45、神经技术研究前沿：从脑电认证到虚拟现实与深度学习应用

神经技术研究前沿：从脑电认证到虚拟现实与深度学习应用

在当今科技飞速发展的时代，神经技术领域的研究成果正不断涌现，为我们带来了诸多惊喜。本文将深入探讨几项神经技术相关的研究，包括基于脑电图（EEG）的生物特征认证、虚拟现实中认知冲突的测量、神经反馈范式下高效学习的神经生理关联以及利用深度学习从功能性近红外光谱（fNIRS）数据中进行用户识别。

基于 EEG 的生物特征认证初步研究

在生物特征认证领域，基于 EEG 的技术具有很大的潜力。研究发现，当受试者闭上眼睛时，大多数电极的阿尔法波功率显著增加，并且不同受试者的阿尔法活动模式变化存在差异。通过实验，对三名受试者的识别准确率分别达到了 100.0%、70.0%和 100.0%。

这一研究结果表明，利用闭眼诱发的阿尔法活动来开发基于 EEG 的生物特征认证系统是可行的。不过，为了实现实际应用，还需要进行更多受试者的额外实验，以研究不同实验会话之间的可靠性以及电极数量对认证性能的影响。

虚拟现实中认知冲突的测量

随着虚拟现实（VR）成为主流平台，设计师们开始尝试新的交互技术以提升用户体验。研究提出了一种基于 EEG 的实验方法，通过测量反馈相关负波（FRN）来评估 VR 中的交互技术。

• 实验设置
  • 参与者 ：选取 10 名右利手男性参与者，平均年龄 22.7 岁，无相关实验经验。
  • 设备 ：参与者需佩戴带有 32 个 Ag/AgCl 电极的有线 EEG 帽，搭配 HTC Vive 头戴式显示器和 Leap Motion 手部追踪设备。
  • 实验任务 ：参与者在 VR 中进行 3D 对象选择任务，通过水平伸展手部触摸两个立方体。实验采用 3×2 的受试者内设计，自变量包括手部样式（逼真手、机器手和 3D 箭头）和选择距离（D1 等于立方体大小，D2 为立方体大小的两倍）。
• 实验结果
  • ERP 分析发现，在 S1 和 S2 条件下，D2 的 FRN 高于 D1，而 S3 条件下无差异。
  • 进一步分析表明，在 120 - 220 ms 的时间范围内，逼真手样式（S1）在距离变化（D2）时 FRN 的曲线下面积（AUC）更高，机器手（S2）的 FRN 下降超过一半，而箭头手样式（S3）的 FRN AUC 几乎可以忽略不计。

这一结果与“恐怖谷理论”相符，即当虚拟手看起来更逼真时，参与者对错误更加敏感。而对于箭头手样式，参与者对错误更具耐受性或反应不明显。这意味着在 VR 交互中，根据交互目标和硬件能力，更高的渲染质量并不总是最优选择。

手部样式	D1 与 D2 的 FRN 差异	120 - 220 ms FRN AUC 变化
逼真手（S1）	D2 高于 D1	距离变化（D2）时 AUC 更高
机器手（S2）	D2 高于 D1	距离变化（D2）时 FRN 下降超过一半
箭头手（S3）	无差异	AUC 几乎可以忽略不计

神经反馈范式下高效学习的神经生理关联

神经反馈训练是一种强化学习过程，其效率取决于反馈信号与特定受试者的匹配程度。研究通过让受试者接受真实和模拟反馈，对比两种条件下的 EEG，以找出解释两种状态差异的神经元来源。

• 实验方法
  • 受试者接受基于 P4 电极提取的阿尔法波瞬时功率的真实反馈或模拟反馈训练。
  • 每个训练会话由 8 个 45 秒的实验试验组成，真实和模拟反馈试验随机排列。
  • 记录 EEG 数据，采样率为 500 Hz，对数据进行滤波和独立成分分析（ICA）处理。
• 实验结果
  研究发现，在β波段存在具有统计学意义的成分，其额叶定位可能对应于前扣带回皮质（ACC），该区域的活动可以区分真实反馈和模拟反馈条件。

