人工智能技術(shù)在腦-機(jī)接口中的應(yīng)用

彭淳 廣州市協(xié)和中學(xué)

引言

人工智能(AI)研究和開(kāi)發(fā)用于模擬和擴(kuò)展人的智慧的理論、方法和技術(shù)及應(yīng)用系統(tǒng)，是會(huì)給人類社會(huì)帶來(lái)根本性變革的技術(shù)趨勢(shì)。腦-機(jī)接口(Brain-Computer Interface，BCI)，是在人腦、動(dòng)物腦或者腦細(xì)胞的培養(yǎng)物與外部設(shè)備間建立的連接通路。腦-機(jī)接口可以應(yīng)用于聽(tīng)覺(jué)、視覺(jué)和肢體運(yùn)動(dòng)能力損傷的恢復(fù)，也可以增強(qiáng)人體功能，需要綜合應(yīng)用腦科學(xué)技術(shù)、人工智能技術(shù)、計(jì)算機(jī)技術(shù)和新材料技術(shù)等。本文將簡(jiǎn)要地介紹人工智能技術(shù)在腦-機(jī)接口中的一些應(yīng)用。

1 基于混合種群物理算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)腦電波的準(zhǔn)確分類

在BCI 系統(tǒng)的研究中，根據(jù)μ 和β節(jié)律的變化及其空間分布，可以對(duì)不同的意象活動(dòng)進(jìn)行分類，多層感知器神經(jīng)網(wǎng)絡(luò)(MLPNNs)是常用的分類方法。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，如梯度下降法和遞推法，存在精度低、收斂速度慢、陷入局部極小等缺點(diǎn)。為了克服這些問(wèn)題，Sajjad Afrakhteh 等人采用了一種混合種群物理算法(Hybrid Population-Physics-Based Algorithm)來(lái)訓(xùn)練多層感知器神經(jīng)網(wǎng)絡(luò)?；旌戏N群物理算法是粒子群優(yōu)化算法(Particle Swarm Optimization Algorithm)與引力搜索算法(Gravitational Search Algorithm)的組合。該算法與粒子群優(yōu)化算法、引力搜索算法和新一代粒子群算法等多種元啟發(fā)式算法(Meta-Heuristic Algorithm)進(jìn)行了比較，采用的度量指標(biāo)是收斂速度和分類精度。結(jié)果表明，所提出的混合種群物理算法在大多數(shù)腦電數(shù)據(jù)集的研究對(duì)象中，與其他算法相比，具有很好或可以接受的性能。

2 腦-機(jī)接口的恐懼信號(hào)檢測(cè)及后續(xù)的自我防御系統(tǒng)

自衛(wèi)是一種對(duì)策，包括保護(hù)自己的健康和福祉不受他人的損害，包括人和動(dòng)物。Rheya Chakraborty 等人開(kāi)發(fā)的系統(tǒng)旨在設(shè)計(jì)一種自動(dòng)報(bào)警機(jī)制，該機(jī)制在不了解受害者的情況下，通過(guò)考慮人類的生物信號(hào)，自動(dòng)運(yùn)行。這個(gè)設(shè)備被稱為無(wú)聲警報(bào)自衛(wèi)系統(tǒng)(SiLERT)。這是一個(gè)小型裝置，可以嵌入到一頂帽子中，它監(jiān)測(cè)人的心跳速度和腦波，以檢測(cè)一個(gè)人在危險(xiǎn)時(shí)的可怕?tīng)顩r。一旦檢測(cè)到恐懼信號(hào)，系統(tǒng)會(huì)自動(dòng)撥號(hào)并通過(guò)GPS 將緊急警報(bào)信息(包括用戶的位置)發(fā)送到一些預(yù)先定義的手機(jī)號(hào)碼，而不需要受害者和攻擊者的幫助。該系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)使用了心跳和大腦傳感器以及一個(gè)微控制器來(lái)完成必要的步驟。有兩名受試者進(jìn)行的兩個(gè)案例的實(shí)時(shí)實(shí)驗(yàn)結(jié)果顯示出正常和恐懼的心理狀態(tài)，系統(tǒng)自動(dòng)向預(yù)先定義的手機(jī)號(hào)碼發(fā)送了警報(bào)。

3 團(tuán)簇聚類的腦-機(jī)接口中基于多目標(biāo)的光標(biāo)運(yùn)動(dòng)

腦-機(jī)接口是人腦和設(shè)備之間的一種橋梁技術(shù)，它能使來(lái)自大腦的信號(hào)引導(dǎo)一些外部活動(dòng)，如光標(biāo)或假肢的控制。在實(shí)踐中，大腦信號(hào)被流行的腦電圖技術(shù)捕獲，然后頭皮電壓水平被轉(zhuǎn)換成相應(yīng)的光標(biāo)運(yùn)動(dòng)。在基于多目標(biāo)的BCI 中，首先將目標(biāo)集分配給不同的集群，然后使用集群技術(shù)將光標(biāo)映射到最近的集群。最后，光標(biāo)在它自己的集群中按順序命中所有目標(biāo)。Shubham Saurav 等人選擇了著名的團(tuán)簇聚類技術(shù)(CLIQUE Clustering)，將光標(biāo)分配到一個(gè)合適的群體中，如果光標(biāo)的移動(dòng)能及時(shí)達(dá)到最佳狀態(tài)，那么殘疾人就可以進(jìn)行有效的交流。CLIQUE 聚類是基于密度和基于網(wǎng)格的聚類方法的集成，用于測(cè)量網(wǎng)格內(nèi)單元格中光標(biāo)的移動(dòng)作為比特傳輸率，該技術(shù)使我們?cè)诙嗄繕?biāo)搜索方面提高BCI 系統(tǒng)的性能。

