AI 突破提高脑机接口的复杂脑信号解码能力

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率解码复杂的大脑活动，这标志着脑机接口（BCI）发展的一个重要步骤。这种突破可能有助于加速辅助技术的开发，这些技术可以让神经系统疾病患者通过思维控制设备，如假肢、轮椅和康复机器人。

该研究由千叶大学的博士生沈朝文和教授南木昭男领导，引入了一种新的深度学习架构，称为嵌入驱动图卷积网络（EDGCN）。该系统旨在同时解释脑电信号的空间和时间结构。

该框架的核心是一个嵌入驱动融合机制，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个体之间和时间上的变化。

该架构集成了多个专用组件：

多分辨率时间嵌入（MRTE）

该模块分析脑电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，允许系统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）

脑信号并不孤立；不同脑区之间持续交互。SASE机制通过纳入局部和全局连接结构来模拟这些交互，允许人工智能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参数库中动态生成图卷积参数。该模型使用Chebyshev图卷积，一种高效地模拟复杂网络内关系的技术。

正交约束核

为了进一步提高鲁棒性，模型在其卷积核中引入正交约束。这种方法鼓励在学习特征中产生多样性并减少冗余，有助于系统从脑电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BCI竞赛IV基准数据集测试了EDGCN。

该模型实现了：

• 90.14%分类准确率在BCIC-IV-2b数据集上
• 86.50%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，并展示了在不同主题上的强大泛化能力。

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影响。

基于运动想象的BCI已被探索用于以下应用：

• 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

提高解码准确率可以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，患者可能可以通过简单的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。

根据南木教授的说法，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。

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广泛采用的一大障碍。

像EDGCN这样的进步可能有助于将BCI系统推向消费级别的神经技术。

通过提高系统处理异质脑信号的能力，该模型减少了对广泛的校准和专家调优的需求。这是将BCI系统用于研究环境以外的关键一步。

未来研究可能会专注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进步，这些系统可能会实现更易访问和更大规模的脑机接口。

迈向更深层次的人机集成

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行，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代新技术铺平道路，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。

如果进展继续按照当前的速度进行，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，从而能够恢复数百万人在全球范围内的独立性和行动能力。