北京，2023年9月14日/PRNewswire/-全球領先的全息增強現實（“AR”）技術提供商WiMi全息雲股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，開發了一種基于EEG-fNIRS多模态數據集成的腦機接口（BCI），以提高EEG-fNIRS多模态信息集成的性能和準确性。
多模态數據集成是近年來人工智能領域的熱門話題，其主要目标是有效地組合來自不同來源的數據或信息，為決策提供比單一數據源更好的依據。腦電圖（EEG）和功能性近紅外光譜（fNIRS）是檢測大腦中神經信号的兩種常用技術，它們各有優點和局限性。
腦電圖可以提供高分辨率的腦神經活動信息，但其空間分辨率相對較低；盡管fNIRS具有較低的時間分辨率，但它可以提供高空間分辨率的腦血流動力學信息。WiMi團隊發現，将這兩種技術結合起來可以彌補各自的不足，并提供更全面、準确的大腦神經信息。
WiMi利用二進制增強算法實現了EEG和fNIRS數據的有效集成。這是一個具有自注意機制的深度學習模型，可以自動學習數據的内在相關性，提高數據集成的質量和效率。此外，WiMi設計了一個獨特的算法框架，可以處理大規模的多模态數據，并滿足不同場景下的應用需求。
該過程可分為以下步驟：
數據收集：首先，我們需要同時使用腦電圖設備和fNIRS設備收集同一目标的數據。EEG設備将記錄大腦的電活動，而fNIRS設備将監測大腦中血流的變化。
數據預處理：采集的數據需要對EEG和fNIRS數據進行預處理，包括濾波、去噪和去僞影，以提高數據質量。這通常包括過濾和規範化等步驟。此外，由于EEG和fNIRS設備的時間分辨率不同，還需要時間對準操作。
特征提取：通過數據的組合，我們可以提取出更豐富、更準确的大腦神經活動特征。從預處理的數據中提取有用的特征。對于EEG數據，可以提取時域、頻域和時頻域等特征，如平均功率譜密度、時域特征（如均值、方差）、小波變換系數等。
數據集成：在EEG-fNIRS多模态數據集成中，對特征進行組合，以獲得全面的多模态特征表示。多模态特征集成主要是将從EEG和fNIRS數據中提取的特征進行組合，以獲得更全面、準确的大腦活動信息。通過二進制增強算法，一種基于自注意機制的深度學習模型，它可以自動學習數據的内在相關性，從而實現對高維複雜結構數據的有效處理。
模型訓練：模型訓練過程，使用交叉驗證等方法進行模型參數選擇和性能評估。
應用程序實現：基于提取的特征，實現各種應用程序。例如，使用這些特征來訓練用于預測和控制大腦神經活動的機器學習模型。
該技術将為腦科學、神經工程和臨床醫療領域的研究和應用提供強有力的技術支持。它可以幫助研究人員更深入地了解腦神經活動規律，為臨床醫生提供更準确的診斷和治療依據，也可以應用于腦機接口、虛拟現實等高科技領域，促進他們的技術進步。
關于WIMI全息雲
維密全息雲股份有限公司（NASDAQ:WIMI）是一家全息雲綜合技術解決方案提供商，專注于全息AR汽車HUD軟件、3D全息脈沖激光雷達、頭戴光場全息設備、全息半導體、全息雲軟件、全息汽車導航等專業領域。
