北京，2023年6月14日/美通社/——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，其研發團隊設計了一個基于CNN的P300 BCI遊戲模型，并提出了一種基于貝葉斯深度學習的算法，解決了在小數據集上進行訓練時的過拟合問題。P300在遊戲模型物種中的成功應用證明了它可以應用于在線腦機接口系統的深度學習算法。
該遊戲模型的系統框架包含三個子系統，即數據采集部分、數據處理部分以及視覺和遊戲終端。在數據采集部分，使用電極帽和放大器記錄多通道頭皮EEG信号。信号預處理後，數據處理部分可分為離線訓練和在線分類測試兩個步驟。最後，将分類結果轉換為操作命令，并發送到視覺和遊戲終端。視覺和遊戲終端由兩個子步驟組成：（1）在刺激策略更新後向用戶提供視覺刺激；（2）向用戶提供可視反饋（輸出坐标）。
腦電數據采集與預處理
WiMi的腦機接口遊戲模型使用32通道電容器和放大器，通過在1000 Hz下數字化并使用50 Hz陷波濾波器進行濾波，無創地記錄腦電圖數據。該系統收集所有電極數據。首先對記錄的數據進行濾波，以減少濾波邊緣效應的影響。帶通濾波用于每個通道的EEG信号，系統捕捉刺激後P300信号的必要信息。然後，系統對數據進行下采樣。對相同字符的數據矩陣進行疊加和平均，以降低信噪比。
CNN架構
遊戲模型的腦機接口信号經過預處理後，數據處理部分可分為離線訓練和在線分類兩個步驟。通過CNN的基于貝葉斯的反向傳播是一種用于學習神經網絡權重的後驗分布的變分推理方法，從中可以對反向傳播中的權重進行采樣。例如，如果高斯分布表示每個權重參數，則原始權重值可以被描述為高斯分布的參數，即平均值和标準差。然後通過變分推理計算後驗。
卷積層需要使用具有權重值的卷積核進行卷積運算。卷積核中的每個權重參數都表示為高斯分布。必須使用高斯分布對高斯分布進行采樣，以獲得特定的權重值。因此，使用重新參數化技術将采樣過程置于采樣過程之前，使得網絡的前向傳播變為導數，并且在後向傳播期間更新權重。從卷積核的權重分布中采樣一定數量的權重值，并将以這種方式獲得的權重值形成對接收器場執行卷積運算的卷積核。
腦機接口是一種非傳統的通信方法，它在人和外圍之間創建了一條通信路徑。最初，腦機接口被用于臨床領域，通過直接從大腦向計算機發送命令，幫助患者重新獲得與外界互動的能力。如今，除了臨床應用外，腦機接口技術已經在娛樂遊戲中進行了實驗和應用。它通常用于為遊戲提供輸入，從而使遊戲擺脫對中間設備（鼠标、鍵盤、遊戲闆和遊戲控制器）的依賴。
WiMi基于CNN的腦機接口遊戲模型構成了一個既能滿足健康用戶又能滿足殘疾用戶利益的平台。對于健康的用戶來說，腦機接口遊戲具有神秘性和技術性，增加了遊戲的魅力，非常有利于遊戲的推廣。對于殘疾用戶，腦機接口遊戲為他們提供了一個合适的遊戲平台，允許他們以與健康用戶相同的方式玩遊戲，并作為一個功能康複系統來幫助患者進行康複訓練。将腦機接口技術應用于娛樂遊戲，對于推動腦機接口從科學研究階段進入實際應用市場階段至關重要。
