脑机接口和卷积神经网络的初学指南分为两部分，第一部分主要介绍脑机接口和AI +研究论文的概貌；第二部分主要深入解释神经网络与BCI的结合。

本篇是第二部分，主要深入解释神经网络与BCI的结合。

下面，我们尝试在这些方面进行详细说明。这些方面都有各自的研究领域。

信号的生产

产生这些大脑信号有两种方式:

Quintiq软件工程师Sjoerd Lagarde表示：“主动产生信号的优势是更容易检测信号，因为你可以控制刺激;比如当他们被展示的时候。当你只是读到被试者的脑电波时，这就比较困难了。”

信号检测

有多种检测大脑信号的方法。最知名的是EEG和fMRI，但也有其他一些。EEG测量大脑的电活动，fMRI测量大脑的血流量。这些方法各有优缺点。有些具有更好的时间分辨率(它们可以在大脑活动发生时探测到)，而另一些具有更好的空间分辨率(它们可以精确定位活动的位置)。

对于其他类型的测量技术，该思想基本相同。

信号处理

在处理大脑数据时，我们会发现的一个问题是，数据往往包含很多噪音。例如，当使用脑电图时，数据中将显示诸如磨牙之类的信息以及眼睛运动，还有眼睛的运动。这个杂音需要过滤掉。

现在可以将数据用于检测实际信号。当受试者积极产生信号时，我们通常会意识到我们想要检测的信号类型。一个例子是P300波，这是一种所谓的与事件相关的电位，当一个不频繁的、与任务相关的刺激出现时，它就会出现。这个波会在你的数据中显示为一个很大的峰值，你可以尝试使用机器学习中的不同技术来检测此类峰值。

信号转导

当我们在数据中检测到有趣的信号时，想以某种对他人有用的方式使用它们。受试者可以例如使用BCI通过想象的运动来控制鼠标。这里遇会到的一个问题是，我们需要尽可能高效地使用从受试者那里接收到的数据，同时必须记住BCI可能会犯错误。当前的BCI相对较慢，偶尔会出错(例如，计算机认为您想象的是左手运动，而实际上受试者想象的是右手运动)。”

就Neural Lace而言，它可以与人脑融合。它在人机之间创造了完美的共生关系。

这两个部分相互合作。一个人工智能层或第三个界面可以在它们之上，将我们带入一个非常新的和先进的世界，并使我们能够与我们的人工智能机器人朋友保持一致。

通过这种连接，我们可以获得更大的记忆容量、惊人的机器学习能力，是的，还可以让我们不用说话就能与他人进行心灵感应式的交流。

埃隆·马斯克(ElonMusk)表示“你的手机、电脑和所有应用程序都是你自己的机器延伸……到目前为止，你比30年前的美国总统拥有更大的能量和能力。

BCI的类型

据《CompassionateArtificial Intelligence》一书的作者Amit Ray称，“最复杂的BCI是“双向” BCI（BBCI），它既可以记录神经系统，又可以刺激神经系统。”

脑机接口可分为三大类:

在侵入性技术中，必须使用特殊设备来捕捉数据(大脑信号)，这些设备通过关键的外科手术直接插入人脑。在半侵入性技术中，设备被植入人脑顶部的颅骨中。一般来说，无创设备被认为是最安全、成本最低的设备。然而，由于头骨的阻塞，这些设备只能捕捉“较弱”的人脑信号。大脑信号的检测是通过放置在头皮上的电极来实现的。

开发非侵入性脑-机接口有几种方法，如EEG(脑电图)、MEG(脑磁图)或MRT(磁共振体层摄影)。基于脑电图的脑机接口是最受欢迎的脑机接口类型。脑电图信号被处理和解码为控制信号，计算机或机器人设备可以轻松地感知到。处理和解码操作是构建高质量BCI的最复杂阶段之一。特别是，这项任务非常困难，以至于科学机构和各种软件公司会不时组织竞赛来创建BCI的EEG信号分类。

