相结合，极大地提升了学生学习的灵活性与实用性，满足学生多样化的学习需求，助力学生更好地掌握脑机接口技术。

在系统部署方面，本教学系统注重快速部署与灵活性。本系统拥有一套成熟的部署方案，采用模块化设计理念，支持云端部署与本地部署两种模式，从而实现分布式部署。教师可依据教学需求、学校设备条件等因素自主选择合适的部署方式，这种灵活的部署策略不仅能够满足多样化的课堂教学需求，还降低了系统部署的技术门槛，使其能够广泛应用于各类教学场景，为脑机接口教学提供有力支持。

本教学系统采用“消息中间件+注册中心+远程过程调用协议（Remote Procedure Call，RPC）接口”，学生依据自身需求跨语言开发算法，使得教学系统可以根据老师课堂需求，使用不同的语言开发算法，能够满足老师多样性教学需求。本教学系统核心平台采用分层结构，通过消息中间件和注册中心实现各模块高效调度和通信，提升系统稳定性和可扩展性；采用gRPC+Protobuf实现传输信息的封装和调用，通过Zookeeper实现模块注册和配置的功能，通过Kafka保证脑电信号传输有序性。

3  脑机接口教学系统的实现方案

本教学系统主要服务于学生和教师两类用户群体，旨在满足他们在学习与教学过程中的不同需求。从学生应用层面来看，系统具备基础的登录验证和用户注册功能，以保障用户账户安全及系统使用的规范性。在此基础上，还提供了算法代码的提交、运行和删除功能。学生能够便捷地提交自己编写的算法代码，系统即时响应运行，快速反馈结果，同时可根据实际情况对不再需要的代码进行删除操作，实现灵活的代码管理。此外，系统支持数据拉取功能，学生能够获取相关数据，以便深入开展数据分析与处理工作，助力其对脑机接口算法及相关知识的理解与实践。

针对教师的使用需求，本系统配备了评分查阅功能，教师可对学生提交的作业、实验报告等进行评分，并能随时查阅历史评分记录，便于对学生学习情况进行跟踪与评估。同时，系统支持基本的题目自定义功能，教师可根据教学进度、教学重点以及学生实际水平，灵活设置作业题目和实验任务，方便教学活动的开展以及后续教学工作的有序推进，有效提升教学的针对性和有效性。

学生和教师可以利用本系统完成算法提交与运行等主要功能（见图1）。同时，系统可实时查询学生算法成绩与测试数据，为学生提供反馈，学生也能够根据成绩与测试结果快速寻找问题并修改代码，实现算法的改进和优化。通过该系统，教师还可以对学生提交的算法进行查看，给出修改意见，使学生能够进行个性化学习，提高自身算法设计与优化的技巧。学生与教师均可利用本系统实现双向学习的目的，有利于学生自主式学习和教师高水平教学，快速提高自身算法设计与优化能力。

图1   脑机接口教学系统功能用例图

本文中所设计的脑机接口教学系统架构初步设计如图2所示，其主要分为脑机接口核心平台、数据库、消息中间件、注册与配置中心和教学平台5个部分。

图2   脑机接口教学系统架构设计图

3.1  脑机接口核心平台

脑机接口核心平台包括采集组件、刺激组件、中控组件以及处理组件四大组件，其对应的组件接口，守护进程及底层的通信平台。通过上层应用的4个组件，本系统可以实现在线刺激采集以及处理这一完整的脑机接口实验从而开展在线教学实验。组件接口、守护进程以及通信平台作为其对应的底层功能支撑，使得脑机接口核心平台中的组件可以调用消息中间件模块进行组件间的通信。脑机接口核心平台的组件通过守护进程将服务信息注册到Zookeeper，从而方便服务的管理以及配置。

在脑机接口核心平台的组件接口层之上，其有常见的脑机接口实验中所包含的采集、刺激、处理组件，并且还包含中控组件，用于整体启动对应的上层组件，确保脑电实验中的上述3个组件得以按序启动，并且可以控制启动和停止。

