利用腦電波資料解讀個人意圖的可能性
研究小組成功開發少數樣本學習模型
韓國濟州科學技術研究院（DGIST）的機器人與機械工程系教授樸相鉉（Sanghyun Park）率領的研究團隊宣布，他們已成功開發出一種能夠使用少量資料準確分類腦電波的少數樣本學習模型。對於現有的深度學習模型來說需要從目標受測者收集大量腦電波資料，才能準確分類新的腦電波資料。然而這種新開發的深度學習模型能夠使用少量資料準確分類腦電波，這可能對未來與腦電波相關的研究有所貢獻。
腦電波的資料在不同人之間存在著顯著的差異。即使在執行同一項任務時，腦電波的分布也因人而異。因此當前大多數現有的分類模型僅從受測者身上收集資料並加以標籤，用於訓練時僅專注於對個體的內部分類。因此在未參與訓練的個體的腦電波無法使用這些分類模型進行分類。為了克服這個缺點，研究人員開展了對「領域適應」模型的研究，利用深度學習模型推斷目標受測者的腦電波訊號，但是這些模型無法輕易應用於新的受測者，因為它們還需要學習這些受測者的腦電波資料。此外還在進行從多個受測者收集的腦電波資料上進行訓練的轉移學習模型的最佳化研究，但是由於仍然需要大量腦電波資料，它們的可用性相對較低。
樸教授領導的研究團隊開發了一種新的深度學習模型，能夠根據每個受測者的腦電波特徵，當少量資料的地面真實資料從目標受測者的腦電波資料中獲得時，準確地分類腦電波。為了有效地學習少量資料與其餘腦電波之間的關係，首先使用嵌入模組從腦電波資料中提取有意義的特徵，然後使用時域關注模組從提取的特徵中突出顯示重要特徵，同時減少不必要的噪聲。隨後，使用聚合關注模組從給定的腦電波資料中找出僅僅重要的資料，以識別腦電波中目標受測者意圖的特徵。最後使用聯動模組計算腦電波特徵與向量之間的關係。此外還開發了腦電波分類微調技術，以確保透過最佳化準確地分類腦電波。該研究團隊新開發的深度學習模型在目標受測者意圖的互主題分類中，使用僅 20 個腦電波資料點，達到 76%的分類準確度。考慮到先前提出的方法（內主題分類、轉移學習和其他少數樣本學習方法）的準確度為 64-73%，新開發的模型表現出優越的效能。
樸教授表示：“這項研究中開發的腦電波分類深度學習模型能夠只利用少量資訊準確地將腦電波進行分類，而無需重新建立來自受測者的學習資料，因此預計對於需要個體化的腦電波相關研究有所貢獻。”他還補充道：“我們的技術將進一步增強，以便在各種生物訊號分析中更加廣泛地應用。”該研究得到了韓國國家警察廳“警察健康管理服務定制智慧大資料整合平臺開發專案”和 DGIST 的“沉浸式人與機器人多感官互動技術商業化專案”的支援。該研究成果發表在《IEEE Transactions on Neural Networks and Learning Systems》期刊上。
腦電波及其潛在應用
腦電波是人類大腦中產生的電訊號，可以透過腦電圖（EEG）裝置來測量和記錄。研究人員利用腦電波資料探索腦部活動，例如記憶、情緒和認知功能的相關研究。隨著科技的進步，對於腦電波的研究越來越多地關注其應用潛力，例如腦機介面技術、神經反饋訓練和腦發育研究等領域。
這項最新研究的成果對於腦電波資料的分類和解讀開闊了新的可能性。透過開發這種少數樣本學習模型，研究人員為理解個體之間的腦電波差異提供了一種有效的方法。以前，需要大量腦電波資料才能進行精確的分類，而這項研究的成果顯示，即使只有少量資料點，也能夠準確地分類腦電波。這一突破對於腦機介面技術、神經反饋訓練和精準醫療等領域具有重要的應用價值。
編輯評論與建議
這項研究的成果開啟了腦電波資料分類和解讀的新篇章，為個體化的腦科學研究提供了更有效的方法。然而這項研究還處於實驗室階段，需要更多的取證和實際應用來證實其穩定性和可靠性。
對於腦電波科學和相關技術的應用，我們將需要在個人隱私保護和倫理問題方面進行更深入的探討。監管機構和研究者需要制定相應的法規和守則，以確保腦電波資料的安全使用和合法收集。此外應該向公眾清楚解釋腦電波科學的應用前景和潛在風險，並與公眾建立正確的科學認知。
對於未來的研究方向，我們期待這一領域的持續發展。有望將少數樣本學習模型應用於更廣泛的腦電波資料分類和解讀任務中，為個體化的醫療診斷提供更有效的工具。此外透過更多的實際應用和長期追蹤研究，我們也能更好地理解和挖掘腦電波與個體認知、行為和情緒之間的關係。