这一结果与之前关于强化学习过程中大脑激活的研究一致，表明 ACC 是奖励网络的关键节点之一。然而，能否利用奖励网络节点的活动来调整神经反馈的效率，还需要进一步研究。

mermaid 流程图如下：

graph LR
    A[开始实验] --> B[受试者接受训练]
    B --> C{反馈类型}
    C -- 真实反馈 --> D[记录真实反馈 EEG 数据]
    C -- 模拟反馈 --> E[记录模拟反馈 EEG 数据]
    D --> F[数据滤波和 ICA 处理]
    E --> F
    F --> G[对比两种条件 EEG 数据]
    G --> H[找出差异神经元来源]
    H --> I[分析 ACC 活动]
    I --> J[得出结论]

神经技术研究前沿：从脑电认证到虚拟现实与深度学习应用

利用深度学习从 fNIRS 数据中进行用户识别

功能性近红外光谱（fNIRS）作为一种轻便、便携且非侵入性的功能性神经成像工具，在脑机接口（BCI）领域展现出了巨大的潜力。研究探讨了利用 fNIRS 脑机接口仅通过大脑数据来识别个体的可能性。

• 实验数据与处理
  • 数据获取 ：数据来自 30 名受试者在长时间监督控制任务中的静息状态测量。使用 ISS, Inc., Imagent 设备，波长为 690 和 830 nm，每个设备有两个探头，每个探头有四个线性排列的光源和一个探测器，源 - 探测器距离在 2.5 到 3.5 cm 之间。
  • 数据处理 ：仅使用两个最长通道的数据，应用 0.5 Hz 的高通滤波器。在设定的时间窗口内构建特征，计算每个窗口、每个通道的氧合血红蛋白（HbO）、脱氧血红蛋白（HbR）及其总和与差值的平均值、最大值、最小值、斜率和标准差，共得到 40 个特征。

• 分类模型与实验设置

  • 分类模型 ：使用具有 10 个隐藏层，每层 200 个节点的多层感知器对数据集进行分类。
  • 实验设置 ：模型在每个受试者前 70%的数据上进行训练，在最后 29%的数据上进行测试，去除中间 1%的数据。对每个特征进行 z - 分数归一化。重复该过程以探索不同时间窗口下的分类准确性。为了减少训练实例较少的影响，调整训练轮数（epoch）以保持所有测试的训练实例总数恒定。

• 实验结果
  实验结果显示，在这种配置下，窗口大小为 1 秒时达到了 63%的最大准确率，窗口大小为 3 秒时准确率为 61%。由于 30 名受试者的随机猜测准确率仅为 3.3%，这是一个显著的结果。具体数据如下表所示：

窗口大小	唯一实例/类	训练轮数（epoch）	准确率	标准差
1 秒	1800	67	63%	0.011
3 秒	600	200	61%	0.027
9 秒	200	600	57%	0.013
15 秒	120	1000	55%	0.009
24 秒	75	1600	47%	0.006
30 秒	60	2000	51%	0.003
60 秒	30	4000	45%	0.004
90 秒	20	6000	47%	0.001

这些结果表明，即使在静息状态下，每个个体可能也有独特的大脑特征，这对于我们理解大脑以及基于此构建相关系统具有重要意义。不过，该研究存在一定局限性，测试和训练数据均在一次会话中收集，传感器放置可能会影响分类结果，尽管进行了 z - 分数标准化。未来需要进一步研究以支持和扩展这些结果。

mermaid 流程图如下：

graph LR
    A[获取 30 名受试者静息态 fNIRS 数据] --> B[数据预处理：高通滤波]
    B --> C[特征构建：不同时间窗口计算特征]
    C --> D[特征归一化：z - 分数归一化]
    D --> E{划分数据集}
    E -- 70%训练集 --> F[多层感知器模型训练]
    E -- 29%测试集 --> G[模型测试]
    F --> H[调整 epoch 数平衡训练实例]
    G --> I[计算准确率和标准差]
    I --> J[分析不同窗口大小结果]

综上所述，这些神经技术研究在生物特征认证、虚拟现实交互评估、神经反馈训练以及用户识别等方面取得了重要进展。但同时，各项研究也存在一定的局限性，需要进一步的研究和探索来完善和拓展这些技术的应用。未来，随着技术的不断发展，神经技术有望在更多领域发挥重要作用，为我们的生活和社会带来更多的改变。