脑机接口核心平台上层组件从架构上主要分为脑电信号诱发、采集和云端判别3个主要模块（见图3），各个模块通过中央控制系统实现协同动作。刺激器生成特定模式的脑电信号，高精度采集系统配合刺激器实时捕获受试者的脑电反应数据，并将获取到的数据传送至云端智能判别系统来实现特征分析和结果判定。中央控制系统是整个系统的核心调度单元，通过对各个子系统进行时序控制、数据交互和状态监控来实现脑电实验流程和数据的有效性保证。系统集成化的脑电实验设计在很大程度上提升了实验效率，并为后面的成绩统计分析等工作提供可靠的数据基础。

图3   脑机接口教学系统核心平台上层组件通信图

在脑机接口核心平台的下层部分，本文则创新性地提出了组件接口和守护进程的部分，用于作为上层四大组件的支撑。

脑机接口核心平台的整体架构设计采用了高度模块化的架构（见图4），上层组件通过组件程序接口、守护进程、注册中心、消息中间件等核心模块实现了高效可靠的通信交互机制。其中组件程序接口的设计考虑到了多语言兼容性，支持Python、Java等多种主流编程语言，这样的设计理念既保证了系统的可拓展性与可配置性，降低了系统的学习难度和开发成本。具体而言，当多个系统之间进行集成或者组合时，只要将各子系统转化为适应相应语言的组件程序接口就能够无缝接入当前系统框架，此设计大幅提高了系统的可适用性与可移植性。对于学生开发人员而言，使用系统时无需学习新的编程语言，可以直接调用自己熟悉的编程语言进行开发。这一定程度上降低了开发难度，使得更多的开发者参与到脑机接口相关研究与开发工作中。

图4   脑机接口教学系统组件程序接口和节点守护进程

在通信协议上，采用先进的gRPC+Protobuf技术方案进行组件程序接口与节点守护进程之间的通信。gRPC是谷歌公司推出的高性能RPC框架，相比Socket连接，具有集成度高、开发效率高等特性并能提供服务发现、负载均衡；gRPC是基于HTTP/2协议实现的，能提供双向流等特性。Protobuf是一种高效的序列化工具，相比JSON字符串格式，在消息传输时对数据的压缩率更高、资源消耗更低。借助gRPC+Protobuf通信协议能够保障消息传输的一致性，减少由于数据上层传输而影响整个系统的稳定运行。

守护进程是整个系统的核心通信枢纽，并负责各个功能模块的协调工作。首先，守护进程与Curator框架深层次融合，与注册中心实现组件信息的自动注册和动态管理，实现了系统对各个组件运行状态的动态掌握；其次，与消息中间件协同配合，实现算法判别结果和脑电信号的可靠传递，负责整个系统的数据处理传递；再者，守护进程集成配置管理、消息管理、组件信息管理等核心功能模块，形成对整个系统的管理方案。中央控制系统可以利用注册中心对系统的各个组件进行统一调度和实时监控，确保各个组件之间能够相互协同配合，并且对系统的扩展性和兼容性进行了优化，便于不同系统之间的集成。这种优良的设计使得系统既可以满足当前脑电信号处理的需求，同时也具备了扩展各个系统功能和功能升级的模块化特性，可以为后续系统升级提供便利。

教学平台便是借助于脑机接口核心平台，从而实现多种功能性服务，包括数据、作业、权限管理、算法提交以及运行等功能。其依赖于核心平台，通过将核心平台作为支撑，在此之上开发对应的教学功能，以供老师以及同学们在实际教学中进行使用。其通过认证判断用户身份，依据不同用户提供不同的功能以供不同角色进行使用。

