AI和VR将通过无线BCI将思想转化为行动吗？

根据 Grandview Research 的数据，到 2027 年，脑机接口行业预计将达到 37 亿美元，2020-2027 年的复合年增长率为 15.5%.

“运动图像为脑机接口的无刺激范式提供了极好的机会，"佐治亚理工学院的 Woon-Hong Yeo 写道，他的实验室与英国肯特大学合作领导了这项研究和韩国延世大学.

根据佐治亚理工学院周二发布的一份声明，对四名身体健全的人类参与者评估了具有 BCI 系统的 AI、VR.

“用于运动图像的传统脑电图 (EEG) 需要带有多个有线电极和凌乱凝胶的发帽，这会导致运动伪影，"科学家团队写道.

相比之下，新的 BCI 提供了一种便携式、低调的头皮电子系统，具有虚拟现实 (VR)、无线电路和微针电极.

“对于移动系统，干电极是首选，因为它的设置时间短、无皮肤刺激性和出色的长期性能，"研究人员写道. “此外，它们的性能通常优于基于凝胶的 EEG 传感器，同时提供长期的耐磨性，而不会降低信号质量."

根据科学家的说法，虚拟现实提供一致的视觉效果，以及在处理可检测 EEG 对运动图像反应的受试者差异时清晰和即时的生物反馈.

“可穿戴软系统提供了有利的接触表面积和降低的电极阻抗密度，从而显着增强了 EEG 信号和分类准确性."

科学家将人工智能机器学习应用于生成的时域数据.具体来说，他们使用卷积神经网络 (CNN) 模型对运动意象脑信号进行预处理和分类.使用人工智能深度学习从位于大脑运动皮层的多个偶极源中分解空间特征.

卷积神经网络是一种常见的深度学习神经网络，非常适合图像分类和对象识别任务.人工神经网络是机器学习的一个子集，由一个输入层、一个或多个隐藏层和一个输出层组成. CNN 以生物大脑为模型，具有多层节点，其作用类似于人工神经元.网络的第一层是卷积层，然后是池化层，最后一层是全连接(FC)层.每一层都有相互连接的节点，这些节点的作用类似于具有相关权重和阈值的人工神经元.当单个节点的输出大于阈值时，该节点被激活，并将数据传递到网络的下一层.

CNN 需要较少的图像预处理.卷积是对两个函数的数学运算，产生第三个函数，表示一个函数的形状如何被另一个函数改变.

“卷积神经网络与机器学习的结合提供了一个实时、连续的基于运动图像的脑机接口，"研究人员总结道. “对于四个人类受试者，头皮电子系统提供了很高的分类准确度(四个类别为 93.22 ± 1.33%)，允许对虚拟现实游戏进行无线实时控制."

乔治亚理工学院的无线脑机接口正在申请专利.

Copyright © 2021 Cami Rosso 版权所有.