脑机接口、开源和民主化增强意识的未来

Original 社区创作团队脑机接口社区 2023-02-08

脑机接口（BCI）工具及其收集的数据的可访问性、适应性和透明度可能会影响我们如何共同驾驭新的数字时代。本讨论回顾了BCI技术的一些多样化和跨学科应用，并对BCI工具与机器学习（ML）算法可能塑造未来的方式进行了推测性推论。BCI带有大量的道德和风险考虑，有人认为，开源原则可以帮助我们通过鼓励实验和公开开发来帮助我们克服复杂的困境，因为我们在这种新范式中建立了保障措施。将适应性和透明性的开源原则引入BCI工具有助于使技术民主化，让更多的声音为BCI驱动的未来应该是什么样子的对话做出贡献。与黑盒算法和对汇总数据的有限访问相比，开源BCI工具和对原始数据的访问是使艺术家、DIY者、研究人员和其他领域专家参与有关如何研究和增强人类意识的对话的关键方面。展望未来，增强现实和虚拟现实成为日常生活不可或缺的一部分，脑机接口可能会在为生成内容创建闭环反馈方面发挥越来越重要的作用。脑机接口的独特之处在于为人工智能（AI）算法提供必要的数据，以确定内容交付的解码和时间安排。这些算法的开源程度对于检查它们的完整性、隐含偏见和利益冲突可能至关重要。

1 介绍

脑机接口（BCI）有望在21世纪改变人类意识的本质。BCI可以分为侵入性方法、部分侵入性方法，以及非入侵式方法这三类。侵入性和部分侵入性方法容易产生疤痕组织，操作困难且价格昂贵。非入侵式方法中的EEG，虽然在信号的采集过程中容易出现噪声和信号失真，但它们很容易测量并且具有良好的时间分辨率，使得EEG成为在BCI系统中记录大脑活动的最广泛使用的方法。

2 BCI的历史发展

早在BCI成为首字母缩略词之前，艺术家和DIY者就一直在探索新颖的BCI应用程序。艺术家和DIY者经常采用新技术来修改他们的原始条件和目的达到超出“预期”用途。

图1：物理学家Edmond Dewan和作曲家Alvin Lucier为独奏者合作创作音乐。

BCI技术的可访问性增加，也让BCI驱动的艺术蓬勃发展。MarinaAbramovic的持续表演艺术作品就是利用EmotivEPOC可视化和神经语境化同步人们的相互凝视（如图2所示）。Polar手持设备（如图3所示）测量观众的心跳。

图2：测量相互凝视的魔力&艺术家在场。

图3：纽约市开放日画廊的紧急装置（左）和由连续心跳触发并上传到Flickr的数字记忆（右）。

3 BCI数据

随着消费级BCI和生物识别技术的普及，这些技术在研究、严肃游戏和康复方面的应用开始大幅度增加。现在可以从成本低于1,000美元且相对易于佩戴的无线设备中获取有意义的BCI数据（如图4所示）。

图4：消费级BCI设备显着提高了舒适性和可穿戴性，同时还允许在新的环境中使用设备并提出新的问题类型。左上角，一个标准的湿脑电图系统，然而早期的系统很容易受到运动伪影的影响。右上角，Emotiv的无线耳机，虽然仍然使用湿电极，但与早期系统相比，设置更快，可穿戴性也大大提高。左下角，大多数诊所都有ECG设置，这些设置通常使用10个粘性电极来监测心脏活动。右下角，今天的腕戴式智能手边可以通过按下按钮报告用户的心电图。

然而，消费级BCI设备的这些优势也带来了透明度挑战。大多数消费电子产品世界，包括BCI设备，都以闭源精神为主。从使用闭源算法预处理的数据中获取指标时，可能会出现进一步的限制。例如，为了处理与运动相关的噪音，消费级设备即使信号质量很低，通常也会采用严格的平滑和插值，以便为消费者提供“最佳猜测”HR值。虽然这种插值可以改善HR估计和整体消费者体验，如图5所示，但由此产生的PPG估计可能会严重失真。