4 光學(xué)腦-機(jī)接口的運(yùn)動(dòng)圖像機(jī)器學(xué)習(xí)方法

功能近紅外光譜(FNIRS)是一種新興的光神經(jīng)成像技術(shù)，是BCI 系統(tǒng)中一種較新的成像方式。解釋FNIRS BCI 系統(tǒng)的最佳范例和分類技術(shù)是一個(gè)活躍的研究領(lǐng)域。目前，大多數(shù)FNIRS BCI都采用線性判別分析(LDA)算法作為主要的分類方法。為了比較不同的算法，Lei Wang 等人重新分析了基于四類運(yùn)動(dòng)圖像的FNIRS BCI 研究的數(shù)據(jù)集，并系統(tǒng)地比較了不同機(jī)器學(xué)習(xí)算法的性能：Na?ve Bayes (NB)， LDA， Logistic Regression (LR)， Support Vector Machines (SVM) and Multi-layer Perception (MLP)。他們的研究結(jié)果表明，LR 分類器略優(yōu)于其他分類器，不像大多數(shù)FNIRS BCI 研究報(bào)告中描述的LDA 或SVM 是最好的分類器。他們的研究結(jié)果表明，在運(yùn)動(dòng)圖像任務(wù)中，LR 分類器可以替代LDA分類器。

5 基于多模式增強(qiáng)現(xiàn)實(shí)和腦-機(jī)交互的功能殘疾人用戶驅(qū)動(dòng)智能接口

Peng Gang 等人分析了目前人機(jī)交互的幾種模式和使用案例的集成嘗試。在多模式增強(qiáng)現(xiàn)實(shí)和腦-機(jī)交互的基礎(chǔ)上，他們提出了基于多模式增強(qiáng)現(xiàn)實(shí)和腦-機(jī)交互的無(wú)障礙智能接口的新概念，包括殘疾研究、教育、家庭護(hù)理、醫(yī)療保健、電子健康等，并給出了多模式增強(qiáng)的幾種應(yīng)用實(shí)例。他們還概述了通過(guò)腦-機(jī)相互作用的神經(jīng)物理通道進(jìn)行即時(shí)反饋以提高人類理解能力的觀點(diǎn)。他們的研究表明，腦計(jì)算機(jī)接口技術(shù)為克服現(xiàn)有用戶接口的局限性提供了新的策略，特別是對(duì)于功能性殘疾人士。以前對(duì)低端消費(fèi)者和開(kāi)源BCI設(shè)備的研究結(jié)果使我們可以得出這樣的結(jié)論：機(jī)器學(xué)習(xí)(ML)、多模式交互(視覺(jué)、聲音、觸覺(jué))與BCI 的結(jié)合將得益于通過(guò)ML 方法分類的實(shí)際神經(jīng)生理反應(yīng)的即時(shí)反饋。一般來(lái)說(shuō)，BCI 與其他AR 交互模式相結(jié)合，可以提供比這些交互類型本身更多的信息。即使在目前的狀態(tài)下，合并的AR-BCI 接口也可以提供高度適應(yīng)性和個(gè)人服務(wù)，尤其是對(duì)功能殘疾人士。

6 基于分形維數(shù)的時(shí)間不變腦電波分類

近年來(lái)，人們提出了幾種腦電波信號(hào)分類的計(jì)算技術(shù)，以提高腦-機(jī)接口的性能。然而，在校準(zhǔn)階段，需要注意幾個(gè)問(wèn)題，以使用戶更加友好，從而實(shí)現(xiàn)更可靠的BCI 應(yīng)用。其中一個(gè)問(wèn)題與BCI 的時(shí)不變穩(wěn)健性有關(guān)，其目標(biāo)是使用前一個(gè)會(huì)話中記錄的信息對(duì)未來(lái)會(huì)話中記錄的數(shù)據(jù)進(jìn)行分類，避免重新校準(zhǔn)。為了做到這一點(diǎn)，必須仔細(xì)選擇特征提取技術(shù)和分類算法。Rocio Salazar-Varas 等人提出用分形維數(shù)計(jì)算特征向量。為了評(píng)估這一建議的可行性，他們使用線性判別分類器將分形維數(shù)與自回歸模型的系數(shù)進(jìn)行了比較。為了評(píng)估分形維數(shù)的時(shí)不變魯棒性，他們使用某一天內(nèi)記錄的數(shù)據(jù)對(duì)分類器進(jìn)行訓(xùn)練，然后使用另一天記錄的數(shù)據(jù)對(duì)訓(xùn)練后的分類器進(jìn)行評(píng)估。這些實(shí)驗(yàn)是用腦-機(jī)接口競(jìng)爭(zhēng)III(Brain-Computer Interface Competition III)的數(shù)據(jù)集I 進(jìn)行的。結(jié)果表明，分形維數(shù)的性能優(yōu)于自回歸模型(這是BCI 應(yīng)用中最常用的模型之一)。

7 小結(jié)

本文概要介紹了幾種新的人工智能技術(shù)在BCI 研究中的應(yīng)用?；旌戏N群物理算法、腦-機(jī)接口的恐懼信號(hào)檢測(cè)裝置、團(tuán)簇聚類算法、運(yùn)動(dòng)圖像機(jī)器學(xué)習(xí)方法、多模式增強(qiáng)現(xiàn)實(shí)和腦-機(jī)交互智能接口、基于分形維數(shù)的時(shí)間不變腦電波分類等技術(shù)推進(jìn)了腦-機(jī)接口BCI的應(yīng)用進(jìn)展。