交汇点讯 大脑是人体的中央控制器，具有高度的认知、学习、推理和决策能力，解码脑神经信号的动态变化是脑科学研究重要方向之一。日前，新利18彩票 科研团队在脑电信号解码领域取得突破，助力脑疾病的诊治、类脑智能技术的发展。科研成果“基于自适应多模知识迁移矩阵机的脑电信号分类”（“Adaptive Multimodel Knowledge Transfer Matrix Machine for EEG Classification”）在人工智能国际顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》(IEEE神经网络与学习系统汇刊，IEEETNNLS)在线发表。

“在自发脑电信号识别，通常需要20-30分钟的校准时间，用户容易疲劳，对于残障患者特别不友好，阻碍了机器学习方法在临床实践中的应用。”论文通讯作者、新利18彩票 计算机科学与技术学院杭文龙副教授介绍，借助于其他受试者已有的脑电数据建立迁移学习模型是一种有效解放人力的途径。“毋庸讳言，不同受试者、不同设备在不同环境等参数的影响下，采集的电脑数据不尽相同，这会给脑电学习模型的训练过程造成干扰，影响其在临床中的实际应用。”杭文龙表示，正是因为不同的受试者的脑电数据之间存在差异，一定程度上影响了模型的解码性能。

“我们在研究中建立了自适应选择迁移学习机制，试图解决上述问题。”杭文龙解释道，在构建迁移学习模型时，需要利用借助于其他受试者脑电数据来训练分类器，“但传统的迁移分类器对不同受试者的脑电数据不加判断，一股脑儿地都用，我们的研究尝试给迁移分类器赋予智慧，让它进行自主判断，做到有选择地利用不同受试者的脑电数据。”据介绍，较之传统迁移分类器，他们的分类器能够通过所提出的自适应选择机制，确保选择的受试者的脑电数据不会对分类器的训练带来负面干扰，选择性地利用可靠的受试者脑电数据，排除不可靠的受试者的数据，建立自适应迁移分类模型，提升脑电分类器的解码能力。

“脑电信号自然的呈现二维数据（矩阵）形式，分类器模型直接对其学习，增强了模型对脑电数据结构层面信息学习与迁移能力。”杭文龙表示，较之传统分类器，他们进一步设计了一种矩阵分类器，利用这种矩阵分类器能够挖掘数据的结构相关信息，可以广泛应用在医院、科研等机构中，助力脑疾病检测的发展。“以脑科学为代表的新一轮科技革命和产业变革深入发展，正在重构全球创新版图、重塑全球经济结构，该项研究成果对促进神经性疾病诊疗、脑机交互以及脑科学技术与方法等基础研究具有重要的理论及实际应用价值。”杭文龙介绍说，相比于现有的脑电解码模型，他们的研究提出在矩阵分类模型中引入自适应选择迁移机制同时，设计了一种可靠的自适应多源域迁移学习方案，有效地避免了负迁移效应。“在公共运动想象脑电数据以及实验室采集的残障患者脑电数据开展实验验证，我们的方法较基线方法分类识别率提升了7%左右，分别取得了86.61%以及87.19%的分类识别率。”

据悉，IEEE TNNLS是在美国电气和电子工程师协会（IEEE）人工智能及机器学习领域国际顶级期刊，旨在出版神经网络和学习系统方面的理论、设计和应用的技术文章，期刊影响因子为14.255。该成果以新利18彩票 作为唯一通讯单位发表。

通讯员 文龙 姜畔

新华日报·交汇点记者 谢诗涵

2022年12月29日《新华日报·交汇点》：https://jnews.xhby.net/v3/waparticles/7fda002d5708436da67a57947ffc4b06/0/5gezvxdBfwIOq6uJ/1