图5：心率变异性推导的说明性示例以及平滑心率数据如何导致变异性检测交感/副交感神经系统的变化。图表基于电生理学（1996）中提供的数据。（A）显示仰卧休息期间心率的原始转速图波动，（C）显示仰卧休息心率数据的导数功率谱密度（PSD），以计算可用于计算VLF、LF和HF频带评估自主神经系统的平衡。（B,D）显示在90度平视倾斜生理扰动增加交感神经系统反应后的原始心率转速图和派生的PSD图。作用于原始静止转速图数据的平滑或插值算法可能会生成与（B）中的倾斜条件类似的转速图数据，从而导致观察到的LF/HF比率出现虚假偏移。在具有潜在数据缺口和笨拙的闭源平滑/插值算法的可穿戴消费设备的背景下，因此有可能将平滑或插值数据误解为交感/副交感神经系统响应的变化，即使没有这种变化已经发生了。

比数据失真本身更糟糕的是，在消费级设备上执行插值的算法是闭源的，并且通常不清楚数据何时被插值以及何时真实地反映了佩戴者的生理活动。因此，在任何给定的实验范式中，很难评估数据失真，何时可能导致夸大，得出低估甚至与事实相反的解释。因此，当结果无法从一项研究复制到下一项研究时，或者即使效果出现或者消失时，算法随着不同固件和软件版本的变化而发生变化。在开发新的治疗方法、训练协议和严肃的游戏应用程序时，这些错误可能会对现实世界产生影响。特别是随着衍生指标成为下游分析和机器学习算法的构建块和输入，透明度对于复制和理解结果以及解开人脑神秘内部运作的能力变得至关重要。

4 BCI与深度神经网络模型

当我们查看有关神经科学中机器学习的期刊文章数量时，采用深度神经网络模型在过去30年中不断增长（如图6所示）。这种上升的发生是因为神经科学经历了数据量和数据集的革命，研究人员能够从可以记录的大量神经信号中收集数据并构建数据集，同时数据集的大小正在迅速增加。研究人员越来越需要机器学习方法来处理这些数据并试图深入了解他们。然而如果这些深度神经网络模型不透明，那么预测新环境的可靠性和通用性可能会具有更多的挑战。事实上，在AI或BCI领域分析此类模型的可解释性的工作相对较少。随着围绕人工智能、数据隐私和道德的讨论继续进行，它们可能只会变得更加重要。正是在这种背景下，对模型的解释能力和可解释性有了更为紧迫的需求。

图6：在这里，我们绘制了过去三年中使用机器学习的神经科学论文的比例。也就是说，我们计算同时涉及神经科学和机器学习的论文数量，通过神经科学论文的总数进行归一化。神经科学论文是通过在语义学者上搜索“EEG+fMRI”来确定的。涉及神经科学和机器学习的论文通过在语义学者上搜索“机器学习”和“EEG+fMRI”进行识别。

5 新现实和增强认识

展望未来，增强现实和虚拟现实成为日常生活不可或缺的一部分，脑机接口可能会在为生成内容创建闭环反馈方面发挥越来越重要的作用。通过监控用户对虚拟环境内容的反应的闭环系统能够生成个性化的虚拟现实体验。在实际应用这些场景也应该遵循法律法规。

图7：实验室环境中使用的闭环设置示例。生理信号是使用一组位于视觉皮层上的电极记录的，而刺激则显示在VR耳机上。目前，该系统支持高级认知状态的深度学习模型推理。

图8：360度视频场景由用户的注视数据和皮肤电导响应数据操纵，以提高用户的觉醒水平。这些唤醒水平会产生更暗的闪光时刻，使其更具戏剧性，类似于在恐怖电影中看到的那些。为了将用户的注意力引导到视频中的人，系统会动态调制表面着色器，该表面着色器将视线跟踪系统数据通知的位置遮挡为用户不感兴趣的区域。

图9：显示从用户感知中移除刺激的闭环场景的图表。触发层显示用户打算避免的刺激。识别层是在用户的设备上计算的，并掩盖要被阻止的刺激。阻塞刺激层是用户在显示触发刺激时所感知的。

6 结尾

正如我们在本文中所讨论的，BCI正在超越孤立的研究实验室，探索从艺术和康复到游戏和增强现实的新用例。BCI工具和数据的可访问性、适应性和透明度将显着影响我们如何共同驾驭这个新的数字时代。开源原则将使BCI技术能够从不同的角度和新的应用程序进行探索，并确信数据是相关的并准确地反映了潜在的生理变化。

参考链接

https://www.frontiersin.org/articles/10.3389/fcomp.2021.661300/full

Brain-Computer Interfaces, Open-Source, and Democratizing the Future of Augmented Consciousness

仅用于学术交流，不用于商业行为，若有侵权及疑问，请后台留言，管理员即时删侵！

更多阅读