美国留学

如今，在高科技实验室里，每天都在进行人机交互的过程。最常见的是，残疾人训练他们的思维来控制机器人的四肢。人类希望有一天能够用我们的思想控制宇宙飞船，将我们的大脑下载到计算机上，并最终创造出机器人。特斯拉和SpaceX 的首席执行官收购了Neuralink，一家旨在建立大脑和计算机之间直接联系的公司。随着过去几十年技术的快速发展，人类和机器之间的界限开始缩小。在机器的帮助下，科幻小说中壮观的精神控制世界正在慢慢接近现实。目前这些新技术的前沿是脑机接口（BCI）和人工智能（AI），尽管BCI和AI过去一直是相互独立开发和应用的。然而，现在越来越多的科学家希望将两者结合起来，使用脑电信号操纵外部设备的过程更加高效。

文章来源：脑机接口社区

ID：BCI-Hub

脑机接口BCI，有时也称为直接神经接口或BMI（脑机接口），是一种使人脑与外部设备能够相互通信的技术。通过将神经元信息转换为指令，可以控制外部软件或硬件，因此允许人类直接控制机器而不受物理限制。脑机接口通常用于帮助日常生活中有运动或感觉障碍的人。

大脑与脑机接口（双向接口）之间的双向连接，一个方向是脑机接口将大脑活动发送给计算机，计算机将大脑活动转化为被动运动指令，另一个方向是计算机将大脑活动发送到计算机。将信息直接发送到BCI 用户的大脑。与被动非侵入式脑机接口不同，主动脑机接口直接与大脑相连。

BCI 是如何工作的？人类大脑充满了神经元，每当我们思考、移动、感觉或记忆时，这些神经元就会被激活。神经元以物理或电信号的形式将信息从身体的一个部位传递到另一部位。这些电信号有时以高达150 m/s 的速度传播。信号路径大部分是相互绝缘的，但仍然存在一些泄漏。这些泄漏的电信号就是BCI 设备可以检测和处理的脑电图(EEG)。脑电图读取来自人脑的信号并将其发送到放大器。放大的信号由BCI计算机程序进行处理和识别，并根据识别结果控制设备。

为什么BCI 对现代社会如此重要？英国埃塞克斯大学脑机接口博士后研究员戴维德·瓦莱里亚尼表示，人类与技术结合可以实现比人工智能更强大的功能。例如，当我们根据感知与推理相结合做出决策时，使用神经技术可以改善我们的感知。这可以帮助我们在某些情况下做出更好的决策，例如从安全摄像头看到非常模糊的图像并决定是否进行干预。

脑机接口的分类基于用于测量大脑活动的电极，分为三种类型的脑机接口：侵入式、部分侵入式和非侵入式。侵入式脑机接口

侵入式脑机接口在神经外科中，侵入式脑机接口通常以芯片的形式直接植入大脑灰质。这些芯片有数百根短针，可以刺穿大脑皮层，使科学家能够读取大脑中数百个神经元的放电情况。然后，神经信号被发送到计算机转换器，计算机转换器使用特殊算法将神经信号解码为计算机可以理解的语音。另一台计算机接收解码后的信息并相应地向机器发送指令。侵入式设备可以获得最高质量的神经信号，但它们往往会在灰质中形成疤痕组织，导致信号因身体排斥而变弱甚至丢失。局部侵入式脑机接口局部侵入式脑机接口装置植入颅骨内，但位于大脑皮层内。与非侵入性脑机接口相比，它们可以产生更高分辨率的信号，避免颅骨组织使信号偏转和变形，并且不像侵入性脑机接口那样容易在大脑中形成疤痕组织。皮质电图（ECoG）以与非侵入性脑电图方法相同的方式从颅骨下方测量大脑的电活动，但电极嵌入在皮质上方的薄塑料垫中。无创脑机接口

非侵入性BCI 也称为脑电图(EEG)。脑电图是最简单、侵入性最小的BCI 方法。常见的设备是一组全脑电极。其他包括脑磁图(MEG) 或磁共振断层扫描。扫描（捷运）。电极可以读取大脑信号。无论电极位于何处，基本机制都是相同的：电极测量神经元之间的微小电压差异，然后对信号进行放大和过滤。这些信号由计算机程序解释，可以在绘图上以线条的形式呈现信号的时序变化。尽管头骨阻挡了很多电信号并且会使接收到的信号失真，但这对于大多数人来说是最能接受的形式。

