編輯 | 蘿蔔皮
腦機介面（BCI）有可能幫助恢復患者的運動功能，並透過提供大腦與機器人或其他裝置的直接連線，使普通大眾受益。
在最新的工作中，卡內基·梅隆大學（Carnegie Mellon University）賀斌教授團隊開發了一種使用基於深度學習 (DL) 的解碼器來連續跟蹤 BCI 系統的範例，並透過廣泛的線上實驗展示了其功能。
該團隊還研究了不同數量的訓練資料如何影響 DL 效能，並收集了超過 150 h 的 BCI 資料，這些資料可用於訓練新模型。
研究結果為開發基於深度學習的 BCI 解碼器提供了重要正規化，這些解碼器可以提高效能並有助於使 BCI 更接近實際應用和廣泛使用。
該研究以「Continuous tracking using deep learning-based decoding for noninvasive brain–computer interface」為題，於 2024 年 4 月 30 日釋出在《PNAS Nexus》。
腦機介面（BCI）技術透過解析腦電訊號，為人們提供了一種全新的與外部裝置互動方式，無需依賴肌肉運動，這為運動、語言障礙患者及健康人群的日常生活帶來革命性改變。BCI 的應用前景廣闊，從輔助殘障人士操控義肢到普通人無縫操作電子裝置，極大地提升了生活質量。
與侵入性腦機介面（例如 Neuralink 或 Synchron）相比，非侵入性腦機介面具有許多優勢。這些包括提高安全性、成本效益以及可供眾多患者以及普通人群使用的能力。然而，非侵入性 BCI 技術在實際應用中受到效能不穩定和操作維度有限的制約。
卡內基·梅隆大學賀斌教授團隊透過引入深度學習（DL）解碼器，突破現有 BCI 效能瓶頸，特別是在連續追蹤等複雜任務上的表現。連續追蹤要求使用者在大腦中想象動作以控制游標在二維平面上跟隨目標移動，這對 BCI 的實時性和準確性提出了更高要求。
賀斌團隊設計了一套標籤系統，將使用者的追蹤行為轉化為可供 DL 模型學習的監督訊號，採用提出的 EEGNet 和 PointNet 的兩種 DL 模型架構進行訓練。
圖示：線上實驗中的 DL 解碼結果。（來源：論文）
透過總計 28 位參與者的線上實驗，研究團隊積累了超過 150 小時的 BCI 資料，驗證了 DL 解碼器在隨時間推移的學習過程中顯著提升效能，最終超越了傳統解碼器。
在任務過程中，腦電圖（EEG）方法從大腦外部記錄了他們的活動。研究人員利用人工智慧訓練深度神經網路，然後利用 BCI 感測器資料直接解碼和解釋人類對連續物體運動的意圖。
「人工智慧技術的創新使我們能夠比傳統技術大大提高效能，併為未來在人群中廣泛應用帶來希望。」賀斌說。
此外，研究探索了遷移學習和會話中模型重校準策略，雖然遷移學習效果不明顯，但會話中模型更新展現了一定的提升空間。這些發現不僅為複雜 BCI 任務的效能最佳化提供了實證支援，還指出了深度學習和遷移學習作為 BCI 技術未來發展方向的潛力，同時也為構建針對特定任務的高階解碼模型提供了豐富的資料資源。
圖示：遷移學習結果。（來源：論文）
長期來看，持續增加的訓練資料和深入的演算法最佳化有望揭示 DL 解碼器效能與資料量之間的更細緻關係，推動 BCI 技術向更廣泛實用化邁進。
此外，該團隊的人工智慧腦機介面功能表明可以直接應用於連續控制機器人裝置。
「我們目前正在測試這種由人工智慧驅動的非侵入式腦機介面技術，以控制機械臂的複雜任務。」賀斌說，「此外，我們正在進一步測試它不僅適用於身體健全的受試者，還適用於患有運動障礙的中風患者。」
將來，患有脊髓損傷、中風或其他運動障礙但不想接受植入物的運動障礙患者，將從這項研究中受益。
「我們不斷推動非侵入性神經工程解決方案，以幫助每個人。」賀斌補充道。
論文連結：https://academic.oup.com/pnasnexus/article/3/4/pgae145/7656016
相關報導：https://techxplore.com/news/2024-05-refined-ai-approach-noninvasive-brain.html