想象这样一个世界：一个人只需注视某个物体，无需移动任何肌肉，就能控制机器人、打开灯光或选择某个物品。这就是脑机接口（BCI）所承诺的前景——这一科学领域正在人类大脑与机器之间搭建一座直接的桥梁。构建这座桥梁最可靠的方法之一，是利用一种被称为“稳态视觉诱发电位”的大脑自然反应。当一个人注视以特定频率闪烁的光线时，他们的大脑波形会与这种闪烁同步，产生一种计算机可以检测到的独特电信号。通过为不同的物体分配独特的闪烁频率，用户只需盯着某个物体即可实现“选择”。虽然这项技术在实验室中展现了巨大的潜力，但在走向现实生活时却遇到了困难。在现实世界中，一个人想要控制的物体数量在不断变化，且它们的位置也并非固定不变。一个智能家居可能今天有五件电器，明天就有十件，而且排列模式也各不相同。依赖于固定的、预设闪烁频率的传统系统，在布局发生变化时往往会失效，导致用户无法进行有效的沟通。
为了解决这个问题，墨尔本大学的研究人员致力于开发一种能够适应任何情况的系统。他们提出了一个简单但困难的问题：如果目标的数量发生了变化，应该如何要求大脑进行选择？在他们的研究中，他们测试了一种名为“动态标记”（dynamic tagging）的新策略，并将其与旧的标准方法进行了对比。在传统方法中，一旦将一组闪烁频率分配给一组物体，这些频率在整个过程中都会保持不变，即使其中某些物体被移除也是如此。而新的动态方法则更加灵活。当用户成功选择并移除一个物体后，系统会立即为剩余的物体重新分配最佳的闪烁频率。为了实现这一点，研究人员首先必须为每个人找到最完美的频率组合。他们使用了两种不同的数学方法来分析脑波，并确定哪些闪烁速率能为该特定用户产生最强、最清晰的信号。一种方法使用逐步搜索来寻找最佳组合，另一种则使用决策树算法来绘制出遍历所有可能选项的最有效路径。
实验在一个房间内进行，参与者佩戴着增强现实眼镜，眼镜将数字化的闪烁光线叠加在摆放在架子上的真实圆柱体物体上。旁边有一个机械臂待命，准备将选中的物体从架子上推下。参与者被要求注视一个目标，系统会通过解读他们的大脑活动来判断他们想要哪一个物体。研究人员以三种方式运行了这项任务：一种是闪烁频率固定且由逐步搜索法选定的方式；一种是闪烁频率固定但由决策树法选定的方式；以及一种是闪烁频率动态且由决策树法选定的方式。其目标是观察哪种组合能让用户最准确、最快速地控制机器人。结果非常明确：使用动态方法（即不断为剩余物体重新分配最佳闪烁频率）的系统表现显著优于固定系统。它使参与者能够做出更多正确的选择，并以更快的速率获取信息。用于寻找最佳频率的决策树法也证明比逐步搜索法略微有效，尽管这两种方法都从动态重分配中获益匪浅。
研究还考察了参与者完成任务的难度。通过使用标准调查问卷，研究人员发现，虽然这项任务需要高度的精神集中和脑力投入，但并不会导致身体疲劳。参与者觉得这项挑战很有趣，尽管任务的难度表明，要使这样的系统在日常生活中易于使用，仍需要进一步的改进。研究人员注意到，有些人的表现异常出色，而另一些人则感到吃力，这凸显了大脑反应在人与人之间存在巨大差异。这种差异性是该领域的一个已知挑战，研究表明，未来的系统可能需要实时适应用户不断变化的注意力或疲劳程度。通过证明灵活、个性化的方法比僵化的方法更有效，这项研究为使脑控技术走向实用化迈出了关键一步。它表明，对于脑机接口而言，若要在家庭或医院等动态环境中真正发挥作用，它必须像人类思维一样具有适应性，能够不断调整策略以匹配用户需求的变化。
技术摘要：面向通用动态 SSVEP BCI 的特定受试者频率集
问题陈述
稳态视觉诱发电位（SSVEP）脑机接口（BCI）依赖于大脑对闪烁视觉刺激的反应来解码用户的意图。虽然增强现实（AR）为在动态现实环境（例如智能家居控制）中部署此类系统提供了路径，但一个重大挑战仍然存在：实际场景涉及可变数量的目标对象和非均匀的空间布局。传统的 SSVEP-BCI 系统通常采用固定频率标记法，即特定的频率被永久分配给特定的目标位置。这种僵化性限制了在目标数量发生变化时的适应能力。此外，个体对刺激频率的神经反应存在显著差异（通常在 5–25 Hz 范围内），这表明“一刀切”的频率集并非最优方案。核心问题在于：如何实时地将刺激频率分配给可变数量的目标，以在无需大量重新校准的情况下保持高准确率和信息传输率。
方法论
