WIMI Hologram (NASDAQ: WIMI) entwickelt BCI-Spielmodelle und Paradigmen auf Basis einer Gehirn-Computer-Schnittstelle

2023-05-15 10:48:43 Autor: Song Junyi

Mit der rasanten Entwicklung der Brain-Computer-Interface-Technologie (BCI) haben wissenschaftliche Forscher in den letzten Jahren auch die Brain-Computer-Interface-Technologie (BCI) in Unterhaltungsspiele integriert und daher zusätzlich zu klinischen Anwendungen eingehende Untersuchungen zum Gehirn durchgeführt -Computer-Interface-Technologie (BCI) kann auch eine Form der Unterhaltung sein. Derzeit können die meisten BCI-Spiele aufgrund von Problemen wie schlechter Kontrollleistung oder leichter Ermüdung nicht weit verbreitet werden. In den letzten Jahren wurde eine Vielzahl von Studien durchgeführt, die die zunehmende Beliebtheit der BCI-Technologie in der Spielinteraktion belegen. Unter den BCI-Spielen in früheren Studien waren P300-Potentiale, Steady-State-visual-evoked-Potentials (SSVEPs) und motorische Bilder (MI) die häufigsten Spiele, die EEG-Signale (EEG) verwendeten. Die Stabilität des P300 macht ihn weniger anfällig für Ermüdungserscheinungen und erfordert keine besondere Schulung des Benutzers. Daher nutzt WIMI (NASDAQ: WIMI) die P300-Gehirn-Computer-Schnittstelle, um ein Spielmodell zu entwerfen, um die Verwendung von Elektroenzephalogramm-Signalen (EEG) in tatsächlichen Umgebungen für ein realisierbares und natürliches Spielausführungserlebnis zu untersuchen.

Die Forschungsinnovation von

WIMI Hologram liegt in der Integration von BCI-Spielen und Paradigmendesign, der Integration von Spielregeln und den Eigenschaften von BCI-Systemen. Durch die Einführung des Convolutional Neural Network (CNN)-Algorithmus kann eine hohe Genauigkeit bei Trainingsproben erreicht werden. Das BCI-System ist nicht nur eine Form der Unterhaltung, sondern erhöht auch die Vielfalt des Spielbetriebs.

Im letzten Jahrzehnt hat sich Deep Learning in vielen Bereichen wie Computer Vision, Verarbeitung natürlicher Sprache und Sprachverarbeitung rasant entwickelt. Bei der Bildklassifizierung haben Forscher einige neuartige Tiefenarchitekturen vorgeschlagen, die eine hohe Genauigkeit erreichen. In den letzten Jahren wurden Faltungs-Neuronale Netze (CNN) zur P300-Erkennung verwendet. Durch die Verwendung von CNN zur Identifizierung und Klassifizierung von P300-EEG-Signalen können gute Ergebnisse erzielt werden. Um die Generalisierungsfähigkeit des Modells zu verbessern, werden die hochmoderne P300-Signalklassifizierung und Zeichenerkennung implementiert. Bei kleinen Datensätzen kommt es zu einer Überanpassung, sodass große Datensätze zum Trainieren nichtlinearer Daten verwendet werden müssen. Zu diesem Zeitpunkt ist CNN sehr gut geeignet. Allerdings ist es in der Praxis sehr schwierig, große Mengen an Trainingsdaten zu sammeln. Daher schlagen wir eine neue Architektur vor, die auf Faltungs-Neuronalen Netzen (CNN) basiert, um die hochmoderne P300-Signalklassifizierung und Zeichenerkennung anhand eines kleinen Trainingsdatensatzes zu erreichen.

WIMI (NASDAQ: WIMI) hat ein P300-BCI-Spielmodell basierend auf CNN entwickelt und einen Algorithmus vorgeschlagen, der auf Bayesian Deep Learning basiert, um das Problem der Überanpassung beim Training mit kleinen Datensätzen zu lösen. Die Schlussfolgerungen werden durch die erfolgreiche Anwendung eines P300-basierten BCI-Spielmodells und den Nachweis seiner Anwendbarkeit auf Deep-Learning-Algorithmen für Online-BCI-Systeme gezogen.

Das holografische WIMI-System-Framework basierend auf dem CNN-BCI-Spielmodell enthält drei Subsysteme, nämlich den Datenerfassungsteil, den Datenverarbeitungsteil sowie das visuelle und Spielterminal. Im Datenerfassungsteil werden mehrkanalige Kopfhaut-EEG-Signale mithilfe von Elektrodenkappen und Verstärkern aufgezeichnet. Nachdem das Signal vorverarbeitet wurde, kann der Datenverarbeitungsprozess in zwei Schritte unterteilt werden: Offline-Training und Online-Klassifizierungstests. Abschließend werden die Klassifizierungsergebnisse in Betriebsbefehle umgewandelt und an die visuellen und Spielterminals gesendet. Das visuelle und Spielterminal besteht aus zwei Unterschritten: (1) Bereitstellung einer visuellen Stimulation für den Benutzer nach der Aktualisierung der Stimulationsstrategie und (2) Bereitstellung eines visuellen Feedbacks (Ausgabekoordinaten) für den Benutzer.

