當29歲下肢癱瘓的病人平托（J. Pinto）穿戴着由腦信号控制的外骨骼，在2014年巴西聖保羅世界杯開幕式上，踢出為比賽開球的第一腳時，所有的癱瘓病人都看到了曙光。從此，腦機接口（Brain-Computer Interface，BCI）——用腦電控制外部設備，引起了全球範圍内的關注。

越來越多人因生活節奏加快、生活壓力導緻中風從而運動癱瘓，且這一現象呈現年輕化趨勢。運動能力的喪失不僅給病人自身帶來巨大痛苦，也給家庭和社會帶來了嚴重的負擔。

腦機接口是大腦與外界交互方式的關鍵。它繞開外周神經，在大腦與外部設備間建立直接連接進行信息交換。該項技術在2018年被《科學-機器人學》（Science Robotics）評價為機器人技術在未來五到十年所面臨的十大挑戰之一，是當前的研究熱點。如何實時、有效地将大腦意圖轉換為控制外部設備的指令是制約腦機接口技術發展的關鍵問題之一。

為此，中國科學院沈陽自動化研究所唐鳳珍課題組針對頭皮腦電信号的解碼問題開展研究，并取得進展。研究人員提出了基于對數歐氏度量黎曼幾何的腦信号解碼方法，在保證精度的同時提升了腦信号解碼的效率。相關研究以Generalized Learning Vector Quantization With Log-Euclidean Metric Learning on Symmetric Positive-Definite Manifold為題，在線發表于IEEE Transactions on Cybernetics。

研究人員将腦電信号表征為協方差矩陣的，從平直的歐氏空間轉換到彎曲的對稱正定黎曼空間，利用對數歐式度量（Log-Euclidean Metric，LEM），将廣義學習矢量量化方法（Generalized Learning Vector Quantization，GLVQ）推廣到黎曼空間，建立了基于對數歐氏距離的廣義學習矢量量化方法（GLVQ-LEM）（圖1），實現了高效快速的腦電信号解碼。此外，通過引入對數歐氏度量學習方法（圖2），學習一個将原流形映射到更具有可分性的黎曼子流形的函數，在保持計算速度的同時，取得了更好的結果。

研究人員在多種數據集上驗證了所提出的方法，在識别速度和精度上都取得了良好的結果。識别速度相比于基于仿射不變性黎曼度量的腦電信号解碼方法提高了約4倍。在利用BCI Competition IV-2a公開數據集的測試中，所提出的方法識别正确率優于競賽第一名的識别結果。所提出的方法大幅度提高了腦信号解碼速度，有效降低腦機接口系統執行命令的延遲，對推進腦機接口在癱瘓病人運動康複上的實際應用具有重要意義。

該項研究工作得到了國家自然科學基金青年項目、國家自然科學基金創新團隊、歐盟“地平線2020”計劃的支持。

基于對數歐氏度量廣義學習适量量化方法示意圖

對數歐氏度量學習框架

來源：中國科學院沈陽自動化研究所

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!