北京，2023年6月14日/美通社/——全球领先的全息增强现实（AR）技术提供商WiMi全息云股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，其研发团队设计了一个基于CNN的P300 BCI游戏模型，并提出了一种基于贝叶斯深度学习的算法，解决了在小数据集上进行训练时的过拟合问题。P300在游戏模型物种中的成功应用证明了它可以应用于在线脑机接口系统的深度学习算法。
该游戏模型的系统框架包含三个子系统，即数据采集部分、数据处理部分以及视觉和游戏终端。在数据采集部分，使用电极帽和放大器记录多通道头皮EEG信号。信号预处理后，数据处理部分可分为离线训练和在线分类测试两个步骤。最后，将分类结果转换为操作命令，并发送到视觉和游戏终端。视觉和游戏终端由两个子步骤组成：（1）在刺激策略更新后向用户提供视觉刺激；（2）向用户提供可视反馈（输出坐标）。
脑电数据采集与预处理
WiMi的脑机接口游戏模型使用32通道电容器和放大器，通过在1000 Hz下数字化并使用50 Hz陷波滤波器进行滤波，无创地记录脑电图数据。该系统收集所有电极数据。首先对记录的数据进行滤波，以减少滤波边缘效应的影响。带通滤波用于每个通道的EEG信号，系统捕捉刺激后P300信号的必要信息。然后，系统对数据进行下采样。对相同字符的数据矩阵进行叠加和平均，以降低信噪比。
CNN架构
游戏模型的脑机接口信号经过预处理后，数据处理部分可分为离线训练和在线分类两个步骤。通过CNN的基于贝叶斯的反向传播是一种用于学习神经网络权重的后验分布的变分推理方法，从中可以对反向传播中的权重进行采样。例如，如果高斯分布表示每个权重参数，则原始权重值可以被描述为高斯分布的参数，即平均值和标准差。然后通过变分推理计算后验。
卷积层需要使用具有权重值的卷积核进行卷积运算。卷积核中的每个权重参数都表示为高斯分布。必须使用高斯分布对高斯分布进行采样，以获得特定的权重值。因此，使用重新参数化技术将采样过程置于采样过程之前，使得网络的前向传播变为导数，并且在后向传播期间更新权重。从卷积核的权重分布中采样一定数量的权重值，并将以这种方式获得的权重值形成对接收器场执行卷积运算的卷积核。
脑机接口是一种非传统的通信方法，它在人和外围之间创建了一条通信路径。最初，脑机接口被用于临床领域，通过直接从大脑向计算机发送命令，帮助患者重新获得与外界互动的能力。如今，除了临床应用外，脑机接口技术已经在娱乐游戏中进行了实验和应用。它通常用于为游戏提供输入，从而使游戏摆脱对中间设备（鼠标、键盘、游戏板和游戏控制器）的依赖。
WiMi基于CNN的脑机接口游戏模型构成了一个既能满足健康用户又能满足残疾用户利益的平台。对于健康的用户来说，脑机接口游戏具有神秘性和技术性，增加了游戏的魅力，非常有利于游戏的推广。对于残疾用户，脑机接口游戏为他们提供了一个合适的游戏平台，允许他们以与健康用户相同的方式玩游戏，并作为一个功能康复系统来帮助患者进行康复训练。将脑机接口技术应用于娱乐游戏，对于推动脑机接口从科学研究阶段进入实际应用市场阶段至关重要。
