“遷移矩陣機”助力腦電信號解碼

大腦是人體的中央控制器，具有高度的認知、學習、推理和決策能力，解碼腦神經信號的動態變化是腦科學研究重要方向之一。日前，南京工業大學科研團隊在腦電信號解碼領域取得突破，助力腦疾病的診治、類腦智能技術的發展。相關研究成果“基于自適應多模知識遷移矩陣機的腦電信號分類”在人工智能國際頂級期刊《 IEEE神經網絡與學習系統匯刊》在線發表。

論文通訊作者、南京工業大學計算機科學與技術學院副教授杭文龍介紹道，在自發腦電信號識別，通常需要20-30分鐘的校準時間，用戶容易疲勞，對于殘障患者特別不友好，阻礙了機器學習方法在臨床實踐中的應用。借助于其他受試者已有的腦電數據建立遷移學習模型，是一種有效解放人力的途徑。

毋庸諱言，不同受試者、不同設備在不同環境等參數的影響下，采集的電腦數據不盡相同，這會給腦電學習模型的訓練過程造成干擾，影響其在臨床中的實際應用。正是因為不同的受試者的腦電數據之間存在差異，一定程度上影響了模型的解碼性能。

科研人員在研究中建立了自適應選擇遷移學習機制，試圖解決上述問題。在構建遷移學習模型時，需要利用借助于其他受試者腦電數據來訓練分類器，“但傳統的遷移分類器對不同受試者的腦電數據不加判斷，一股腦兒地都用，我們的研究嘗試給遷移分類器賦予智慧，讓它進行自主判斷，做到有選擇地利用不同受試者的腦電數據。”杭文龍解釋道。

較之傳統遷移分類器，他們的分類器能夠通過所提出的自適應選擇機制，確保選擇的受試者的腦電數據不會對分類器的訓練帶來負面干擾，選擇性地利用可靠的受試者腦電數據，排除不可靠的受試者的數據，建立自適應遷移分類模型，提升腦電分類器的解碼能力。

杭文龍表示，腦電信號自然的呈現二維數據（矩陣）形式，分類器模型直接對其學習，增強了模型對腦電數據結構層面信息學習與遷移能力。他們進一步設計了一種矩陣分類器，利用這種矩陣分類器能夠挖掘數據的結構相關信息，可以廣泛應用在醫院、科研等機構中，助力腦疾病檢測的發展。

相比于現有的腦電解碼模型，他們的研究提出在矩陣分類模型中引入自適應選擇遷移機制同時，設計了一種可靠的自適應多源域遷移學習方案，有效地避免了負遷移效應。“在公共運動想象腦電數據以及實驗室采集的殘障患者腦電數據開展實驗驗證，我們的方法較基線方法分類識別率提升了7%左右，分別取得了86.61%以及87.19%的分類識別率。”杭文龍說。