卷积神经网络与BCI

CNN是一种基于视觉皮层的人工智能神经网络。它能够通过前向和后向传播来优化每个滤波器的权值参数，从而从输入数据中自动地学习适当的特征，从而最大限度地减少分类错误。

人的听觉皮层与视觉皮层类似，是分层排列的。在一个分层系统中，当感觉信息流经系统时，大脑的一系列区域执行不同类型的计算。早期区域或“初级视觉皮层”对简单的特征如颜色或方向作出反应。后面的阶段可以完成更复杂的任务，比如对象识别。

使用深度学习技术的一个优点是，它需要最少的预处理，因为最佳设置是自动学习。CNNs的特征提取和分类被整合到单一结构中，并自动优化。此外，将受试者的fNIRS时间序列数据输入到CNN。由于卷积采用滑动显示的方式进行，因此CNN的特征提取过程保留了fNIRS获得的时间序列数据的时间信息。

但是，BCI研究中的最大问题之一是脑信号的非平稳性。这个问题使得分类器很难在信号中找到真实的模式，从而导致分类性能不佳。”

如何从零开始学习BCI ?

航空航天工程学博士生HoseaSiu说：“对于直接的“大脑”接口，你需要一组EEG电极，对于周围神经系统接口，则需要EMG电极。

将这些数据输入计算机后，需要进行一些信号处理。诸如过滤所需信号的频率，过滤环境噪声。

之后，你需要考虑你想让系统做什么。当你想到蓝色时，你是否需要它来检测您的EEG模式的特定变化？还是在移动手指时需要它来检测EMG的变化？那计算机呢？它应该运行程序吗？输入一些文字？

考虑一下如何标记数据。计算机如何知道一个特定的信号是有意义的?

这就是监督学习。选择你喜欢的分类方法，获取大量标记数据，并训练你设计的系统。你可以使用交叉验证这样的方法来检查你训练过的模型是否在做你认为他们应该做的事情。

完成所有这些之后，您可能会拥有类似于脑机接口的功能。

参考

• https://www.theguardian.com/technology/2018/jan/01/elon-musk-neurotechnology-human-enhancement-brain-computer-interfaces

• https://www.core77.com/posts/72957/When-Brain-Computer-Interfaces-Go-Mainstream-Will-Dystopian-Sci-Fi-Be-Our-Only-Guidance

• http://www.brainvision.co.uk/blog/2014/04/the-brief-history-of-brain-computer-interfaces/

• https://ieeexplore.ieee.org/document/8122608

• https://observer.com/2017/04/elon-musk-wants-to-merge-man-and-machine-artificial-intelligence-eeg-neurotechnology/

• https://medium.com/dxlab-design/how-will-brain-computer-interfaces-change-your-life-aa89b17c3325

• https://team.inria.fr/potioc/bci-2/

• https://pdfs.semanticscholar.org/5088/ab0900ef7d06023796f651f4ee5fa0fb36a0.pdf

• https://www.quora.com/What-is-a-good-machine-learning-project-involving-brain-computer-interfaces

• https://www.quora.com/How-do-current-brain-computer-interfaces-work

• https://amitray.com/brain-computer-interface-compassionate-ai/

• https://www.quora.com/How-can-I-start-learning-about-brain-computer-interface-from-scratch

文章来源于网络，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

DEAP:使用生理信号进行情绪分析的数据库(二、实验设计与主观分析)

脑电数据处理分析教程汇总(eeglab, mne-python)

P300脑机接口及数据集处理

快速入门脑机接口：BCI基础(一)

谷歌联合强脑科技进入脑机接口领域
Nature科学报告:根据大脑思维意图来生成对应匹配的图像

如何快速找到脑机接口社区的历史文章？

脑机接口BCI学习交流QQ群：515148456

微信群请扫码添加，Rose拉你进群

(请务必填写备注，eg. 姓名+单位+专业/领域/行业)

长按加群