人工智能突破通过解码复杂脑信号改进脑机接口

研究人员在 千叶大学 日本的研究人员开发了一种新的人工智能框架，能够以显著更高的准确率解码复杂的大脑活动，这标志着在提高人工智能可靠性方面迈出了重要一步。 脑机接口（BCI）这项突破可能有助于加速辅助技术的发展，使患有神经系统疾病的人能够通过意念控制假肢、轮椅和康复机器人等设备。

此 研究由千叶大学工学研究生院博士生沈超文和教授名木昭夫领导的研究团队，提出了一种名为“深度学习架构”的新型深度学习架构。 嵌入驱动图卷积网络（EDGCN）该系统旨在解释当一个人想象移动四肢时大脑中产生的复杂电信号——这一过程被称为运动想象。

脑机接口和运动想象

脑机接口旨在建立人脑与外部机器之间的通信通道。与依赖肌肉运动不同，脑机接口能够解读神经信号并将其转化为数字系统或物理设备的指令。

脑机接口研究中最广泛研究的方法之一是 运动想象脑电图（MI-EEG）。 在这些系统中，用户可以想象自己做出一些动作，例如举手、抓取物体或行走。即使没有实际的身体运动，大脑也会产生与这些想象动作相关的独特电活动模式。

这些信号可以通过以下方式捕获： 脑电图（EEG）脑电图（EEG）是一种非侵入性技术，通过放置在头皮上的电极记录大脑活动。脑电图提供多通道时间序列数据，代表大脑不同区域的神经活动。

准确解码这些信号可以让计算机将神经活动转化为可执行的指令。在实践中，这使得瘫痪或严重运动障碍患者只需想象动作即可控制辅助技术。

然而，实现对 MI-EEG 信号的可靠解码仍然是神经技术领域最困难的挑战之一。

为什么大脑信号难以解码

脑机接口开发的主要障碍在于脑电信号的固有复杂性。

运动想象信号表现出高度的时空变异性，这意味着它们在不同的脑区之间以及随时间推移都会发生变化。此外，个体之间的运动想象信号差异很大，甚至同一个人在不同的训练阶段之间也会有所不同。

传统的机器学习模型往往难以应对这些变化。许多现有系统依赖于预定义的图结构或固定参数，并假设大脑信号的行为模式是一致的。但实际上，神经信号远比这更加动态和异质。

早期的方法通常采用诸如空间模式分析或传统卷积神经网络等技术从脑电信号中提取特征。虽然这些方法可以识别神经活动中的一些模式，但它们往往无法捕捉到大脑区域之间更深层次的相互作用或随时间演变的模式。

因此，许多脑机接口系统在能够有效地为单个用户运行之前，需要进行大量的校准和训练。

一种新方法：基于嵌入的图卷积网络

千叶大学的研究团队通过开发一种新的深度学习框架来应对这些挑战，该框架旨在更好地捕捉大脑活动的复杂性。

他们的解决方案——嵌入驱动图卷积网络（EDGCN）——结合了多种先进技术，可以同时对脑电信号的空间和时间结构进行建模。

该框架的核心是一种基于嵌入的融合机制，它允许系统动态生成用于解码脑信号的参数。EDGCN 不依赖于固定的架构，而是调整其内部表示，以更好地捕捉个体间和时间上的变化。

该架构集成了多个专用组件：

多分辨率时间嵌入（MRTE）

该模块分析不同时间尺度的脑电信号。由于神经信号快速演变，重要信息可能出现在不同的时间分辨率下。MRTE 从中提取特征。 多分辨率功率谱模式这使得系统能够识别出原本可能被忽略的有意义的神经活动。

结构感知空间嵌入（SASE）

脑信号并非孤立存在；不同的脑区之间持续不断地相互作用。SASE机制通过整合脑电图电极之间的局部和全局连接结构来模拟这些相互作用。这使得人工智能能够将大脑表示为一个网络，而不是独立的信号通道。

考虑异质性的参数生成

EDGCN框架最具创新性的方面之一是它能够从嵌入驱动的参数库中动态生成图卷积参数。这使得模型能够适应每个受试者大脑信号的独特特征。

为了支持这一过程，研究人员使用了 切比雪夫图卷积这是一种能够有效模拟复杂网络中关系的技术。

正交约束核

为了进一步提高鲁棒性，该模型在其卷积核中引入了正交性约束。这有助于学习特征的多样性并减少冗余，从而帮助系统从脑电信号中提取更丰富的表征。

这些组件共同作用，使 EDGCN 能够捕捉局部神经活动模式和大脑区域之间的大规模相互作用，从而更准确地解码运动想象信号。

绩效结果

研究人员使用来自以下领域的广泛使用的基准数据集对 EDGCN 进行了测试： BCI竞赛IV这些是脑机接口研究领域的标准评估数据集。

该模型实现了以下目标：

• 90.14% 的分类准确率 在 BCIC-IV-2b 数据集上
• 86.50% 的分类准确率 在 BCIC-IV-2a 数据集上

这些结果超越了几种现有的最先进的解码方法，并证明了该方法在不同受试者之间具有很强的泛化能力。

重要的是，该系统在跨用户场景下也展现出更强的适应性，这是脑机接口实际部署的关键要求。许多现有模型在单个训练用户上表现良好，但在应用于新用户时则表现不佳。EDGCN 的嵌入驱动架构通过更好地建模个体差异，有助于克服这一局限性。

对康复和辅助技术的影响

更准确地解码脑信号的能力可能会对辅助技术产生深远的影响。

基于运动想象的脑机接口已被探索用于以下应用：

• 意念控制轮椅
• 神经假体
• 机器人康复设备
• 瘫痪患者的沟通系统

提高解码精度可以显著提高这些技术的可靠性和易用性。

研究人员认为，像EDGCN这样的系统可能有助于治疗以下疾病：

• 行程
• 脊髓损伤
• 肌萎缩侧索硬化症（ALS）
• 其他神经肌肉骨骼疾病

通过更可靠的信号解读，患者或许可以通过简单的想象动作来控制神经康复设备，从而与辅助系统进行更自然的互动。

据 Namiki 教授称，解码运动想象信号不仅是一项技术挑战，也是一个更好地了解大脑如何组织运动和神经连接的机会。

迈向消费级脑机接口

尽管经过数十年的研究，大多数脑机接口系统仍然局限于实验室或专门的临床环境。可靠性、适应性和易用性仍然是其广泛应用的主要障碍。

EDGCN 等技术的进步有助于推动脑机接口向消费级神经技术迈进。

通过提升系统处理异质脑信号的能力，该模型减少了对大量校准和专家调优的需求。这是使脑机接口系统能够在研究环境之外实际应用的关键一步。

未来的研究很可能侧重于将此类人工智能模型集成到便携式脑电图系统和可穿戴设备中。结合传感器技术和计算能力的提升，这些系统有望实现更便捷、更可扩展的脑机接口。

迈向更深层次人机融合的一步

EDGCN 的发展反映了人工智能和神经科学领域的一个更广泛的趋势：越来越多地使用基于图的神经网络来模拟生物系统。

由于大脑本身就是一个由相互连接的区域组成的复杂网络，图神经网络提供了一种自然的方式来表示其结构和动态。随着这些人工智能模型变得越来越复杂，它们或许能够揭示神经活动和认知更深层次的奥秘。

最终，改进脑信号解码技术可能会为新一代技术铺平道路，使人类能够比以往任何时候都更无缝地与机器互动。

如果目前的进展速度继续保持下去，脑机接口可能很快就会从实验研究工具转变为日常辅助技术，从而帮助全世界数百万人恢复独立生活能力和行动能力。