本研究利用了一个实验设置，其中 20 名参与者通过 HoloLens 2 AR 眼镜与机械臂进行交互。任务包括选择三层架子上的圆柱体对象，并将其推下架子（最多 9 个目标）。
频率优化：
在正式任务之前，参与者经历了一个校准阶段，单个目标以 17 个候选频率（8.5–16.5 Hz，步长为 0.5 Hz）进行闪烁。记录 EEG 数据以创建特定于受试者的模板。研究使用了两种算法来生成每个参与者的排名优化频率集：
- 梯度下降法（Gradient Descent）： 一种迭代方法，逐个添加频率，最小化新候选频率与现有已选频率集之间的相关系数之和。
- 决策树法（Decision Tree）： 一种穷举搜索方法，通过评估候选解来最小化矩阵中的最大相关系数，旨在避免局部最优。
标记策略：
研究使用优化后的频率集比较了两种标记方法：
- 固定标记（Fixed Tagging）： 频率在每个区块开始时随机分配给目标，并在整个会话期间保持不变，无论有多少个目标被移除。
- 动态标记（Dynamic Tagging）： 在每个试验开始时，从参与者的排名集中选取前 x 个频率（其中 x 是当前剩余目标的数量），并将其随机分配给剩余的目标。随着目标的移除，排名较低的频率会被丢弃，剩余的目标将使用下一个可用的最佳频率进行重新标记。
数据分析：
使用典型相关分析（CCA）进行解码以评估性能。评估指标包括成功率、用于考虑随目标移除而变化的偶然水平的 Kullback-Leibler 散度（KLD）以及信息增益率（RIG）。通过 NASA-TLX 量表评估工作负荷。
主要贡献
- 动态标记范式： 本文引入了一种方法，即根据当前活跃目标的数量，从特定于受试者的排名池中动态重新分配刺激频率。这使得系统能够适应变化的候选目标数量，同时不丢失个性化优化的优势。
- 算法比较： 研究系统地比较了用于在动态 BCI 框架内生成特定于受试者的频率集的梯度下降算法和决策树算法。
- 评估指标的应用： 在动态目标环境下应用 KLD 和 RIG，相比于随变化的目标概率而波动的原始成功率，提供了更严格的性能评估。
结果
- 性能： “动态树”（使用决策树优化的动态标记）条件下的中值成功率为 70%，平均成功率为 71.6%，优于“固定树”（固定标记，中值 60%）和“动态梯度”（动态梯度，中值 62.5%）条件。
- 统计显著性： 虽然成功率的差异未发现具有统计学意义，但 KLD 分析显示，在 Dynamic Tree 和 Fixed Tree 条件之间存在显著差异（p=0.03）。同样，在 3 秒刺激窗口下，Dynamic Tree 的 KLD（p=0.031）和信息增益率（RIG）（p=0.033）均显著高于 Fixed Tree。
- 算法有效性： 决策树算法生成的 KLD 和 RIG 值始终高于梯度下降算法，尽管两者之间未建立统计学上的显著差异。作者将较高的数值归功于决策树通过穷举搜索具有最小互相关性的频率对来避免局部最优，而梯度下降可能会收敛于次优的局部解。
- 频率选择： 决策树方法经常选择 9.5 Hz 作为最优频率（17/18 名参与者），而梯度下降法则倾向于 11 Hz 和 12 Hz。较高的频率（15 Hz 以上）通常与较低的分类准确率相关，并且更容易被误分类为较低的 alpha 频段频率。
- 工作负荷： 参与者报告的整体工作负荷处于中等水平（平均 51.1/100），其中精神需求、任务表现和挫败感是主要贡献因素。
意义与主张
本文声称，将特定于受试者的排名频率集与动态标记策略相结合，可以显著提高 SSVEP-BCI 在目标数量可变的场景下的性能，特别是当使用 3 秒窗口下的 KLD 和信息增益率（RIG）进行衡量时。具体而言，决策树优化算法与动态标记的结合被确定为最稳健的策略，在这些特定条件下，其 KLD 和 RIG 显著高于传统的固定标记。
作者认为，这种方法解决了在如智能家居控制等实际应用中静态布局的局限性，因为在这些应用中，物体的数量和位置并非固定不变。通过确保当前的候选目标始终拥有“最佳”频率，该系统能够保持高准确度和高效率。研究结论指出，该方法为通用的、可移动的 BCI 应用提供了一条可行路径，使其能够适应现实世界的环境变化，尽管作者也承认，在解决跨会话变异性以及集成基于计算机视觉的实时物体定位方面仍需进一步研究。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。