隨著腦機接口(BCI)技術近幾年的快速發展，科研人員也將腦機接口(BCI)技術融入在娛樂游戲種經行深入研究，因此除臨床應用外，腦機接口(BCI)技術也可以成為一種的娛樂方式。目前，大多數BCI游戲由于控制性能差或容易引起疲勞而無法廣泛推廣。BCI技術在游戲交互中的應用越來越流行，在過去幾年已經進行了大量的研究。在先前研究中的BCI游戲中，P300電位、穩態視覺誘發電位(SSVEPs)和運動意象(MI)是使用EEG(EEG)信號的最常見游戲。因為P300的穩定性，不易引起疲勞，并且用戶不需要經過特殊培訓。因此微美全息(NASDAQ:WIMI)采用P300腦機接口設計游戲模型，以探索在實際環境中使用腦電圖(EEG)信號進行可行且自然的游戲執行體驗。

WIMI微美全息這項研究的新穎性體現在設計BCI游戲和范式，其整合了游戲規則和BCI系統的特點。此外，引入卷積神經網絡(CNN)算法，在訓練樣本上實現高精度。這種BCI系統不僅為用戶提供了一種娛樂形式，而且還為游戲提供了更多操控的可能性。

(資料圖片)

在過去的十年，深度學習在許多領域得到了快速發展，例如計算機視覺，自然語言處理和語音處理。研究人員提出了一些新穎的深度架構，它們在圖像分類方面實現了高精度。近年來，卷積神經網絡(CNN)已被用于P300檢測，使用CNN對P300腦電信號進行識別和分類，可以得到良好的效果。為提高模型的泛化，并實現了最先進的P300信號分類和字符識別。需要CNN一個大型數據集來訓練非線性數據，因此在小型數據集上會發生過擬合。但是，在實際應用中收集大量的訓練數據是非常困難的。因此，我們提出了一種基于卷積神經網絡(CNN)的新架構，以在小型訓練數據集上實現最先進的P300信號分類和字符識別。

微美全息(NASDAQ:WIMI)設計了一個基于CNN的P300 BCI游戲模型，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訓練時的過擬合問題。讓基于P300的BCI游戲模型的成功應用，而且證明了可以應用于在線BCI系統的深度學習算法。

WIMI微美全息基于CNN BCI游戲模型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游戲終端。在數據采集部分，使用電極帽和放大器記錄多通道頭皮腦電信號。信號經過預處理后，數據處理部分可分為離線訓練和在線分類測試兩步。最后，將分類結果轉換為操作命令，并發送到視覺和游戲終端。視覺和游戲終端包括兩個子步驟：(1)在刺激策略更新后向用戶提供視覺刺激和(2)為用戶提供視覺反饋(輸出坐標)。

腦電數據采集和預處理

WIMI微美全息基于CNN BCI游戲模型使用32通道電容和放大器，通過非侵入性記錄EEG數據，以1000 Hz數字化并使用50 Hz陷波濾波器過濾。收集所有電極數據。為了減少濾波邊緣效應的影響，首先過濾記錄的數據。帶通濾波用于來自每個通道的EEG信號，捕獲刺激后 P300 信號的必要信息。然后，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

WIMI微美全息基于CNN BCI游戲模型的BCI信號經過預處理后，數據處理部分可分為離線訓練和在線分類兩步。通過CNN基于貝葉斯反向傳播，這是一種變分推理方法，用于學習神經網絡權重的后驗分布，可以從中對反向傳播中的權重進行采樣。例如，如果使用高斯分布來表示每個權重參數，則原始權重值可以表示為高斯分布的參數，即平均值和標準差。然后通過變分推理計算后驗。

CNN的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以高斯分布的形式表示。為了獲得一定的權重值，必須使用高斯分布進行采樣。因此，在采樣過程中，采用重參數化技術將采樣過程放在前面，使網絡的前向傳播成為導數，并在反向傳播過程中更新權重。從卷積核的權重分布中抽取一定的權重值，將通過這種方式得到的權重值形成卷積核，在接收場上進行卷積運算。

腦機接口(BCI)是一種非常規的通信方法，可在人與外圍之間建立通信路徑，最初BCI技術應用于臨床領域，通過直接從大腦向計算機發送命令，幫助患者恢復與外界互動的能力。現在除臨床應用外，BCI技術也已在娛樂游戲中進行了實驗和應用，BCI技術通常用于為游戲提供輸入，從而擺脫對中間設備(鼠標，鍵盤，游戲手柄和游戲控制器)的依賴。WIMI微美全息基于CNN BCI游戲模型，構成了一個可以同時滿足健康用戶和殘疾用戶興趣的平臺。對于健康的用戶來說，BCI游戲神秘而有技術感，增加了游戲的魅力，非常有利于游戲的推廣。對于殘障用戶來說，BCI游戲為他們提供了一個公平的游戲平臺，不僅可以讓他們以同樣的方式與健康用戶玩游戲，還可以作為功能性康復系統，幫助患者進行康復訓練。將BCI技術應用于娛樂游戲是推動BCI技術從科研階段推向實際應用市場階段的重要環節。

關鍵詞：