脑电图(EEG) 脑电图(EEG) 通过附着在头皮上的小金属盘（电极）检测大脑的电活动。我们的脑细胞通过电脉冲进行交流，即使在睡眠期间，它们也保持电活动状态。此活动在脑电图记录上显示为波浪线。

BCI的组成

BCI的基本组成部分是大脑活动通过一系列过程转换成可以被外部设备识别和控制的信号。该设备将信号反馈回人体，从而闭合回路。

信号产生产生脑信号的方式有两种： 1、主动刺激受试者产生诱发电信号（图片、声音、视频等）或让受试者主动想象动作； 2.直接获取实验对象的自发脑电信号。 Quintiq 软件工程师Sjoerd Lagarde 表示，“刺激诱发信号的优点是信号检测更容易，因为您可以控制刺激的强度和时间。单独读取受试者的EEG 信号更加困难。”

信号检测神经活动信号检测有多种方式，其中最熟悉的是脑电图和功能磁共振成像(fMRI)。脑电图检测大脑的电活动，功能磁共振成像通过检测大脑血流相关的变化间接获得神经活动信号。这些方法各有优点和缺点。脑电图具有更高的时间分辨率（可以直接检测神经活动的瞬间变化），而功能磁共振成像具有更好的空间分辨率（图片数据可以显示活动发生的位置）。时空分辨选择的思想对于其他类型的测量技术来说本质上是相同的。

信号处理最初测量到的神经信号数据往往包含大量噪声，主要包括一些运动伪影和仪器噪声。为了后续的处理和识别，需要滤除这些噪声。当实验对象产生主动信号时，我们一般已经知道我们想要检测的信号类型，例如P300波事件相关电位。当与任务相关的刺激出现时，大脑会产生P300诱发电位。这个波在脑电图中显示为一个大峰值，可以使用不同的机器学习技术来检测这些峰值。

信号解释当我们检测到感兴趣的信号时，我们通常希望利用它们来生成有效的反馈来帮助人类。例如，受试者可以使用脑机接口通过运动想象来控制小鼠活动。此过程通常主要涉及尽可能高效地使用您获取的数据并最大限度地减少BCI 系统中的错误。目前的脑机接口系统的准确度相对较低，并且偶尔会出错（例如，计算机错误地认为您正在想象左手运动，而实际上，您正在想象右手运动）。

人工智能如何辅助BCI？首先，脑信号的准确性很容易受到各种生理（如眨眼、肌肉伪影、疲劳和注意力水平）和环境伪影（如环境噪声）的影响，这使得脑电信号的解码和识别非常困难。由于BCI的主要任务是神经信号的识别，因此判断式深度学习模型是目前最流行、最强大的信号处理算法。通常脑电图数据非常嘈杂，因为很难获得清晰且特定的信号。神经细胞相互通信，通过头骨和头皮传输到脑电图传感器的大脑活动很难直接解释。因此，从受损的神经信号中提取有用的信息数据并建立适合不同工作条件的鲁棒脑机接口系统非常重要。另外，由于脑电生理信号的非平稳特性，BCI的信噪比较低。 BCI 中脑电图数据分类的准确性取决于测量通道的数量、用于训练分类器的数据量以及信噪比(SNR)。在所有这些因素中，SNR是实际情况中最难调整的。尽管已经开发了一些预处理和特征工程方法来降低噪声，但这些方法（例如时域和频域特征选择和提取）非常耗时。如果更长，提取的特征信息可能会丢失。此外，特征工程高度依赖于人类在特定领域的专业知识。人类经验可能有助于捕捉特征的某些方面，但在更一般的情况下还不够。因此，需要一种算法来自动提取代表性特征。人工智能（AI），特别是深度学习算法，为自动提取可识别特征提供了更好的选择。然而，目前的人工智能研究主要集中在静态数据上，因此无法对快速变化的大脑信号进行准确分类。 BCI系统中往往需要新的学习方法来处理动态数据流，例如代理梯度算法、神经形态模拟算法等。到目前为止，深度学习已广泛应用于BCI应用中，并成功解决了上述问题。深度学习具有三个优势。首先，它跳过耗时的预处理和特征工程步骤，直接处理原始大脑信号，并通过反向传播学习可识别信息。此外，深度神经网络可以通过深度架构捕获代表性的高级特征及其底层依赖关系。最后，许多研究证明深度学习算法比支持向量机（SVM）和线性判别分析（LDA）等传统分类器更强大。这对于BCI系统具有相当大的意义，因为几乎所有的BCI问题都可以被视为分类问题。