Egg-Datenerfassung und Vorverarbeitung

WIMI-Hologramm basiert auf dem CNN-BCI-Spielmodell und verwendet 32-Kanal-Kondensatoren und Verstärker, um EEG-Daten nicht-invasiv aufzuzeichnen, bei 1000 Hz zu digitalisieren und mit einem 50-Hz-Notch-Filter zu filtern. Erfassen Sie alle Elektrodendaten. Um die Auswirkungen von Filterkanteneffekten zu reduzieren, werden die aufgezeichneten Daten zunächst gefiltert. Bandpassfilter können zur Verarbeitung des EEG-Signals jedes Kanals verwendet werden, um wichtige Informationen des P300-Signals nach der Reizauslösung zu extrahieren. Anschließend werden die Daten heruntergerechnet. Datenmatrizen derselben Zeichen werden gestapelt und gemittelt, um das Signal-Rausch-Verhältnis zu reduzieren.

CNN-Architektur

WIMI-Hologramm Nach der Vorverarbeitung des BCI-Signals basierend auf dem CNN-BCI-Spielmodell kann der Datenverarbeitungsteil in zwei Schritte unterteilt werden: Offline-Training und Online-Klassifizierung. CNNs basieren auf der Bayes'schen Backpropagation, einer Variationsinferenzmethode, die zum Erlernen der hinteren Verteilung neuronaler Netzwerkgewichte verwendet wird, aus der die Gewichte bei der Backpropagation abgetastet werden können. Wenn wir beispielsweise jeden Gewichtsparameter mit einer Gaußschen Verteilung modellieren, kann der ursprüngliche Gewichtswert als Mittelwert und Standardabweichung der Gaußschen Verteilung ausgedrückt werden. Der Posterior wird dann über Variationsinferenz berechnet.

Die Faltungsschicht von CNN muss einen Faltungskern mit einem Gewichtungswert für die Faltungsoperation verwenden. Jeder Gewichtsparameter im Faltungskern wird in Form einer Gaußschen Verteilung ausgedrückt. Um einen bestimmten Gewichtswert zu erhalten, muss für die Stichprobenziehung die Gaußsche Verteilung verwendet werden. Daher wird im Sampling-Prozess eine starke Parametrisierungstechnologie verwendet, um den Sampling-Prozess in den Vordergrund zu stellen, sodass die Vorwärtsausbreitung des Netzwerks zur Ableitung wird und die Gewichte während des Rückwärtsausbreitungsprozesses aktualisiert werden. Der Faltungskern wird durch Extrahieren spezifischer Gewichtswerte aus der Gewichtsverteilung des Faltungskerns generiert und anschließend wird die Faltungsoperation für das Empfangsfeld ausgeführt.

Brain-Computer Interface (BCI) ist eine unkonventionelle Kommunikationsmethode, die einen Kommunikationspfad zwischen einer Person und der Peripherie herstellt. Ursprünglich wurde die BCI-Technologie im klinischen Bereich eingesetzt, um Patienten bei der Genesung zu helfen, indem sie Befehle direkt vom Gehirn an sendet der Computer. Die Fähigkeit, mit der Außenwelt zu interagieren. Neben klinischen Anwendungen wurde die BCI-Technologie mittlerweile auch in Unterhaltungsspielen erprobt und eingesetzt. BCI-Technologie wird häufig zur Bereitstellung von Eingaben für Spiele eingesetzt, wodurch die Abhängigkeit von Zwischengeräten (Maus, Tastatur, Gamepad und Gamecontroller) beseitigt wird. WIMI basiert auf dem CNN-BCI-Spielmodell und bildet eine Plattform, die den Interessen sowohl gesunder als auch behinderter Benutzer gerecht werden kann. Für gesunde Benutzer sind BCI-Spiele voller Technologie und Geheimnisse, was die Attraktivität des Spiels erhöht und zur Werbung für das Spiel beiträgt. Für behinderte Benutzer bieten BCI-Spiele eine faire Spielplattform, die ihnen nicht nur das Spielen auf die gleiche Weise wie gesunde Benutzer ermöglicht, sondern auch als funktionelles Rehabilitationssystem dient, um Patienten beim Rehabilitationstraining zu unterstützen. Die Anwendung der BCI-Technologie in Unterhaltungsspielen ist ein wichtiger Schritt auf dem Weg von der wissenschaftlichen Forschungsphase zur praktischen Marktanwendungsphase.

Das obige ist der detaillierte Inhalt vonWIMI Hologram (NASDAQ: WIMI) entwickelt BCI-Spielmodelle und Paradigmen auf Basis einer Gehirn-Computer-Schnittstelle. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!