3.2  数据库

数据库系统是系统实现功能的重要组件，主要是存储用户基本信息、权限设置、代码存储路径、代码提交信息、代码运行结果信息以及实验数据的保存路径等，系统通过完善的数据库存储机制，为教师成绩复核功能提供了方便，学生可以根据自己需要随时查询数据库中的数据，如代码提交时间、运行结果、评分结果等，从而保证成绩评测的公平性与科学性。对学生来说，可以实时访问数据库以获得代码运行结果和评分结果，及时发现代码存在的问题，对系统输出的详细评分信息进行分析，并有针对性地对代码进行优化。这种“编码—测试—反馈—优化”的学习模式对学生编码学习效率的提升以及编程问题和代码优化意识的培养都具有十分明显的效果。同时，通过对比数据库提供的历史记录，对学生学习过程进行回顾，学生也可以进行反思和总结。

3.3  消息中间件

本系统选用Kafka作为消息中间件，以此实现各个组件间的基础通信。消息中间件的特点使得系统的分布式部署成为可能。传统的脑机接口系统采用单机部署的方式，即在单主机的情况下对采集、刺激及处理系统进行部署。由于硬件资源的限制，部分算法在进行计算时可能会导致刺激并不稳定从而使判别结果错误。本系统采用消息中间件，使得算法部分可以在云端部署，而本地只需部署刺激和采集模块即可，从而实现分布式部署。消息中间件的运用，让系统具备跨语言通信能力，如常用的Python、Java等编程语言，都能调用该消息中间件。不同组件之间依据事先约定好的消息格式来传递消息，如此一来，系统的不同模块能够采用不同语言进行开发。不同开发语言只需调用消息中间件在对应语言中的接口，就能完成消息从发送方经中间件到接收方的传递过程，极大地提升了系统的通用性。根据研究需求，在脑电处理过程中需妥善处理各个数据，选用Kafka作为消息中间件，Kafka能够有效保证脑电信号的有序性，从而保证课堂教学不会出现问题。另外，通过使用消息中间件，能够更好地实现系统的部署，支持云端部署，可以将刺激组件、采集组件部署在本地，计算任务在云端进行，大大减轻了本地硬件压力，这套教学系统的部署过程更加简便高效，使得这套教学系统能部署在教室等地方，方便教学工作的开展。

3.4  注册与配置中心

为了实现平台中的各模块统一的配置拉取、推送、接收核心组件告警信息、高效传递与集中管理，本系统采用注册与配置中心，从而提供一整套稳定、高效的管理平台服务。注册中心可以集中管理各组件使其能准确、高效地取得所需的配置信息。本系统中，注册中心接收各个服务的注册信息并进行维护，实现系统的高效消息订阅与推送。系统中各组件的注册信息统一管理，有效提高了系统的可扩展性和可维护性，保证了消息传递的稳定性与可靠性，为系统核心平台高效运行提供保障。

3.5  教学平台

教学平台的实现包括学生教师身份信息基础认证服务，实现教学场景下学生教师的即时认证登录，保证系统安全稳定运行。在数据交互方面，系统提供数据服务，允许教师将自己采集的脑电数据用于课堂。学生可以下载数据到本地使用，针对这一数据进行测试并判断离线算法。利用数据上传和下载，便于提前调试代码，将自己测控的代码直接调用在在线实验教学实验中，这样的实验增加了学员的交互性、实用性，提高了实验学习的交互度。另外，对于算法运行、提交功能，学生可以随时随地进行代码提交，系统将代码上传到云平台进行计算，并自动写入数据库记录成绩。这种设计打破了传统的课堂教学限制，学生可以在课外进行算法研究的实践与优化，有效提升了实践能力。同时降低学生对整个系统底层架构的认知成本，学生不用再去过多了解整个系统的部署过程就可以专注到算法设计与优化等学习方面，提升学习效率。

4  教学系统的应用与验证

4.1  教学系统的应用

由上述描述可知本系统可以实现课堂教学模式的创新，使得在日常的脑机接口教学过程中，学生可依据此系统随时随地提交代码进行测验，从而改进自己的算法逻辑，老师也可以通过学生成绩得分从而更好地了解学生的学习情况，从而进一步对学生科研路线做出更加精确的指导。

