EEG 不用閃爍目標就能偵測想要的物品

普通的視覺注意力可以成為機器控制訊號，但前提是 EEG 系統必須縮小受控測試與即時使用之間的差距。研究人員針對每個人的腦部訊號訓練模型，在離線測試中，97 名參與者的平均準確率達到 93.22%。如果這種可靠性在實驗室外也能維持，復健患者就可以看著幾個物品，而游標或機器人輔具會停在系統推斷出與患者相關的那一個上。

目前的非侵入式腦機介面通常要求人們執行某種特殊的心理任務。他們可能必須盯著閃爍的目標、等待不尋常的閃光，或遵循固定的控制順序。這些方法可以告訴機器，某個設計好的訊號已經出現。但它們無法可靠地告訴機器，在一個人剛剛看到的普通物品中，哪一個對這個人而言很重要。額外的訊號也可能令人疲累，並限制介面可使用的場合。

從看見某物到判斷它

EEG 透過頭皮上的感測器測量大腦微弱的電活動。它不需要手術就能輕易記錄，但也很容易受到動作、眼部活動、疲勞、電極變動和注意力轉移的干擾。

當某件事與一個人當下的目標有關時，一種稱為 P3b 的腦部反應可能會變強。這不代表機器讀取了這個人的想法或計畫。更好的理解方式是：它是大腦評估資訊時留下的痕跡——這個物品符合我現在正在尋找的東西嗎？

這種差異很重要。辨認出一隻動物，和知道動物是這個人想要操作的對象，並不是同一回事。有用的介面必須推斷後一個問題。它也必須比實驗室分類可靠得多，因為錯誤的猜測可能會讓機器選錯物品。

不需要閃爍目標的腦部訊號

研究人員給每位參與者一個類別提示，例如動物、花、食物或交通工具。接著，圖像會一次出現一張。參與者在心中判斷每張圖像是否符合提示的類別。系統使用單次 EEG 試驗，將符合或不符合進行分類。它不需要讓圖像閃爍，也不需要加入異常刺激訊號，而且不會試圖辨認類別本身。

關鍵概念是，把普通的視覺注意力視為可能的控制訊號。當圖像符合一個人當下的目標時，大腦對它的評估會在 EEG 中留下不同的模式。研究人員的 Fuzz-PLI 模型使用以模糊原型為基礎的模組，來辨認這些個人化模式。這裡的「模糊」是指，系統可以處理並不完全清楚、也不會每次都完全相同的模式。

在離線測試中，模型針對每個人分別進行訓練和測試。在 97 名參與者中，模型達到 93.22% 的平均準確率。這表示在相似且受控的條件下，系統可以學習一個人的目標相關性模式。但這並不表示同一個模型能立即適用於新的使用者。

更困難的測試是線上使用。9 人完成了一次訓練工作階段和另一次測試工作階段，兩者之間沒有重新校準。準確率降至 70.11%。不同工作階段之間 EEG 的變化、時間上的微小差異，以及對訓練工作階段過度擬合，都讓即時任務變得更加困難。

如果變得值得信賴，就能打造更安靜的介面

如果能縮小這個差距，一個人就可以看著幾個物品，由機器估計哪一個與其相關，而不必為每個候選物品分別進行選取。例如在復健診所，患者可以看著螢幕上的物品，而游標或機器人輔具會停在系統認為重要的那一個上。患者不需要盯著閃爍的圖示，也不需要為每次選擇輸入一次切換訊號。

同樣的想法也可以幫助那些難以輕易進行精確身體選取的人。它也能為人機器人系統提供訊號，指出工作人員希望機器優先處理哪一個可見物品。在普通場景能提供可靠訊號的地方，以閃爍和異常刺激時間安排為核心打造的介面，其重要性會降低。

這個未來不只取決於受控圖像任務中的良好結果。EEG 硬體必須小巧且可靠。系統必須能跨越不同日子、不同人、不同目標和控制程度較低的環境運作。最重要的是，錯誤推斷出的興趣必須無害到足以讓系統不必每次都要求確認。跨受試者適應、長期使用，以及對意圖進行持續建模，仍有待解決。

來源

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