人工智能技術在腦-機接口中的應用

彭淳 廣州市協和中學

引言

人工智能(AI)研究和開發用于模擬和擴展人的智慧的理論、方法和技術及應用系統，是會給人類社會帶來根本性變革的技術趨勢。腦-機接口(Brain-Computer Interface，BCI)，是在人腦、動物腦或者腦細胞的培養物與外部設備間建立的連接通路。腦-機接口可以應用于聽覺、視覺和肢體運動能力損傷的恢復，也可以增強人體功能，需要綜合應用腦科學技術、人工智能技術、計算機技術和新材料技術等。本文將簡要地介紹人工智能技術在腦-機接口中的一些應用。

1 基于混合種群物理算法訓練的神經網絡對腦電波的準確分類

在BCI 系統的研究中，根據μ 和β節律的變化及其空間分布，可以對不同的意象活動進行分類，多層感知器神經網絡(MLPNNs)是常用的分類方法。傳統的神經網絡訓練方法，如梯度下降法和遞推法，存在精度低、收斂速度慢、陷入局部極小等缺點。為了克服這些問題，Sajjad Afrakhteh 等人采用了一種混合種群物理算法(Hybrid Population-Physics-Based Algorithm)來訓練多層感知器神經網絡。混合種群物理算法是粒子群優化算法(Particle Swarm Optimization Algorithm)與引力搜索算法(Gravitational Search Algorithm)的組合。該算法與粒子群優化算法、引力搜索算法和新一代粒子群算法等多種元啟發式算法(Meta-Heuristic Algorithm)進行了比較，采用的度量指標是收斂速度和分類精度。結果表明，所提出的混合種群物理算法在大多數腦電數據集的研究對象中，與其他算法相比，具有很好或可以接受的性能。

2 腦-機接口的恐懼信號檢測及后續的自我防御系統

自衛是一種對策，包括保護自己的健康和福祉不受他人的損害，包括人和動物。Rheya Chakraborty 等人開發的系統旨在設計一種自動報警機制，該機制在不了解受害者的情況下，通過考慮人類的生物信號，自動運行。這個設備被稱為無聲警報自衛系統(SiLERT)。這是一個小型裝置，可以嵌入到一頂帽子中，它監測人的心跳速度和腦波，以檢測一個人在危險時的可怕狀況。一旦檢測到恐懼信號，系統會自動撥號并通過GPS 將緊急警報信息(包括用戶的位置)發送到一些預先定義的手機號碼，而不需要受害者和攻擊者的幫助。該系統的設計和實現使用了心跳和大腦傳感器以及一個微控制器來完成必要的步驟。有兩名受試者進行的兩個案例的實時實驗結果顯示出正常和恐懼的心理狀態，系統自動向預先定義的手機號碼發送了警報。

3 團簇聚類的腦-機接口中基于多目標的光標運動

腦-機接口是人腦和設備之間的一種橋梁技術，它能使來自大腦的信號引導一些外部活動，如光標或假肢的控制。在實踐中，大腦信號被流行的腦電圖技術捕獲，然后頭皮電壓水平被轉換成相應的光標運動。在基于多目標的BCI 中，首先將目標集分配給不同的集群，然后使用集群技術將光標映射到最近的集群。最后，光標在它自己的集群中按順序命中所有目標。Shubham Saurav 等人選擇了著名的團簇聚類技術(CLIQUE Clustering)，將光標分配到一個合適的群體中，如果光標的移動能及時達到最佳狀態，那么殘疾人就可以進行有效的交流。CLIQUE 聚類是基于密度和基于網格的聚類方法的集成，用于測量網格內單元格中光標的移動作為比特傳輸率，該技術使我們在多目標搜索方面提高BCI 系統的性能。

4 光學腦-機接口的運動圖像機器學習方法

功能近紅外光譜(FNIRS)是一種新興的光神經成像技術，是BCI 系統中一種較新的成像方式。解釋FNIRS BCI 系統的最佳范例和分類技術是一個活躍的研究領域。目前，大多數FNIRS BCI都采用線性判別分析(LDA)算法作為主要的分類方法。為了比較不同的算法，Lei Wang 等人重新分析了基于四類運動圖像的FNIRS BCI 研究的數據集，并系統地比較了不同機器學習算法的性能：Na?ve Bayes (NB)， LDA， Logistic Regression (LR)， Support Vector Machines (SVM) and Multi-layer Perception (MLP)。他們的研究結果表明，LR 分類器略優于其他分類器，不像大多數FNIRS BCI 研究報告中描述的LDA 或SVM 是最好的分類器。他們的研究結果表明，在運動圖像任務中，LR 分類器可以替代LDA分類器。

5 基于多模式增強現實和腦-機交互的功能殘疾人用戶驅動智能接口

Peng Gang 等人分析了目前人機交互的幾種模式和使用案例的集成嘗試。在多模式增強現實和腦-機交互的基礎上，他們提出了基于多模式增強現實和腦-機交互的無障礙智能接口的新概念，包括殘疾研究、教育、家庭護理、醫療保健、電子健康等，并給出了多模式增強的幾種應用實例。他們還概述了通過腦-機相互作用的神經物理通道進行即時反饋以提高人類理解能力的觀點。他們的研究表明，腦計算機接口技術為克服現有用戶接口的局限性提供了新的策略，特別是對于功能性殘疾人士。以前對低端消費者和開源BCI設備的研究結果使我們可以得出這樣的結論：機器學習(ML)、多模式交互(視覺、聲音、觸覺)與BCI 的結合將得益于通過ML 方法分類的實際神經生理反應的即時反饋。一般來說，BCI 與其他AR 交互模式相結合，可以提供比這些交互類型本身更多的信息。即使在目前的狀態下，合并的AR-BCI 接口也可以提供高度適應性和個人服務，尤其是對功能殘疾人士。

6 基于分形維數的時間不變腦電波分類

近年來，人們提出了幾種腦電波信號分類的計算技術，以提高腦-機接口的性能。然而，在校準階段，需要注意幾個問題，以使用戶更加友好，從而實現更可靠的BCI 應用。其中一個問題與BCI 的時不變穩健性有關，其目標是使用前一個會話中記錄的信息對未來會話中記錄的數據進行分類，避免重新校準。為了做到這一點，必須仔細選擇特征提取技術和分類算法。Rocio Salazar-Varas 等人提出用分形維數計算特征向量。為了評估這一建議的可行性，他們使用線性判別分類器將分形維數與自回歸模型的系數進行了比較。為了評估分形維數的時不變魯棒性，他們使用某一天內記錄的數據對分類器進行訓練，然后使用另一天記錄的數據對訓練后的分類器進行評估。這些實驗是用腦-機接口競爭III(Brain-Computer Interface Competition III)的數據集I 進行的。結果表明，分形維數的性能優于自回歸模型(這是BCI 應用中最常用的模型之一)。

7 小結

本文概要介紹了幾種新的人工智能技術在BCI 研究中的應用。混合種群物理算法、腦-機接口的恐懼信號檢測裝置、團簇聚類算法、運動圖像機器學習方法、多模式增強現實和腦-機交互智能接口、基于分形維數的時間不變腦電波分類等技術推進了腦-機接口BCI的應用進展。