MLGO微算法科技 D-S融合算法技术发布，助力脑机接口迈向实用化

脑机接口（Brain-Computer Interface, BCI）技术作为连接人类大脑与外部设备的重要桥梁，正在逐步改变医疗、康复、娱乐乃至工业领域的技术格局。然而，传统脑机接口系统通常依赖多通道脑电信号采集设备，这不仅增加了设备复杂度和成本，还限制了其在便携式和消费级场景中的应用。近日，创新型科技企业微算法科技研发的“基于少通道运动想象的脑机接口信号识别改进算法”取得重大突破，不仅在技术层面展现了卓越的性能，还为少通道脑机接口系统的开发提供了全新思路。
脑机接口技术通过捕获大脑的电生理信号，将其转化为可识别的指令，从而实现对外部设备的控制。其中，基于运动想象（Motor Imagery, MI）的脑机接口因其无需外部刺激即可生成控制信号，成为研究的热点。运动想象是指个体在脑海中模拟身体运动（如想象左手或右手运动）而无需实际执行动作，大脑皮层相关区域会产生特定的脑电信号（EEG），如μ节律（8-13 Hz）和β节律（13-30 Hz）的变化。这些信号可以通过电极捕获并用于控制外部设备。
传统的运动想象脑机接口系统通常依赖于多通道脑电采集设备，电极数量通常在16至64个甚至更多。这种多通道设置能够提供丰富的空间信息，有助于提高信号的信噪比和分类精度。然而，多通道系统存在显著的局限性：设备体积庞大、设置复杂、成本高昂，且对用户的操作要求较高。这些因素限制了脑机接口技术在家庭、移动或便携式场景中的应用。此外，多通道设备在信号处理过程中需要较高的计算资源，这进一步增加了系统的功耗和延迟。
为了解决上述问题，少通道脑机接口系统应运而生。少通道系统通常使用4至8个电极，显著降低了设备复杂度和成本。然而，减少电极数量会导致信号的空间分辨率下降，特征提取和分类的难度大幅增加。公共空间模式（Common Spatial Pattern, CSP）作为一种经典的特征提取算法，CSP算法通过构建空间滤波器来最大化不同类别的脑电信号方差差异，但当通道数量减少时，信号的空间信息不足，导致滤波器的有效性下降，甚至可能无法准确区分不同的运动想象任务。
针对这一技术瓶颈，微算法科技（NASDAQ:MLGO）提出了一种基于少通道运动想象的脑机接口信号识别改进算法，通过创新的特征提取方法和决策融合策略，显著提升了少通道系统的信号识别精度和鲁棒性。微算法科技该算法创新性地提出了三种不同的映射关系，其核心在于组合特征提取方法，并结合Dempster-Shafer证据理论（D-S证据理论）进行决策层融合，从而实现少通道脑电信号的高效识别。
首先，该算法保留了经典CSP算法作为基础特征提取方法，但对其进行了优化。针对少通道场景，微算法科技调整了CSP的空间滤波器设计，通过引入正则化技术和降维方法，增强滤波器对噪声的鲁棒性，从而在通道数量有限的情况下尽可能保留信号的区分信息。
其次，微算法科技引入了基于频域特征的映射方法。运动想象脑电信号在μ节律和β节律频段具有显著的功率变化（即事件相关去同步化/同步化，ERD/ERS）。通过对信号进行小波变换（Wavelet Transform），提取特定频段的功率谱密度（Power Spectral Density, PSD），并结合时间窗分析，生成频域特征映射。这种方法能够捕捉信号在不同时间和频率维度上的动态变化，弥补了CSP在少通道场景下空间信息不足的缺陷。
第三，微算法科技开发了一种基于时域统计特征的映射方法。通过计算信号的统计特征（如均值、方差、偏度和峰度），并结合短时傅里叶变换（Short-Time Fourier Transform, STFT），生成时频域的混合特征。这种方法特别适合处理非平稳的脑电信号，能够进一步丰富特征的多样性。
这三种映射关系的结合，构成了一个多维特征提取框架。相较于单一的CSP算法，该框架能够从少通道脑电信号中提取更丰富的信息，显著提高了特征的区分度和鲁棒性。
在特征提取的基础上，微算法科技针对每种映射关系分别训练了一个支持向量机（Support Vector Machine, SVM）分类器。SVM是一种基于最大间隔超平面的监督学习算法，适用于小样本、高维数据的分类任务。每个SVM分类器都基于对应的特征映射进行训练，输出概率值而非硬性分类结果。这种概率输出不仅提供了分类的置信度，还为后续的决策融合提供了基础。
为了确保分类器的性能，微算法科技采用了径向基函数（Radial Basis Function, RBF）核的SVM模型，并通过交叉验证优化了模型的超参数（如核参数和正则化参数）。此外，针对少通道脑电信号的噪声问题，在训练过程中引入了数据增强技术，例如通过添加高斯噪声或对信号进行时间轴平移，模拟不同的信号采集条件，从而提高模型的泛化能力。
此外，单一分类器的输出在少通道场景下可能受到噪声和信号变异性的影响，导致分类结果不稳定。为了进一步提高系统的鲁棒性和准确性，微算法科技该算法在决策层引入了Dempster-Shafer证据理论（D-S证据理论）进行多分类器融合。D-S证据理论是一种处理不确定性推理的数学框架，能够将多个信息源的证据进行融合，从而得出更可靠的决策。在本研究中，三个SVM分类器的概率输出被视为独立的证据源。D-S证据理论通过定义信任函数（Belief Function）和似然函数（Plausibility Function），对这些概率输出进行加权融合，最终生成测试样本的分类结果。
通过D-S证据理论的融合，算法能够充分利用三种映射关系的互补性，显著提高分类的准确性和稳定性。实验结果表明，该方法在少通道场景下的分类精度较传统CSP算法提升了约15%-20%。
该技术的突破为少通道脑机接口系统的开发提供了新的可能性，其潜在应用场景十分广泛。在医疗领域，该技术可用于辅助神经康复。在消费电子领域，少通道脑机接口可集成到可穿戴设备中，实现更便捷的脑控交互，如控制智能家居设备或玩脑控游戏。此外，该技术还可应用于工业领域，例如通过脑电信号控制机械臂，提高生产效率。
微算法科技（NASDAQ:MLGO）基于少通道运动想象的脑机接口信号识别改进算法技术发布，标志着脑机接口技术在便携化和普及化方向上的重要进步。通过创新的组合特征提取方法和Dempster-Shafer证据理论的决策融合，该技术显著提升了少通道脑电信号的识别精度和鲁棒性，为脑机接口的广泛应用提供了强有力的支持。未来，随着技术的进一步优化和应用场景的拓展，这项技术有望在医疗、消费电子和工业领域发挥更大的作用，为人类与机器的交互开辟全新的可能。