2026年10月19日
Technology Watch

从实验室到产业，追踪新技术的路径

← 返回首页

arXiv

EEG 无需闪烁目标即可检测想要的物体

AI 绘制的示意图

普通视觉注意力可以充当机器控制信号，但前提是 EEG 系统弥合受控测试与实时使用之间的差距。研究人员根据每个人的脑信号训练模型，在离线测试中对 97 名参与者取得了 93.22% 的平均准确率。如果这种可靠性在实验室之外也能保持，康复患者就可以看着多个物品，同时让光标或机器人辅助设备停在系统推断出与其相关的那个物品上。

如今的非侵入式脑机接口通常要求人们完成某种特殊的心理任务。他们可能需要盯着闪烁的目标，等待一次异常闪光，或遵循固定的控制序列。这些方法可以告诉机器某个经过设计的信号已经出现，却无法可靠地告诉机器：在一个人刚刚看到的普通物品中，哪一个对这个人来说是重要的。额外的信号也可能令人疲劳，并限制接口的使用场景。

从看见某物到判断它

EEG 通过头皮上的传感器测量大脑微弱的电活动。它无需手术就能轻松记录，但也很容易受到动作、眼部活动、疲劳、电极变化和注意力转移的干扰。

当某件事与一个人当前的目标相关时，一种名为 P3b 的脑反应可能会增强。这并不意味着机器读取了这个人的想法或计划。更好的理解是，它是大脑评估信息时留下的痕迹：这个物体符合我此刻正在寻找的东西吗？

这种差别很重要。识别出一只动物，并不等于知道动物就是这个人想要操作的对象。一个有用的接口必须推断后一个问题。它还需要比实验室分类可靠得多，因为一次错误的猜测可能会让机器选错物体。

Refer to caption
Figure 4: Posterior P3b modulation by intention relevance.(A) Grand-average ERPs at representative midline parietal-occipital electrodes (POz, CPPz, PPOz) show a pronounced P3b enhancement for intention-relevant (matched) relative to intention-irrelevant (mismatched) objects. (B) Scalp topographies depict the spatiotemporal evolution of ERPs for matched and mismatched conditions. (C) Matched-mismatched difference maps reveal a sustained posterior positivity in the canonical P3b time window. ### II-B Category-Cued Human Intention Paradigm 出处: Online Inference of Human Intention as a Latent Control State from Single-Trial EEG（arXiv）

不需要闪烁目标的脑信号

研究人员为每位参与者提供一个类别提示，例如动物、花卉、食物或车辆。随后，图像逐一出现。参与者默默判断每张图像是否符合提示的类别。系统利用一次 EEG 试验来分类图像是否匹配。它不需要让图像闪烁，也不需要加入奇异刺激信号，而且不会尝试识别类别本身。

核心思路是把普通视觉注意力视为一种可能的控制信号。当图像符合一个人当前的目标时，大脑对它的评估会在 EEG 中留下不同的模式。研究人员的 Fuzz-PLI 模型使用基于模糊原型的模块来识别这些个人化模式。这里的“模糊”是指，系统可以处理并不完全清晰、也不会每次都完全相同的模式。

在离线测试中，模型针对每个人分别进行训练和测试。在 97 名参与者中，它取得了 93.22% 的平均准确率。这表明，在相似且受控的条件下，系统能够学习一个人与目标相关性的模式。但这并不能证明同一个模型能立即适用于新的使用者。

更困难的测试是在线使用。9 人分别完成了一次训练和一次测试，两次之间没有重新校准。准确率降至 70.11%。一次测试与下一次测试之间 EEG 的变化、时间上的微小差异，以及对训练测试的过拟合，都让实时任务变得更加困难。

Refer to caption
Figure 3: Category-cued human intention paradigm with offline and online variants. At the start of each sequence, a target category is cued at fixation (Target), followed by a fixation period (+). Four objects (Obj 1~Obj 4) are then presented sequentially at one of four possible locations (up, down, left, right) around fixation. In the offline paradigm, only the object images and fixation are shown, and participants internally judge whether each object matches the cued category. In the online paradigm, each object presentation is followed by a decision interval (Det 1~Det 4) in which the same object is re-displayed with a colored frame indicating the system’s current decision: a black frame denotes a predicted non-target, whereas a red frame denotes a predicted target. Relaxation periods separate successive sequences. The example on the right illustrates a sequence in which only Obj 4 is *intention-relevant* (red frame, Matched), and the remaining objects are *intention-irrelevant* (black frame, Mismatched).## II Methodology 出处: Online Inference of Human Intention as a Latent Control State from Single-Trial EEG（arXiv）

如果变得值得信赖，这将是一种更安静的接口

如果能够弥合这一差距，一个人就可以看着多个物体，由机器估计哪一个与其相关，而不必为每个候选物体单独进行选择。例如，在康复诊所，患者可以看着屏幕上的物品，同时让光标或机器人辅助设备停在系统认为重要的那个物品上。患者不需要盯着闪烁的图标，也不需要为每次选择都操作一个开关。

同样的思路也可以帮助那些难以进行精确身体选择的人。它还可以向人机系统提供一个信号，表明工作人员希望机器优先处理哪个可见物品。在普通场景能够提供可靠信号的地方，围绕闪烁和奇异刺激时序构建的接口就不再那么重要。

这一未来所依赖的不只是受控图像任务中的良好结果。EEG 硬件需要小巧而可靠。系统需要跨越不同的日期、不同的人、不同的目标以及控制程度更低的环境正常工作。最重要的是，错误推断出的兴趣必须足够无害，这样系统才能避免每次都要求确认。跨个体适应、长期使用，以及对意图的连续建模，仍有待解决。

来源

arXiv，《Online Inference of Human Intention as a Latent Control State from Single-Trial EEG》