hinton深度学习nature_Nature子刊|可穿戴薄膜+发带构成非入侵式脑机接口，深度学习加持下准确率超90%...

导读

前段时间在Nature子刊上发表的一篇关于脑机接口的文章引起了热议。它是一种非入侵式的脑机接口，特殊性在于它使用了深度学习来增强识别，降低噪声干扰，同时研究人员将模型源码公布在了github上：

https://gitlab.com/musasmahmood/ssvep-cnn-demo

今年关于脑机接口的话题层出不穷，前有马斯克子公司发布最新的脑机接口产品，在今年的人工智能大会的“双马对话”上，马斯克反复提及他的脑机接口项目Neuralink。马斯克表示：“Neuralink必须得到重视，不然我们就会落后。”

后有扎克伯格宣布进军非入侵式脑机接口，并与VR结合。Facebook正在收购一家名为CTRL Labs的初创公司，该公司正在开发一种可以读取从手臂到手腕和手指的电子信号的腕带。这可能会为VR提供一个更先进的输入系统，并可能提供与Oculus Quest所宣布的基于摄像头的手指跟踪系统相提并论的优势。

传统的脑机接口，需要戴一顶脑电帽，使用时需要注射导电膏，以减少传递脑电信号的电阻。过程相当麻烦。

可穿戴薄膜+发带非入侵式脑机接口

今天介绍的这款脑机接口的使用方法非常方便，需要借助一个可穿戴的柔软“薄膜”，加上一条发带就能实现。

研究人员称，将新型的纳米膜电极与柔性电子设备结合，再加上深度学习算法对其赋能，一套非入侵式脑机接口装置就诞生了，它可以帮助残疾人无线控制电动轮椅，与计算机交互或操作小型机器人车辆，而无需戴上笨重的电极帽或涂抹导电膏。

通过提供一个完全便携式的无线脑机接口（BMI），可穿戴系统可以对传统的脑电图（EEG）进行改进，以测量人脑中视觉诱发电位的信号。该系统测量BMI的EEG信号的能力已由6位人类受试者进行了评估，但尚未针对残疾人进行过研究。

该项目由来自肯特大学和威奇托州立大学的佐治亚理工学院的研究人员进行，于9月11日在《自然机器智能》杂志上进行了报道。

该系统包括三个主要组成部分：高度灵活的，安装在头发上的电极，可通过头发与头皮直接接触；

超薄纳米膜电极；带有蓝牙遥测单元的柔软灵活的电路。大脑记录的脑电图数据在柔性电路中进行处理，然后通过蓝牙从15米外无线传输到平板电脑。

深度学习神经网络算法加持，准确率超90%

难度在于首先是除了感测要求之外，由于信号幅度低，在几十微伏的范围内，类似于人体的电噪声，因此检测和分析SSVEP信号一直具有挑战性。

齐次是，人类的大脑有个体差异，每个人发出的信号都会有所不同，容易影响系统对用户指令的理解。

为了应对这些挑战，研究团队转向了在柔性电路板上运行的深度学习神经网络算法。

事实证明，深度学习方法适用于图片，并且研究人员证明它们也适用于EEG信号。此外，研究人员使用深度学习模型来识别哪些电极对收集信息以对EEG信号进行分类最有用。

这套深度学习算法搭建的模型，在前期研究人员搜集与搭建主要识别几个特有动作的脑波，使用深度学习的好处是可以消除手工设计时无法消除的噪声，以提高识别的准确性。

该系统由六个人类受试者评估。具有实时数据分类的深度学习算法可以控制电动轮椅和小型机器人车辆。Yeo说，这些信号还可以用于控制显示系统，而无需使用键盘，操纵杆或其他控制器。

Yeo补充说：“典型的脑电图系统必须覆盖大部分头皮才能获得信号，很多用户可能对此比较反感与抵触。” 但是这种小型，可穿戴的设备已完全集成，并且在设计时考虑了舒适性，以应对长期使用所带来困扰。”

在后面的测试结果看出，这款深度学习模型对4种指令的判断，准确率都在90%以上。

浏览网页，播放课件

驾驶轮椅

进一步实现小型化

下一步将包括改进传感器等电子器件小型化或功能化，并使该系统对运动障碍人士更有用。

研究人员表示“未来的研究重点将集中在完全弹性，无线自粘式电极的研究上，这种电极可以在没有头饰的任何支持的情况下安装在有毛发的头皮上，并进一步实现电子器件的小型化，以结合更多的电极以用于其他研究，” “脑电图系统也可以重新配置，以监测运动受损受试者的运动诱发电位或运动想象力，并将其作为治疗应用的未来工作进行进一步研究。”