基于深度神经网络利用内源电位的自然脑机交互研究

人机协作有潜力最大化自主机器人操作的效率。脑机接口（BMI）将是一种与机器人协作的理想技术，因为用户的意图或状态可从神经活动中译出。然而，作为最常用非侵入式 BMI 模态之一的脑电图（EEG），由于低信噪比，具有低准确率与有限自由度（DoF）。因此，提升多类 EEG 分类性能对于开发更灵活的基于 BMI 的人机协作至关重要。本研究中，我们探究了多种内源 BMI 范式（如运动想象（MI）、视觉想象（VI）与言语想象（SI））的跨范式分类可能性，以在保持鲁棒准确率的同时增强有限的 DoF。我们对 MI、VI 与 SI 进行了统计与神经生理学分析，并利用所提出的基于时间信息的神经网络（TINN）对三种范式进行分类。我们确认，在分类三种内源范式时，可在不同脑区提取出统计显著特征。此外，我们提出的 TINN 取得了 0.93 的最高准确率，优于先前用于分类三类不同类型心理想象任务（MI、VI 与 SI）的方法。