编辑 | 萝卜皮
脑机接口（BCI）有可能帮助恢复患者的运动功能，并通过提供大脑与机器人或其他设备的直接连接，使普通大众受益。
在最新的工作中，卡内基·梅隆大学（Carnegie Mellon University）贺斌教授团队开发了一种使用基于深度学习 (DL) 的解码器来连续跟踪 BCI 系统的范例，并通过广泛的在线实验展示了其功能。
该团队还研究了不同数量的训练数据如何影响 DL 性能，并收集了超过 150 h 的 BCI 数据，这些数据可用于训练新模型。
研究结果为开发基于深度学习的 BCI 解码器提供了重要范式，这些解码器可以提高性能并有助于使 BCI 更接近实际应用和广泛使用。
该研究以「Continuous tracking using deep learning-based decoding for noninvasive brain–computer interface」为题，于 2024 年 4 月 30 日发布在《PNAS Nexus》。
脑机接口（BCI）技术通过解析脑电信号，为人们提供了一种全新的与外部设备互动方式，无需依赖肌肉运动，这为运动、语言障碍患者及健康人群的日常生活带来革命性改变。BCI 的应用前景广阔，从辅助残障人士操控义肢到普通人无缝操作电子设备，极大地提升了生活质量。
与侵入性脑机接口（例如 Neuralink 或 Synchron）相比，非侵入性脑机接口具有许多优势。这些包括提高安全性、成本效益以及可供众多患者以及普通人群使用的能力。然而，非侵入性 BCI 技术在实际应用中受到性能不稳定和操作维度有限的制约。
卡内基·梅隆大学贺斌教授团队通过引入深度学习（DL）解码器，突破现有 BCI 性能瓶颈，特别是在连续追踪等复杂任务上的表现。连续追踪要求用户在大脑中想象动作以控制光标在二维平面上跟随目标移动，这对 BCI 的实时性和准确性提出了更高要求。
贺斌团队设计了一套标签系统，将用户的追踪行为转化为可供 DL 模型学习的监督信号，采用提出的 EEGNet 和 PointNet 的两种 DL 模型架构进行训练。
图示：在线实验中的 DL 解码结果。（来源：论文）
通过总计 28 位参与者的在线实验，研究团队积累了超过 150 小时的 BCI 数据，验证了 DL 解码器在随时间推移的学习过程中显著提升性能，最终超越了传统解码器。
在任务过程中，脑电图（EEG）方法从大脑外部记录了他们的活动。研究人员利用人工智能训练深度神经网络，然后利用 BCI 传感器数据直接解码和解释人类对连续物体运动的意图。
「人工智能技术的创新使我们能够比传统技术大大提高性能，并为未来在人群中广泛应用带来希望。」贺斌说。
此外，研究探索了迁移学习和会话中模型重校准策略，虽然迁移学习效果不明显，但会话中模型更新展现了一定的提升空间。这些发现不仅为复杂 BCI 任务的性能优化提供了实证支持，还指出了深度学习和迁移学习作为 BCI 技术未来发展方向的潜力，同时也为构建针对特定任务的高级解码模型提供了丰富的数据资源。
图示：迁移学习结果。（来源：论文）
长期来看，持续增加的训练数据和深入的算法优化有望揭示 DL 解码器性能与数据量之间的更细致关系，推动 BCI 技术向更广泛实用化迈进。
此外，该团队的人工智能脑机接口功能表明可以直接应用于连续控制机器人设备。
「我们目前正在测试这种由人工智能驱动的非侵入式脑机接口技术，以控制机械臂的复杂任务。」贺斌说，「此外，我们正在进一步测试它不仅适用于身体健全的受试者，还适用于患有运动障碍的中风患者。」
将来，患有脊髓损伤、中风或其他运动障碍但不想接受植入物的运动障碍患者，将从这项研究中受益。
「我们不断推动非侵入性神经工程解决方案，以帮助每个人。」贺斌补充道。
论文链接：https://academic.oup.com/pnasnexus/article/3/4/pgae145/7656016
相关报道：https://techxplore.com/news/2024-05-refined-ai-approach-noninvasive-brain.html
