AI 突破提高脑机接口通过解码复杂脑信号

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性解码复杂的脑活动，这标志着向更可靠的脑机接口（BCIs）发展的一个重要步骤。这种突破可能有助于加速开发允许人们通过思想控制设备（如假肢、轮椅和康复机器人）的辅助技术的发展，尤其是对于那些有神经系统疾病的人。

研究由千叶大学工学研究科的博士生沈朝文和教授浪木昭夫领导，介绍了一种称为嵌入驱动图卷积网络（EDGCN）的新型深度学习架构。该系统旨在解释大脑在想象移动肢体时生成的复杂电信号——这被称为运动想象。

脑机接口和运动想象

脑机接口旨在创建人类大脑和外部机器之间的通信通道。与依赖肌肉运动不同，BCI解释神经信号并将其转换为数字系统或物理设备的命令。

脑机接口研究中最广泛研究的方法之一涉及运动想象电生理图（MI-EEG）。在这些系统中，用户想象执行运动——例如抬起手、握住物体或行走。即使没有发生物理运动，大脑也会生成与想象运动相关的独特电活动模式。

这些信号可以使用非侵入性技术——脑电图（EEG）记录，脑电图通过头皮上的电极记录脑活动。EEG提供了多通道时间序列数据，代表大脑不同区域的神经活动。

准确解码这些信号允许计算机将神经活动转换为可执行的命令。在实践中，这可能允许患有瘫痪或严重运动障碍的人仅通过想象运动来控制辅助技术。

然而，实现对MI-EEG信号的可靠解码仍然是神经技术发展中最具挑战性的问题之一。

为什么脑信号难以解码

脑机接口开发中的主要障碍在于EEG信号的固有复杂性。

运动想象信号显示出高空间时间变异性，意味着它们在不同的大脑区域和时间上都有所不同。它们在个体之间甚至在同一个人不同会话之间也存在显著差异。

传统的机器学习模型通常难以应对这些变化。许多现有的系统依赖于预定义的图结构或固定参数，假设脑信号以一致的模式表现。实际上，神经信号远比这更动态和异质。

早期方法经常使用诸如共同空间模式分析或传统卷积神经网络等技术来从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，但它们经常无法捕捉大脑区域之间的深层次交互或随时间变化的模式。

因此，许多BCI系统在能够有效地为个别用户工作之前，需要进行大量的校准和训练。

一种新方法：嵌入驱动图卷积网络

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

他们的解决方案——嵌入驱动图卷积网络（EDGCN）——结合了多种高级技术来同时建模EEG信号的空间和时间结构。

在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。与依赖固定架构不同，EDGCN适应其内部表示以更好地捕捉主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EEG信号的不同时间尺度。由于神经信号迅速演变，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；不同的大脑区域持续相互作用。SASE机制通过纳入EEG电极的局部和全局连接结构来建模这些相互作用。这样，AI就可以将大脑表示为一个网络，而不是独立的信号通道。

异质性感知参数生成

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主体脑信号的独特特征。

为了支持这一过程，研究人员使用了Chebyshev图卷积，一种高效地对复杂网络中的关系进行建模的技术。

正交约束核

为了进一步提高鲁棒性，模型引入了其卷积核中的正交约束。这鼓励在学习的特征中多样性，并减少冗余，有助于系统从EEG信号中提取更丰富的表示。

这些组件共同使EDGCN能够捕捉局部神经活动模式和大脑区域之间的大规模交互，从而实现对运动想象信号的更准确解码。

性能结果

研究人员使用脑机接口研究领域中广泛使用的基准数据集——BCI Competition IV进行了EDGCN的测试。

该模型实现了：

• 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，并展示了在不同主体上的强大泛化能力。

重要的是，该系统在跨主体场景中也表现出改善的适应性，这是实际BCI部署的一个关键要求。许多现有的模型在单个训练用户上表现良好，但在应用于新个体时会失败。EDGCN的嵌入驱动架构有助于克服这一限制，通过更好地建模个体差异。

对于康复和辅助技术的影响

更准确地解码脑信号可能对辅助技术产生深远的影响。

基于运动想象的BCI已经被探索用于诸如：

• 思维控制轮椅
• 神经假肢
• 机器人康复设备
• 瘫痪患者的通信系统

提高解码准确率可能会使这些技术更加可靠和易于使用。

研究人员认为，像EDGCN这样的系统可能有助于患有以下疾病的患者：

• 中风
• 脊髓损伤
• amyotrophic横纹肌萎缩症（ALS）
• 其他神经肌肉疾病

通过更可靠的信号解释，患者可能能够仅通过想象运动来控制神经康复设备，从而实现与辅助系统更自然的交互。

根据浪木教授的说法，解码运动想象信号不仅是一项技术挑战，也是更好地理解大脑如何组织运动和神经连接性的一个机会。

向消费级脑机接口迈进

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广泛采用的一大障碍。

像EDGCN这样的进步可能有助于将BCI更接近消费级神经技术。

通过提高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BCI系统在研究环境之外可用的一个关键步骤。

未来的研究可能会专注于将此类AI模型集成到便携式EEG系统和可穿戴设备中。结合传感器技术和计算能力的改进，这些系统可能会实现更易访问和更大规模的脑机接口。

迈向更深入的人机集成

EDGCN的开发反映了人工智能和神经科学中更广泛的趋势：使用图神经网络来模拟生物系统。

由于大脑本身作为一个复杂的相互连接的区域网络运作，图神经网络为其结构和动态提供了自然的表示方式。随着这些AI模型变得更加复杂，它们可能会解锁对神经活动和认知的更深入的见解。

最终，更准确地解码脑信号可能会为一种新一代技术铺平道路，这些技术将使人类能够比以往任何时候都更无缝地与机器交互。

如果进展按照当前的速度继续，脑机接口可能很快会从实验研究工具转变为日常辅助技术，能够恢复数百万人的独立性和行动能力。