北京，2023年9月8日/PRNewswire/-全息數字雙胞胎技術提供商微雲全息股份有限公司（NASDAQ:HOLO）（“HOLO”或“公司”）今天宣布推出基于邏輯回歸模型的多層聯合學習框架，以構建基于機器學習和SVM全息腦機接口的運動訓練系統。
腦機接口是一種不依賴于人正常外周神經和肌肉組織的通信技術。它是人類或動物大腦（或腦細胞培養物）與外部設備之間建立的直接連接途徑。全息腦機接口運動訓練系統解決了功能性障礙患者的運動難題，激發、提取和利用了患者主動的運動意願。并加強對患肢的使用，改善肢體的運動功能。通過将MEMS柔性微傳感器陣列技術與腦機接口技術、多源信息融合和自适應反饋控制技術相結合，不僅可以顯著改善肢體的運動功能，還可以促進皮層功能依賴區的重組，從而擴大患肢的皮層運動控制區，為手功能障礙患者的早期康複訓練提供了有效的工具。
HOLO還構建了一個基于全息AR的腦機接口實驗控制平台，利用全息裸眼圖像作為視覺刺激器來誘導腦電信号，使用戶無需在固定位置進行視覺刺激，可以增強在複雜環境中的适用性，從而實現更自然的人機交互。然後由全息腦機接口的運動訓練系統通過數字信号處理來控制腦電信号的A/D采樣，并将數字腦電信号的A/D采樣發送到DSP進行全息數字濾波。根據全息數據标簽庫中的全息數據，利用智能算法對濾波後的腦電信号進行識别和匹配。最後，通過複雜算法和并行通信實現腦電全息數據的顯示和保存。
基于機器學習和SVM的全息腦機接口運動訓練系統由信号采集、特征提取、特征分類和外部控制設備組成：
信号采集：腦機接口通過植入大腦皮層的微電極采集神經元活動的信号；
特征提取：對收集到的信号進行解碼，然後進行編碼，并轉換為機器可讀的指令信号。常見的方法包括快速傅立葉變換（FFT）、離散傅立葉變換（DFT）、小波變換（WT）、獨立分量分析（ICA）、公共空間模式（CSP）以及基于上述方法的一些改進方法。
特征分類：對提取的特征信号進行進一步分類。常用的分類器包括線性分類器、支持向量機（SVM）、神經網絡和各種分類器的組合。
外部控制裝置：控制過程以信号的形式向大腦反饋，實現人機交互。
在康複醫學領域，全息腦機接口的運動訓練系統可以通過控制機械臂和外骨骼機器人，有效輔助腦卒中或脊髓損傷等神經肌肉患者的康複訓練。随着現代醫學對大腦結構和功能的不斷探索，人類對視覺、聽覺、運動、語言等大腦功能領域的研究也更加深入。微雲全息通過腦機接口設備獲取這些大腦功能區的信息并進行分析，布局神經和精神疾病的診斷、篩查、監測、治療和康複。我們也在探索未來潛在的研究和應用方向。
