以意念操控AI:仰赖人脑与电脑双向学习的脑机介面

  2020-06-17  阅读 677 views 次 点赞数569
以意念操控AI:仰賴人腦與電腦雙向學習的腦機介面


脑机介面(Brain-computer interface, BCI)的核心价值:「无需动作的沟通 ( Communication without movement. )」。[1]意即人们透过大脑意志,不须移动身体任何部位,便能与外界沟通,甚至控制周遭的物体。脑机介面为肢体障碍者,提供了「用想的」便可操控的介面,取代键盘、滑鼠与说话等,需要实际移动身体的沟通方式。

2016年,第一届「人机合体」运动会(Cybathlon)在瑞士苏黎世举行。其中的脑机介面项目,像极了一场电玩竞赛:选手须利用脑波操纵虚拟角色(avatar)精準执行指定任务。来自苏黎世联邦理工学院(Eidgenössische Technische Hochschule Zürich,ETHZ)的团队发现,操纵效能的关键在于让人脑与机器相互学习(mutual learning):除了机器要学习处理脑波讯号的最佳模式外,程式设计者也要保留空间让使用者熟悉机器运作模式,学习发出更清楚的控制指令。

脑机介面

以意念操控AI:仰赖人脑与电脑双向学习的脑机介面

图一 脑机介面系统(资料来源:参考资料[1])

脑机介面」利用脑波电讯号,进行人与机器间的沟通,令患者得以操控电动轮椅,或利用机械手臂抓取物品。使用者以视觉观察周遭环境后,思绪专注于欲执行的动作,所产生的脑电波(Electroencephalogram, EEG)经放置于头部表面的非侵入式电极贴片,单点或多点接收,传至电脑软体。电脑对EEG讯号进行前处理与特徵抽取,产生特徵映射(feature map)并进行分类(classification),成功解码后便能据此控制物体。

近年来脑机介面相关研究主要着重于讯号的取得,以及讯号的处理与演算。在此案例中,EEG讯号由贴附于头皮的无线乾电极所收集,相较于经手术由大脑皮层收集,具有低侵入性及操作流程简便的优点。演算法的研究,则包括如何辨识EEG讯号并抽取特徵、降低杂讯干扰以及如何根据个体差异,调整控制装置的动作,提升可靠度。

由于量测到的EEG讯号,其实是多个神经元放电后相互叠加的结果,因此研究人员必须分析使用者大脑在执行不同任务时的脑波特徵,找出有助于判读使用者意图的线索。其中,视觉刺激电位(Visual evoked-potential,VEP)与事件相关电位(Event-related potential,ERP),隐含许多与脑部活动及功能相关的脑波特徵。而独立成分分析(Independent Component Analysis),则能有效分离因眨眼产生的肌电讯号(EMG)以及背景电磁干扰[3]。随着机器学习技术的发展,能识别关键EEG波形的演算法亦有长足进步,得以更精确地解析EEG讯号,理解使用者「意志」。

人类也要学习机器的运作模式?

除了藉由机器学习提升EEG讯号的识别準确度之外,有什幺方法能让讯号特徵更加明显,从源头改善问题呢?ETHZ研究团队于是训练两名脊髓损伤患者,参加「人机合体」的比赛项目。在尝试多种脑机介面系统后,他们得以精确控制萤幕上的虚拟角色,在比赛中旋转、跳跃与滑行,且稳定行走不绊倒。

当操作者的大脑处于放空状态时,角色会以中等速度前进;若正确执行任务,则加速;错误动作,则减速。经过数月训练,两位受试者最终在竞赛中击败了其他十位参赛者,获得金牌,并创下大会纪录。他们认为分数提高最大的关键:在于使用者若能对机器的判读模式有所了解,调整自己的控制方式,便可大幅降低机器校正的频率[2]。

研究结果显示,经双向训练后,机器判读两位受试者动作的平均準确度,分别由53.8 % 提升至 93.8 %;81.9 % 提升至96.8 %。而所有动作中,「旋转」的判读正确率最高。

由此可知,当使用者试图控制虚拟角色时,脑中因同时想像着同样的动作,而产生的感觉运动节律(sensorimotor rhythm),会随着使用的时间与累计次数,愈来愈清晰。与投篮相似,因熟练而生巧,逐步掌握适当的力度与角度。同理,若机器重新校正的频率过高,使用者反而难以掌握沟通诀窍,机器判读的精确度亦难以提升。

双向学习,创造双赢

以往的机器学习着重于机器单方面的学习与判读。而此研究团队则从另一角度出发,让使用者也能学习产生更清楚、有明显特徵的EEG指令。双向学习让人脑与电脑得以相互学习、共同成长。不仅使得机器有更高的指令成功辨识率,使用者操作起来也更「得心应手」。

编译来源

Brain-computer interface based on mutual learning helps tetraplegics in avatar race: Mutual learning as key to translational brain-computer interface ScienceDaily, 10 May 2018.

参考资料

上一篇: 下一篇:
相关文章