EEG Microstate Sequences as Potential Brain-Computer Interface Triggers Derived from Motor Imagery Classification

人类大脑是持续不断的电活动流，是一场在毫秒间不断变化和转换的复杂信号交响乐。几十年来，试图构建能够读取这些信号的机器的科学家们面临着一个难题：原始数据过于庞大。来自头皮上数千个传感器的信息如同一场混乱的洪水，使得人们很难找到与一个人的思想或意图相对应的特定模式。为了解决这个问题，研究人员开始不再将大脑活动视为一种连续、杂乱的流动，而是将其视为一系列离散且稳定的“快照”。这些被称为“微状态”（microstates）的快照，代表了大脑在快速切换到下一个状态之前，进入特定空间活动排列的短暂时刻。可以将这些微状态想象成思维的基本构建模块，即构成我们内在心理过程的基础单元。如果科学家能够学会识别并追踪这些构建模块的序列，他们或许就能创造出一种更简单、更可靠的方式，让人们仅凭思维即可与计算机进行交流。

最近的一项研究旨在测试这些大脑快照序列是否可以作为脑机接口（一种将神经活动转化为指令的设备）的触发器。研究人员专注于一项特定的心理任务：想象左手或右手移动。这是脑机研究中的常见练习，因为大脑根据人们在思考移动哪只手而激活不同的区域。研究团队并没有直接分析原始电信号，而是首先将数据转换为这些微状态序列。随后，他们将这些简化后的信息输入到一个旨在学习模式的高级计算机模型中。该模型由两部分组成：一部分负责学习如何从数据中重建大脑模式，另一部分负责学习如何将其分类。研究人员测试了两种训练该模型的方法。在第一种方法中，他们分别训练这两个部分，就像在教学生写作之前先教他们阅读一样；在第二种方法中，他们同时训练整个系统，让各部分能够同时相互学习。

结果显示，这种方法效果显著。计算机模型成功学会了区分与想象左手移动和想象右手移动相关的大脑模式。当在同一节课中对同一个人进行测试时，该系统能够以极高的准确度识别预期的动作。更重要的是，研究人员发现该系统可以在不从零开始的情况下适应新环境。通过使用一种称为“迁移学习”（transfer learning）的技术——即允许模型将从一个语境中学到的知识应用到另一个新语境中——该系统在跨不同阶段甚至跨不同人进行测试时，达到了约89%的峰值分类准确率。这表明，特定的脑状态序列是一种稳健的信号，不会随着测试条件的改变而消失。

或许最具有实际意义的发现是关于设置此类系统所需的时间。脑机接口的一个主要障碍一直是冗长的校准过程，即用户必须坐下来花费数小时来训练机器以理解其特定的脑电信号。该研究调查了达到实用性能水平所需的训练数据量。他们发现，平均而言，仅需约400秒的数据即可将系统的准确率校准至80%。这显著缩短了用户准备设备所需的时间。研究结论指出，通过将大脑复杂的、多通道的电信号简化为随时间变化的特定数量的状态，并对这些状态应用先进的学习方法，可以创造出更用户友好的界面。尽管这项工作仍处于研究阶段，但研究结果表明，追踪这些大脑轨迹为开发需要更少设置时间且在现实应用中更加可靠的脑机接口提供了一条充满希望的路径。