腦機介面借AI實現腦活動轉文字
水 登 |
| | | 
|
研究人員使用腦電圖(EEG)和腦磁圖(MEG)記錄了三十五
名健康參與者的腦電活動。
|
| | 
|
|
| 腦機介面借AI實現腦活動轉文字 美國Meta人工智能團隊、法國巴黎文理研究大學和阿道夫·羅斯柴爾德基金會醫院的研究人員開發出一種結合人工智能(AI)技術的非侵入式“大腦活動到文本”轉換方法。這一腦機介面技術借助深度學習演算法，能夠根據腦電圖或腦磁圖信號解碼人們在鍵盤輸入過程中產生的腦活動，並將其轉換為對應文字。相關研究發表於新一期《自然·神經科學》雜誌。 一些身體損傷和神經系統疾病會導致患者暫時或永久失去運動能力，無法通過語言、鍵盤或電子設備與外界交流。腦機介面技術被認為有望説明這類人群恢復溝通能力。不過，目前性能較好的腦機介面系統大多依賴植入式感測器，需要通過手術將電極置於大腦表面或內部，存在一定風險。 此次研究中，團隊提出了一種無需手術的方法，通過解碼大腦活動來識別人們生成的句子，並在一組健康志願者中驗證了其有效性。 借助訓練數據，團隊開發了一種名為“Brain2Qwerty”的深度學習模型。該模型能學習腦活動信號與鍵盤輸入字元之間的對應關係，並嘗試僅根據大腦信號預測參與者正在輸入的文字。 實驗結果顯示，相比腦電圖，腦磁圖信號能夠説明模型實現更準確的文字預測。利用腦磁圖資料時，Brain2Qwerty模型平均字元錯誤率為百分之廿九；而基於腦電圖資料時，字元錯誤率為百分之六十五。對於部分表現最佳的參與者，該模型的字元錯誤率可進一步降低至百分之十八，並且能準確識別未出現在訓練階段的句子。 這項研究展示了結合AI技術的新一代非侵入式腦機介面的潛力。這類系統無需通過手術植入電極，有望進一步降低腦機介面的應用門檻。未來，研究團隊還可繼續優化深度學習演算法，使其能夠以更低錯誤率將腦活動轉換為文字。 水登
|