脑机接口2 weeks ago
AI突破通过解码复杂脑信号改善脑机接口
日本千叶大学的研究人员开发了一种新的人工智能框架，能够以显著提高的准确度解码复杂的大脑活动，这标志着朝着更可靠的脑机接口（BCIs）迈出了重要一步。这一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仅凭思想来控制假肢、轮椅和康复机器人等设备。 这项由千叶大学研究生院工程学博士生沈超文和并木明夫教授领导的研究，引入了一种新颖的深度学习架构，称为嵌入驱动图卷积网络（EDGCN）。该系统旨在解读当一个人想象移动其肢体时大脑产生的复杂电信号——这一过程被称为运动想象。 脑机接口与运动想象 脑机接口旨在建立人脑与外部机器之间的直接通信通道。BCIs不依赖肌肉运动，而是解读神经信号并将其转换为数字系统或物理设备的命令。 脑机接口研究中最为广泛探索的方法之一涉及运动想象脑电图（MI-EEG）。在这些系统中，用户想象执行动作——例如抬手、抓取物体或行走。即使没有发生物理运动，大脑也会产生与想象动作相关的独特电活动模式。 这些信号可以通过脑电图（EEG）捕捉，这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。EEG提供代表大脑不同区域神经活动的多通道时间序列数据。 准确解码这些信号使得计算机能够将神经活动转化为可执行的命令。在实践中，这可以让瘫痪或严重运动障碍的患者仅通过想象动作来控制辅助技术。 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。 为何脑信号难以解码 脑机接口开发的主要障碍在于EEG信号固有的复杂性。 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大脑区域之间以及随时间变化而不同。它们在不同个体之间，甚至同一个人的不同会话之间也存在巨大差异。 传统的机器学习模型常常难以应对这些变化。许多现有系统依赖于预定义的图结构或固定参数，这些参数假设脑信号遵循一致的模式。实际上，神经信号要动态和异构得多。 早期的方法通常使用诸如公共空间模式分析或传统卷积神经网络等技术从EEG信号中提取特征。虽然这些方法可以识别神经活动中的某些模式，但它们常常无法捕捉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为个体用户有效工作之前，需要进行大量的校准和训练。 新方法：嵌入驱动图卷积网络 千叶大学的研究团队通过开发一种旨在更好地捕捉大脑活动复杂性的新深度学习框架来应对这些挑战。 他们的解决方案——嵌入驱动图卷积网络（EDGCN）——结合了几种先进技术，以同时建模EEG信号的空间和时间结构。 该框架的核心是一个嵌入驱动的融合机制，允许系统动态生成用于解码脑信号的参数。EDGCN不依赖固定架构，而是调整其内部表示，以更好地捕捉受试者之间和跨时间的变化。 该架构集成了多个专门组件： 多分辨率时间嵌入（MRTE） 该模块在不同时间尺度上分析EEG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上。MRTE从多分辨率功率谱模式中提取特征，使系统能够识别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；不同的大脑区域持续相互作用。SASE机制通过整合EEG电极之间的局部和全局连接结构来建模这些相互作用。这使得人工智能能够将大脑表示为一个网络，而非独立的信号通道。 异构感知参数生成 EDGCN框架最具创新性的方面之一是其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，这是一种有效建模复杂网络内关系的技术。...
