彭淳 廣州市協(xié)和中學(xué)

引言

人工智能(AI)研究和開發(fā)用于模擬和擴展人的智慧的理論、方法和技術(shù)及應(yīng)用系統(tǒng)，是會給人類社會帶來根本性變革的技術(shù)趨勢。腦-機接口(Brain-Computer Interface，BCI)，是在人腦、動物腦或者腦細胞的培養(yǎng)物與外部設(shè)備間建立的連接通路。腦-機接口可以應(yīng)用于聽覺、視覺和肢體運動能力損傷的恢復(fù)，也可以增強人體功能，需要綜合應(yīng)用腦科學(xué)技術(shù)、人工智能技術(shù)、計算機技術(shù)和新材料技術(shù)等。本文將簡要地介紹人工智能技術(shù)在腦-機接口中的一些應(yīng)用。

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

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，可以對不同的意象活動進行分類，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。為了克服這些問題，Sajjad Afrakhteh 等人采用了一種混合種群物理算法(Hybrid Population-Physics-Based Algorithm)來訓(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)進行了比較，采用的度量指標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)集的研究對象中，與其他算法相比，具有很好或可以接受的性能。

2 腦-機接口的恐懼信號檢測及后續(xù)的自我防御系統(tǒng)

自衛(wèi)是一種對策，包括保護自己的健康和福祉不受他人的損害，包括人和動物。Rheya Chakraborty 等人開發(fā)的系統(tǒng)旨在設(shè)計一種自動報警機制，該機制在不了解受害者的情況下，通過考慮人類的生物信號，自動運行。這個設(shè)備被稱為無聲警報自衛(wèi)系統(tǒng)(SiLERT)。這是一個小型裝置，可以嵌入到一頂帽子中，它監(jiān)測人的心跳速度和腦波，以檢測一個人在危險時的可怕狀況。一旦檢測到恐懼信號，系統(tǒng)會自動撥號并通過GPS 將緊急警報信息(包括用戶的位置)發(fā)送到一些預(yù)先定義的手機號碼，而不需要受害者和攻擊者的幫助。該系統(tǒng)的設(shè)計和實現(xiàn)使用了心跳和大腦傳感器以及一個微控制器來完成必要的步驟。有兩名受試者進行的兩個案例的實時實驗結(jié)果顯示出正常和恐懼的心理狀態(tài)，系統(tǒng)自動向預(yù)先定義的手機號碼發(fā)送了警報。

3 團簇聚類的腦-機接口中基于多目標的光標運動

腦-機接口是人腦和設(shè)備之間的一種橋梁技術(shù)，它能使來自大腦的信號引導(dǎo)一些外部活動，如光標或假肢的控制。在實踐中，大腦信號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)的光標運動。在基于多目標的BCI 中，首先將目標集分配給不同的集群，然后使用集群技術(shù)將光標映射到最近的集群。最后，光標在它自己的集群中按順序命中所有目標。Shubham Saurav 等人選擇了著名的團簇聚類技術(shù)(CLIQUE Clustering)，將光標分配到一個合適的群體中，如果光標的移動能及時達到最佳狀態(tài)，那么殘疾人就可以進行有效的交流。CLIQUE 聚類是基于密度和基于網(wǎng)格的聚類方法的集成，用于測量網(wǎng)格內(nèi)單元格中光標的移動作為比特傳輸率，該技術(shù)使我們在多目標搜索方面提高BCI 系統(tǒng)的性能。

4 光學(xué)腦-機接口的運動圖像機器學(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動圖像的FNIRS BCI 研究的數(shù)據(jù)集，并系統(tǒng)地比較了不同機器學(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，在運動圖像任務(wù)中，LR 分類器可以替代LDA分類器。

5 基于多模式增強現(xiàn)實和腦-機交互的功能殘疾人用戶驅(qū)動智能接口

Peng Gang 等人分析了目前人機交互的幾種模式和使用案例的集成嘗試。在多模式增強現(xiàn)實和腦-機交互的基礎(chǔ)上，他們提出了基于多模式增強現(xiàn)實和腦-機交互的無障礙智能接口的新概念，包括殘疾研究、教育、家庭護理、醫(yī)療保健、電子健康等，并給出了多模式增強的幾種應(yīng)用實例。他們還概述了通過腦-機相互作用的神經(jīng)物理通道進行即時反饋以提高人類理解能力的觀點。他們的研究表明，腦計算機接口技術(shù)為克服現(xiàn)有用戶接口的局限性提供了新的策略，特別是對于功能性殘疾人士。以前對低端消費者和開源BCI設(shè)備的研究結(jié)果使我們可以得出這樣的結(jié)論：機器學(xué)習(xí)(ML)、多模式交互(視覺、聲音、觸覺)與BCI 的結(jié)合將得益于通過ML 方法分類的實際神經(jīng)生理反應(yīng)的即時反饋。一般來說，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)性和個人服務(wù)，尤其是對功能殘疾人士。

6 基于分形維數(shù)的時間不變腦電波分類

近年來，人們提出了幾種腦電波信號分類的計算技術(shù)，以提高腦-機接口的性能。然而，在校準階段，需要注意幾個問題，以使用戶更加友好，從而實現(xiàn)更可靠的BCI 應(yīng)用。其中一個問題與BCI 的時不變穩(wěn)健性有關(guān)，其目標是使用前一個會話中記錄的信息對未來會話中記錄的數(shù)據(jù)進行分類，避免重新校準。為了做到這一點，必須仔細選擇特征提取技術(shù)和分類算法。Rocio Salazar-Varas 等人提出用分形維數(shù)計算特征向量。為了評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)進行了比較。為了評估分形維數(shù)的時不變魯棒性，他們使用某一天內(nèi)記錄的數(shù)據(jù)對分類器進行訓(xùn)練，然后使用另一天記錄的數(shù)據(jù)對訓(xùn)練后的分類器進行評估。這些實驗是用腦-機接口競爭III(Brain-Computer Interface Competition III)的數(shù)據(jù)集I 進行的。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-機接口的恐懼信號檢測裝置、團簇聚類算法、運動圖像機器學(xué)習(xí)方法、多模式增強現(xiàn)實和腦-機交互智能接口、基于分形維數(shù)的時間不變腦電波分類等技術(shù)推進了腦-機接口BCI的應(yīng)用進展。