成都配资网APP下载 CMU打造人机联合学习框架，用意念控制光标，新手几小时就能学会

有创脑机接口面世已有 30 余年，但是只有不到 100 人植入，有创脑机接口的信号质量确实非常高，但是它需要开颅手术，而且需要长期维护，因此仅有极少数符合条件的患者能够承受。

美国卡内基梅隆大学的贺斌教授和团队走的是一条无创的、不切开头皮的、戴个电极帽就能用的无创脑机接口路线。这种方案一旦做成，可能让全世界一半人口受益。然而，无创路线存在一个长期解决不了的麻烦，使用的时候新手太难学了。传统训练方法需要较长时间、很多新手练到一半就放弃了，背后原因在于传统脑机接口的算法是固定的，训练好之后就不再改动，全靠真人用户去适应机器。

贺斌和团队决定让机器也来适应人，他们研发了一种名为人机联合学习的方法。在 31 名从未接触过脑机接口的受试者中，采用新方法之后一维光标控制任务的准确率为 86%，二维光标控制任务的准确率为 77.5%，这两个准确率都远高于传统方法。更重要的是，这个效果在训练结束之后依然能够保持，说明触觉引导帮助受试者形成了稳定的运动想象能力。

使用这一方法的时候，受试者的大脑能够学习如何产生更清晰的脑电信号，机器能够学习如何解码这些信号。两者之间互相适应，完全无需其中一个死等另一个。他们还给这个框架加了一个名为触觉反馈的引导机制，让受试者的手腕上戴着震动装置，当光标走错方向的时候，手腕上就会传来一阵震动，告诉受试者刚才想错了。虽然看起来是一个简单的物理信号，但它能让受试者的学习速度得到大幅提升。

谈及应用场景，贺斌指出无创脑机接口能够做到 80% 到 85% 的准确率，就已经非常具备实用价值。现在他和团队开展的二维任务已经接近 80%，理论上讲所有使用人手能做的事，都可以用脑机接口来控制。比如，中风病人可以使用意念控制轮椅前进后退，瘫痪病人可以使用机械臂抓取食物或饮料，居民可以控制智能家居设备。而这一切不需要手术、不需要植入芯片、只需要一个电极帽，不过本次成果尚未进入落地阶段。

·通讯》）

这个方法为什么有效？先得从脑机接口的工作原理说起。

当大脑在想象某一个动作的时候，就会产生特定的脑电波模式。譬如当你想象左手动，大脑右侧的传感器就会记录到一种信号模式；当你想象右手动，左侧会出现另一种信号模式。脑机接口的任务就是先去采集这些信号，接着使用算法把它翻译成指令，比如翻译成为“光标往左”或者“光标往右”等指令。

对于有创脑机接口来说，它是直接把电极放在大脑表面或插进脑组织里，信号干净、清晰而且噪声低；对于无创脑机接口来说，它的电极放在头皮外面，信号需要穿过颅骨和头皮，这就导致不仅信号衰减严重，而且信号噪声也比较多。打个比方，一名歌手用高清麦克风在录音棚里录音，和使用手机在菜市场录音，两者的信号质量肯定不在一个量级上。

一旦信号质量较差，算法的解码准确率就会变低。传统方法试图使用更复杂的算法来弥补信号的不足，然而无论算法多么复杂，它需要处理的还是那些模糊的信号。这就导致新手用户往往要花好几个星期才能学会稳定地产生某种脑电模式，以便能让算法“读懂”自己，正是这个漫长的学习过程把很多人挡在了门外。

贺斌团队的思路是不再让算法等着人来适应它，改为让算法主动去追踪人的变化。

传统脑机接口的训练流程一般是这样的：先让用户进行一批想象任务，通过此来采集脑电数据，然后使用这批数据训练一个解码器。接着这个解码器就会被固定下来，此后不管用户的大脑怎么变化，解码器都不会再进行更新。这时用户必须自己去摸索如何产生符合解码器预期的信号，这就像一个人努力去适应一台听不懂人话的机器一样。

贺斌团队打造的人机联合学习把上述顺序调过来了，他们让训练过程分多轮地、在多个回合里迭代。每一个回合结束之后，算法都会使用这一轮新采集的数据来重新训练自己。换言之，随着用户脑电信号的变化，解码器自己也在同步更新。今天用户学会了什么新东西，算法明天就能用上，两者之间就像一个共同进化的系统，打破了过去一个原地等待、另一个苦苦追赶的窠臼。

·通讯》）

在这个框架里，前面提到的触觉反馈扮演了关键角色。

传统脑机接口的反馈是以视觉形式呈现的，当屏幕上有一个光标，你想它往左、结果它往右去了，你看到它走错之后，你就得调整你的想象然后再试一次。这个反馈回路的速度非常慢，同时视觉信息处理在大脑里要走很长的通路，在效率上存在一定掣肘。

针对这一问题，贺斌团队在受试者手腕上装了一个线性谐振致动器，其实就是装了一个小震动马达。当光标走错方向的时候，受试者对应的手腕会发出一阵特定频率的震动。170 赫兹的载波配上 30 赫兹的包络，刚好可以激活受试者皮肤里的两种触觉感受器，让受试者能够清晰地分辨到底是“错了”还是“对了”。并且，这个触觉信号可以直接传到体感皮层，比视觉反馈要快得多，甚至更具本能性，用户完全不需要想一下屏幕上发生了什么，身体就能直接告诉你。

实验中，31 名参与者被分为三组。第一组使用人机联合学习加触觉引导的方法，第二组只有触觉没有联合学习，第三组既没有触觉也没有联合学习。结果显示：第一组受试者的在线准确率在二维任务中达到 77.5%，第二组和第三组的受试者都明显更低。在更加简单的一维任务中，第一组受试者更是达到 86%。