如图5所示，学生在登录脑机接口教学系统之后，便可以进行对应范式的理论学习，这使得学生在课堂之外仍有地方进行相关脑机接口技术资料的查阅。学生在一定程度上了解对应的脑机接口范式信息和对应的脑机接口算法后，便可下载对应的测试文件和数据，从而基于兴趣在已有脑机接口算法基础上进行创新，提出更加新颖的算法。之后学生便可以提交自己的代码，并进行代码成绩查询，这样可以检验自己的知识掌握水平，并依据评分来继续优化自己的代码，从而实现“理论学习—实践教学—知识掌握”的学习闭环。由此可见，本系统可以应对脑机接口教学过程中评价模式单一、难以进行教学实践的挑战，实现了预计的系统目标。

图5   脑机接口教学系统学生使用情况

4.2  教学系统的测试方案设计

为了检验本脑机接口教学系统在未来课程领域的可实现性与可应用性，本研究进行了模拟提交测试。在硬件配置上，本系统构建了一个以8核CPU、16GB内存及Ubuntu 20.04.4 LTS操作系统为基础的测试环境，用于脑机接口算法的提交执行测试，以此评估脑机接口教学系统的实际效能。此外，在相同配置的情况下，搭建出传统作业系统用于对比。

如图6所示，传统的脑机接口教学过程采用了串行判决方式，在完成一个任务之后才能进行下一次任务的判决。传统的作业系统主要是“学生提交—结果判决—系统评分”的流程。由于传统教学过程采用串行评判方式，所以在测试过程中，本文通过手动提交代码的方式，用于模拟老师检验学生算法的过程，并且通过日志等方式记录每次任务的运行时长，作为评判标准，从而消除人为因素的影响。本教学系统由于部署在云端，可以采用灵活高效的部署方案，使得在应用教学系统进行评测时，如图6所示，可以通过并行的方式进行一键评测，无需在单次任务执行完成之后再启动下次任务的执行，其可以在任务提交之后并行执行对应的算法任务。在结果记录方面，其同样采用日志的方式将对应的任务耗时进行统计，消除其余因素带来的影响。在之后的具体测试过程中，测验结果的准确性，本测试分别统计单人次提交任务耗时、三人次提交任务耗时、五人次提交任务耗时、十人次提交任务耗时，将每次测试的总体时间作为评价标准，通过多次测量消除偶发性因素带来的影响，从而保证测试结果的可信度。为保证测试的准确性，本教学系统和传统教学系统均采用相同的算法和数据，从而消除由于算法性能和数据准确性造成测试不准的因素。在每次测试完成后，通过记录对应的日志输出，得到此次测试任务所消耗的时间，用于后续分析。

图6   传统脑机接口教学系统与脑机接口教学系统测试执行流程图

4.3  脑机接口教学系统的测试评价指标

针对脑机接口教学系统性能的评估，本文采用总任务执行时间来进行评价。单个任务执行时间，便是算法从读取数据到判别再到反馈得分的总时间。总任务执行时间便是完成所有计算任务所消耗的总时间。为模拟实际课堂教学系统使用过程，本系统同样采用每人每次来进行模拟任务执行。单人次提交任务耗时便是模拟一人进行一次任务执行所消耗的执行时间。三人次提交任务耗时是模拟三人各进行一次任务执行所消耗的总任务执行时间，五人次提交任务耗时、十人次提交任务耗时依此类推。通过分析单人次提交任务耗时、三人次提交任务耗时、五人次提交任务耗时、十人次提交任务耗时，将脑机接口教学系统执行总任务所消耗时间与传统脑机接口教学系统中教师逐一运行学生提交算法所消耗总时间进行对比，在相同任务量下用时短则表明对应的系统效率高。

