用于Brain Runners电子游戏的改进SmallNet脑电解码分类

Original 西牙侠士脑机接口社区 2022-04-26

收录于合集 #脑机论文 136个

从飞行员角度拍摄Cybathlon 2016BrainRunners电子游戏的快照。

每个角色对应一个参与比赛的用户。每个障碍物用不同的颜色表示。这种控制是通过解码与每个所需指令相关的不同心理任务来实现的。资料来源:Cybathlon BCI Race2016。

导读

对于许多患有运动障碍的人来说，仅靠大脑活动控制的辅助设备是他们与周围环境互动的唯一方法。自然任务通常需要不同类型的交互，涉及不同的控制器，用户应该能够按照自己的进度进行选择。帝国理工学院的研究人员开发了一种脑机接口(BCI)，允许用户在四种控制模式之间以自定速度实时切换。由于该系统旨在以一种用户友好的方式在家庭环境中使用，因此研究人员选择了非侵入性脑电图(EEG)信号和卷积神经网络(CNN)，这种网络在分类任务中能够找到最优特征。

研究人员使用CybathlonBCI电脑游戏测试了他们的系统，该游戏具有实时控制固有的所有挑战。我们的初步结果表明，一个只有一个卷积层的高效架构(SmallNet)可以对用户选择的4种心理活动进行分类。BCI系统在线运行和验证。它通过在播放过程中使用新收集到的信号来保持最新状态，达到47.6％的在线精度，其中大多数方法仅报告离线获得的结果。我们发现，使用在线收集的数据训练的模型可以更好地实时预测系统的行为。这表明，文献中发现的类似的(基于CNN的)离线分类方法在在线应用时可能会出现性能下降。与之前依赖眨眼来解码生理信号的译码器相比，我们将用户可以通过的状态数量增加了2倍，从而有机会以自定进度的方式对特定子任务进行更精细的控制。研究人员表示他们的结果可与Cybathlon的BCI竞赛中显示的结果相媲美，但仍需要进一步提高准确性。

当我们身体瘫痪时，人工智能如何帮我们

"如果我们的身体受到疾病或伤害的影响，我们如何利用人工智能的力量来帮助它?"

为了解决这个问题，英国伦敦帝国理工学院(Imperial College London，IC)的Aldo Faisal和他的团队开发了一种技术，该技术将使瘫痪患者通过他们的大脑控制的脑机接口设备执行现实世界中的身体动作。

瘫痪通常是脊髓损伤的结果，脊髓损伤使大脑信号无法传送到身体其他部位，使四肢无法活动。

该项目负责人Faisal解释说，该项目的想法是开发一种脑机接口，该接口将能够“自动理解大脑在想什么，并将其转化为对大脑的行动”。

来自大脑的信号是通过脑电图仪采集的，脑电图仪需要将电极连接到头皮上。当RAZOR向汤姆·纳巴罗(TomNabarro)介绍这项技术时，他的头上附着了64个这种电极。

纳巴罗(Nabarro)在2007的一次滑雪事故中失去了四肢，他正在与帝国理工学院(Imperial College)团队合作，为今年的Cybathlon(世界机器人系统锦标赛)进行训练，残疾人可以通过该锦标赛竞争以最先进的技术完成日常任务。

Nabarro解释说：“我的想法是，如果我正在观看游戏视频，

那么我可以练习发出信号，就像我在玩真实的游戏一样。” / CGTN

科学家们与像汤姆这样的“飞行员”合作，这些真正有残疾的人测试并改进他们的新技术。

"对我来说，这是一次非常棒的经历，"纳巴罗说, "赛事本身才刚刚开始。从来没有像Cybathlon这样的东西-人们称其为CyberOlympics。这只是刚刚发生的事情，因为现在我们处在一个辅助技术如此之多的阶段。"

在为Cybathlon做准备的过程中，脑机接口需要收集与特定运动相对应的大脑信号的数据。但人类的大脑是一个非常复杂的系统:它由大约860亿个神经元或神经细胞组成，这些神经元或神经细胞主要负责我们的思考、感觉和行动方式。每个连接以平均4-10Hz或每秒4-10次的频率发送或“发射”信号。有些甚至以300-400Hz的频率发射。

这是一个巨大的输出量，因此从大量的噪声信号中挑选出特定的信息是一项艰巨的任务。研究主管Faisal解释说: "噪音太大了，感觉就像台风时的轻声说话一样。"

汤姆·纳巴罗(TomNabarro)戴着电极，使设备可以读取他的运动图像。/ CGTN

人工智能能够通过所有这些数据发现趋势和模式并过滤掉噪音，但是为了使计算机能够识别和学习特定的指令，Nabarro需要想象以完全相同的方式一遍又一遍地重复某些动作。这些称为运动想象。研究人员设计了基于CNN的学习模型，模型架构如下：

三种不同的CNNs架构：(A)一个使用3D卷积的3D-SmallNet(A)，而不是SmallNet(B)所使用的2D卷积。在Small-Net (C, SmallNet+1CL)上添加一个卷积层，在第一个卷积层之后添加一个全连接层，在图中没有出现(SmallNet+1FC)。

"你只需要在想象中重复，重复，"纳巴罗说。"所以你只是在努力思考和集中注意力。所以我试着握紧并尽可能快地松开一只手。这听起来很奇怪，因为我的手实际上无法移动，但我仍然可以想象它在做什么。"

到目前为止，Nabarro每月在大学使用一次耳机。对于他和帝国理工学院的团队来说，下一步就是使用无线设备。Faisal解释说："我们认为，这将使患者更容易每天使用它，只需将其放在头上即可。"

他说: "我们相信，未来的方向是让算法学会如何最好地理解数据。”“我们自己就是这么做的。我们从经验中学习如何把事情做得更好。这使我们能够将可能的界限推向更远的地方。"

"大脑非常复杂，我们才刚刚开始挖掘出我们能够解码的边缘。但我们已经取得了巨大的飞跃。"

参考

P. Ortega, C. Colas and A. A. Faisal, "Compact Convolutional Neural Networks for Multi-Class, Personalised, Closed-Loop EEG-BCI," 2018 7th IEEE International Conference on Biomedical Robotics and Biomechatronics (Biorob), 2018, pp. 136-141, doi:

10.1109/BIOROB.2018.8487644.

https://newseu.cgtn.com/news/2020-09-21/Mind-control-devices-that-can-solve-paralysis-TVd2OF2dnW/index.html

不用于商业行为，转载请联系后台

若有侵权，请后台留言，管理员即时删侵！

更多阅读

DIY混合BCI刺激系统：SSVEP-P300 LED刺激