Meta全新腦機接口模型，挑戰Neuralink！無需植入芯片實現「心靈感應」

原標題：Meta全新腦機接口模型，挑戰Neuralink！無需植入芯片實現「心靈感應」
文章來源：新智元
內容字數：6969字

Meta AI的非侵入式腦機接口：Brain2Qwerty模型

腦機接口技術正飛速發展，侵入式方案盡管展現出令人矚目的成果，例如Neuralink實現的“心靈感應”，但其伴隨的醫療風險不容忽視。Meta AI另辟蹊徑，推出了非侵入式的Brain2Qwerty深度學習模型，為更安全可靠的腦機接口技術提供了新的方向。

Brain2Qwerty模型的核心技術
Brain2Qwerty采用三階段深度神經網絡架構：首先，卷積模塊提取腦電圖(EEG)或腦磁圖(MEG)信號的特征；然后，轉換器模塊利用自注意力機制捕捉句子級別的上下文信息，優化按鍵預測；最后，預訓練語言模型利用語言統計規律，進一步提高解碼準確性。該模型通過分析大腦活動，直接解碼用戶在鍵盤上輸入的文字。
實驗結果與性能比較
實驗結果顯示，Brain2Qwerty模型在MEG數據上的表現顯著優于EEG數據，MEG的平均字符錯誤率（CER）為32%，EEG的平均CER為67%。最佳MEG受試者的CER甚至低至19%。與線性模型和EEGNet基線模型相比，Brain2Qwerty也展現出顯著的性能優勢。消融實驗也證明了該模型三階段架構的有效性，每個階段都對最終性能有顯著貢獻。
MEG與EEG的性能差異
研究發現，MEG在手部按鍵分類和字符解碼方面都優于EEG。MEG的峰值準確率達到74%，而EEG僅為64%。這可能是因為MEG具有更高的空間分辨率，能夠更精確地捕捉大腦活動。
鍵盤布局和打字錯誤的影響
研究表明，Brain2Qwerty模型的解碼錯誤與QWERTY鍵盤的物理布局相關，相鄰按鍵更容易被混淆。此外，打字錯誤也會顯著降低解碼性能。正確按鍵的CER顯著低于錯誤按鍵，這表明過程的準確性直接影響解碼質量。
模型的局限性和未來展望
雖然Brain2Qwerty模型在非侵入式腦機接口領域取得了重要進展，但其性能與侵入式方法相比仍存在差距。目前MEG設備的便攜性也限制了其應用。然而，隨著新型腦磁圖傳感器的開發，未來非侵入式腦機接口技術有望取得更大突破，為構建更安全、更便捷的人機交互方式提供新的可能性。

總而言之，Meta AI的Brain2Qwerty模型為非侵入式腦機接口技術的發展帶來了新的希望，其非侵入式的特性顯著降低了醫療風險，并展現了令人鼓舞的解碼性能。盡管仍存在一些局限性，但該研究為未來人機交互方式的革新奠定了堅實的基礎。