人工智能技术在脑-机接口中的应用

彭淳 广州市协和中学

引言

人工智能(AI)研究和开发用于模拟和扩展人的智慧的理论、方法和技术及应用系统，是会给人类社会带来根本性变革的技术趋势。脑-机接口(Brain-Computer Interface，BCI)，是在人脑、动物脑或者脑细胞的培养物与外部设备间建立的连接通路。脑-机接口可以应用于听觉、视觉和肢体运动能力损伤的恢复，也可以增强人体功能，需要综合应用脑科学技术、人工智能技术、计算机技术和新材料技术等。本文将简要地介绍人工智能技术在脑-机接口中的一些应用。

1 基于混合种群物理算法训练的神经网络对脑电波的准确分类

在BCI 系统的研究中，根据μ 和β节律的变化及其空间分布，可以对不同的意象活动进行分类，多层感知器神经网络(MLPNNs)是常用的分类方法。传统的神经网络训练方法，如梯度下降法和递推法，存在精度低、收敛速度慢、陷入局部极小等缺点。为了克服这些问题，Sajjad Afrakhteh 等人采用了一种混合种群物理算法(Hybrid Population-Physics-Based Algorithm)来训练多层感知器神经网络。混合种群物理算法是粒子群优化算法(Particle Swarm Optimization Algorithm)与引力搜索算法(Gravitational Search Algorithm)的组合。该算法与粒子群优化算法、引力搜索算法和新一代粒子群算法等多种元启发式算法(Meta-Heuristic Algorithm)进行了比较，采用的度量指标是收敛速度和分类精度。结果表明，所提出的混合种群物理算法在大多数脑电数据集的研究对象中，与其他算法相比，具有很好或可以接受的性能。

2 脑-机接口的恐惧信号检测及后续的自我防御系统

自卫是一种对策，包括保护自己的健康和福祉不受他人的损害，包括人和动物。Rheya Chakraborty 等人开发的系统旨在设计一种自动报警机制，该机制在不了解受害者的情况下，通过考虑人类的生物信号，自动运行。这个设备被称为无声警报自卫系统(SiLERT)。这是一个小型装置，可以嵌入到一顶帽子中，它监测人的心跳速度和脑波，以检测一个人在危险时的可怕状况。一旦检测到恐惧信号，系统会自动拨号并通过GPS 将紧急警报信息(包括用户的位置)发送到一些预先定义的手机号码，而不需要受害者和攻击者的帮助。该系统的设计和实现使用了心跳和大脑传感器以及一个微控制器来完成必要的步骤。有两名受试者进行的两个案例的实时实验结果显示出正常和恐惧的心理状态，系统自动向预先定义的手机号码发送了警报。

3 团簇聚类的脑-机接口中基于多目标的光标运动

脑-机接口是人脑和设备之间的一种桥梁技术，它能使来自大脑的信号引导一些外部活动，如光标或假肢的控制。在实践中，大脑信号被流行的脑电图技术捕获，然后头皮电压水平被转换成相应的光标运动。在基于多目标的BCI 中，首先将目标集分配给不同的集群，然后使用集群技术将光标映射到最近的集群。最后，光标在它自己的集群中按顺序命中所有目标。Shubham Saurav 等人选择了著名的团簇聚类技术(CLIQUE Clustering)，将光标分配到一个合适的群体中，如果光标的移动能及时达到最佳状态，那么残疾人就可以进行有效的交流。CLIQUE 聚类是基于密度和基于网格的聚类方法的集成，用于测量网格内单元格中光标的移动作为比特传输率，该技术使我们在多目标搜索方面提高BCI 系统的性能。

4 光学脑-机接口的运动图像机器学习方法

功能近红外光谱(FNIRS)是一种新兴的光神经成像技术，是BCI 系统中一种较新的成像方式。解释FNIRS BCI 系统的最佳范例和分类技术是一个活跃的研究领域。目前，大多数FNIRS BCI都采用线性判别分析(LDA)算法作为主要的分类方法。为了比较不同的算法，Lei Wang 等人重新分析了基于四类运动图像的FNIRS BCI 研究的数据集，并系统地比较了不同机器学习算法的性能：Naïve Bayes (NB)， LDA， Logistic Regression (LR)， Support Vector Machines (SVM) and Multi-layer Perception (MLP)。他们的研究结果表明，LR 分类器略优于其他分类器，不像大多数FNIRS BCI 研究报告中描述的LDA 或SVM 是最好的分类器。他们的研究结果表明，在运动图像任务中，LR 分类器可以替代LDA分类器。

5 基于多模式增强现实和脑-机交互的功能残疾人用户驱动智能接口

Peng Gang 等人分析了目前人机交互的几种模式和使用案例的集成尝试。在多模式增强现实和脑-机交互的基础上，他们提出了基于多模式增强现实和脑-机交互的无障碍智能接口的新概念，包括残疾研究、教育、家庭护理、医疗保健、电子健康等，并给出了多模式增强的几种应用实例。他们还概述了通过脑-机相互作用的神经物理通道进行即时反馈以提高人类理解能力的观点。他们的研究表明，脑计算机接口技术为克服现有用户接口的局限性提供了新的策略，特别是对于功能性残疾人士。以前对低端消费者和开源BCI设备的研究结果使我们可以得出这样的结论：机器学习(ML)、多模式交互(视觉、声音、触觉)与BCI 的结合将得益于通过ML 方法分类的实际神经生理反应的即时反馈。一般来说，BCI 与其他AR 交互模式相结合，可以提供比这些交互类型本身更多的信息。即使在目前的状态下，合并的AR-BCI 接口也可以提供高度适应性和个人服务，尤其是对功能残疾人士。

6 基于分形维数的时间不变脑电波分类

近年来，人们提出了几种脑电波信号分类的计算技术，以提高脑-机接口的性能。然而，在校准阶段，需要注意几个问题，以使用户更加友好，从而实现更可靠的BCI 应用。其中一个问题与BCI 的时不变稳健性有关，其目标是使用前一个会话中记录的信息对未来会话中记录的数据进行分类，避免重新校准。为了做到这一点，必须仔细选择特征提取技术和分类算法。Rocio Salazar-Varas 等人提出用分形维数计算特征向量。为了评估这一建议的可行性，他们使用线性判别分类器将分形维数与自回归模型的系数进行了比较。为了评估分形维数的时不变鲁棒性，他们使用某一天内记录的数据对分类器进行训练，然后使用另一天记录的数据对训练后的分类器进行评估。这些实验是用脑-机接口竞争III(Brain-Computer Interface Competition III)的数据集I 进行的。结果表明，分形维数的性能优于自回归模型(这是BCI 应用中最常用的模型之一)。

7 小结

本文概要介绍了几种新的人工智能技术在BCI 研究中的应用。混合种群物理算法、脑-机接口的恐惧信号检测装置、团簇聚类算法、运动图像机器学习方法、多模式增强现实和脑-机交互智能接口、基于分形维数的时间不变脑电波分类等技术推进了脑-机接口BCI的应用进展。