4.4  教学系统的测试结果分析

如图7所示，相比于传统作业提交系统，本脑机接口教学系统具有高并发的优势，在提交任务次数多的情况下，使用此系统能减少执行总体作业任务所需时间。传统教学作业评判过程采用串行评判方式，这在资源充足的情况下会造成资源浪费的现象，最终造成总体计算时间过长。如图7所示，脑机接口教学系统并发处理所用时间也略有提升，这是由于每次数据处理都需一定的资源来执行任务。虽然耗时增加，但是相对于传统的教师串行评判代码的方式，脑机接口教学系统耗时较少。由此可见，本教学系统在课堂场景下，可以有效地缩短学生从代码开发到算法实践的时间，从而提升学习效率，减轻教师课程压力。在几十乃至上百人的大课堂场景下，教师可以通过此系统来快速判别学生成绩，而学生也可以在短时间内得知自己算法的优劣，提升判卷效率，也方便学生学习成长。

图7   脑机接口教学系统与传统脑机接口教学系统任务次数及任务执行时间关系

5  结束语

本研究深入剖析了脑机接口的发展现状，明确指出在当前时代背景下，脑机接口领域人才储备相对匮乏。鉴于脑机接口的特殊性，相较于传统课堂教学，脑机接口的教学对实践环节的要求更为突出。在详细阐述当前脑机接口教学过程中所面临的挑战与痛点后，本文提出了一套具有创新性的分布式脑机接口教学系统，旨在为未来脑机接口教学提供新的解决方案。

该教学系统为学生提供了更为丰富的学习途径，学生不仅能够借助此系统学习理论知识，而且能够通过系统进行实践操作，有效弥补了当前脑机接口教学中实践不足的短板。针对当前教学模式单一、大多数教师只能通过课堂授课的方式进行教学的问题，本系统将实践和理论结合，提出解决方案。针对脑机接口门槛高，需要投入很大精力开展基础知识学习，本系统使得学生可以重点专注于脑机接口算法的开发。针对实践环节不足的情况，脑机接口教学系统可以使学生随时随地提交算法代码进行自我检测，从而使学生通过实践提升对脑机接口的理解。评价模式单一的问题也可以通过脑机接口教学系统进行解决，教师不仅可以依据学生课堂表现给出评价，还可以通过此系统来评估学生课后学习情况，从而对学生的知识掌握情况做出一个全面客观的评估。脑机接口教学系统能使学生逐步掌握脑机接口这一交叉融合学科的知识，为脑机接口领域培养更多高素质专业人才，推动该领域的持续发展与创新。

Design and implementation of brain-computer interface teaching system based on distributed architecture

LIU Yongbo, ZHANG Hongxin, YANG Chen

（School of Electronic Engineering, Beijing University of Posts and Telecommunications, Beijing 100876, China）

Abstract: Brain-Computer Interfaces (BCIs) are currently developing rapidly and their application scope is very wide. However, although the BCI is developing very rapidly at the technical level, there is a big gap in the training of BCI talents. The BCI teaching system based on distributed architecture realizes the functions of algorithm submission, evaluation and feedback by integrating theory and practice, and achieves the effect of helping students to check learning results in real time and supporting teachers to provide targeted guidance. The system adopts modular design, supports cloud and local deployment, and utilizes message middleware and registry to achieve efficient communication and scheduling. By lowering the learning threshold and enhancing the practice opportunities, the system effectively solves the problems of insufficient practice and homogeneous evaluation model in the teaching of BCI, and provides important support for the training of BCI talents.

Keywords: BCI; teaching system; practical teaching

本文刊于《信息通信技术与政策》2025年 第3期

《信息通信技术与政策》投稿指南！

为进一步提高期刊信息化建设水平，为广大学者提供更优质的服务，我刊官方网站（http://ictp.caict.ac.cn）已正式投入运行，欢迎投稿！

   推荐阅读  

导读：脑机接口

你“在看”我吗？