BCI 中使用的深度学习算法——卷积神经网络（CNN）是BCI 研究中最流行的深度学习模型，它可以利用输入神经活动信号（例如fMRI 图像、自发脑电图等）之间潜在的空间依赖性。 CNN 在某些研究领域的成功证明了它具有极高的可扩展性和可行性（通过可用的公共代码）。因此，BCI 研究人员有更多机会将CNN 应用到他们的工作中。

基于脑电数据网格化的级联CNN-GRU/LSTM模型的实现是将多通道脑电信号转换为二维图像序列的第一步。二维网格时间序列通过CNN和递归层串联进行训练。验证和测试。生成式深度学习模型主要用于生成训练样本或数据增强。换句话说，生成深度学习模型通过提高训练数据的质量和数量来协助BCI 系统。在BCI领域，生成算法主要用于重建或生成一批大脑信号样本以增强训练集。 BCI 中常用的生成模型包括变分自动编码器（VAE）、生成对抗网络（GAN）等。越来越多的研究报告关注使用CNN 或混合模型进行特征学习。而分类，例如RNN和CNN都具有良好的时空特征提取能力，人们很自然地将它们结合起来进行时空特征学习。

基于人工智能的脑机接口应用

基于人工智能的脑机接口示意图描述随着人工智能的信号处理，脑机接口的应用范围得到了极大的扩展，包括光标控制、听觉控制、肢体控制、拼写设备、体感和视觉假肢。其流程主要如下。首先，微电极检测来自人类大脑皮层的信号并将其发送到AI系统。其次，AI负责信号处理，包括特征提取和分类，然后输出处理后的信号以实现上述功能。最后将反馈信息发送至大脑皮层，调节功能。 BCI 的其他一些应用包括：睡眠模式分析；疲劳和精神负荷分析；情绪检测，例如监测用户大脑活动并根据温度、湿度、光线等因素调整空间的系统。最近，日产与Bitbrain 合作推出了首款脑车接口原型；情绪分析；控制装置（机械臂等）；使用脑电波的身份识别系统；利用经颅直接刺激来改善身体运动和反应时间；工作分析/最大化生产力，目前正在开发可以分析操作人员的认知状态、精神疲劳、压力等的应用程序，例如飞行员疲劳状态认知网络识别系统；营销领域：有研究指出，脑电图可以用来评估不同媒体对商业和政治广告所产生的关注程度。 BCI还可以对这些广告造成的印象程度提供解释，理论上可以用来优化在线广告或电视广告；在教育领域：BCI可以帮助识别每个学生学习信息的清晰度，教师可以根据个性化结果定制每个学生的学习信息。学生之间有效互动；娱乐：例如，BCI 可以用于视频游戏，因此玩家有一天可以仅使用BCI 来控制他们的角色。在电影行业，脑机接口可以协助制作基于观众大脑活动的互动电影。未来，观众有可能通过共同的大脑活动来共同控制电影，实现完全沉浸式的体验。军事领域：目前BCI已被美国国防高级研究计划局（DARPA）用于士兵驾驶无人机。

BCI应用的机遇与挑战1、人类思维的物质基础非常复杂。将所有思想或行为视为大脑中简单电信号的结果是一种非常有限的理解。人脑中大约有1000 亿个神经元。每个神经元都通过复杂的连接网络不断发送和接收信号，并且存在一些脑电图无法识别的微妙化学过程。随着现代工具不断推动脑科学的发展，大脑活动的物质规律逐渐被揭示，这也为人们未来实施更高效、更准确的BCI系统（更接近类脑智能的算法）提供了坚实的基础。 2、信号弱，易受干扰。脑电图测量微小（微伏级）电压，但受试者只需眨眼即可产生更强的干扰信号。读取大脑信号就像电话连接断开一样。未来，随着电子材料技术和人工智能算法的发展，脑电图和植入物的改进可能会在一定程度上克服这个问题。 3. 大多数BCI设备不便于携带。目前大多数脑机接口仍然需要与设备进行有线连接，而那些无线通信的脑机接口则要求受试者携带一台重约10 磅的计算机。但随着各学科的交叉发展，这在未来必将实现更好的便携功能。