彭淳 廣州市協(xié)和中學(xué)
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。
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。
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。
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。
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。
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。
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)。
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。