Rumah >Peranti teknologi >AI >Hologram WIMI (NASDAQ: WIMI) membangunkan model dan paradigma permainan BCI berdasarkan antara muka otak-komputer

Hologram WIMI (NASDAQ: WIMI) membangunkan model dan paradigma permainan BCI berdasarkan antara muka otak-komputer

WBOY
WBOYke hadapan
2023-05-30 10:33:21976semak imbas

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

Dengan perkembangan pesat teknologi antara muka otak-komputer (BCI) sejak beberapa tahun kebelakangan ini, penyelidik saintifik juga telah menyepadukan teknologi antara muka otak-komputer (BCI) ke dalam permainan hiburan dan menjalankan penyelidikan yang mendalam, sebagai tambahan kepada aplikasi klinikal , teknologi antara muka otak-komputer (BCI) BCI) juga boleh menjadi satu bentuk hiburan. Pada masa ini, kebanyakan permainan BCI tidak boleh dipopularkan secara meluas kerana masalah seperti prestasi kawalan yang lemah atau mudah keletihan. Sejak beberapa tahun kebelakangan ini, sejumlah besar kajian telah dijalankan, menunjukkan peningkatan populariti teknologi BCI dalam interaksi permainan. Antara permainan BCI dalam kajian terdahulu, potensi P300, potensi yang ditimbulkan visual keadaan mantap (SSVEP), dan imejan motor (MI) adalah permainan paling biasa yang menggunakan isyarat EEG (EEG). Kestabilan P300 menjadikannya kurang terdedah kepada keletihan dan tidak memerlukan latihan khas untuk pengguna. Oleh itu, WIMI (NASDAQ: WIMI) menggunakan antara muka otak-komputer P300 untuk mereka bentuk model permainan untuk meneroka penggunaan isyarat elektroensefalogram (EEG) dalam persekitaran sebenar untuk pengalaman pelaksanaan permainan yang boleh dilaksanakan dan semula jadi.

Inovasi penyelidikan Hologram WIMI terletak pada penyepaduan permainan BCI dan reka bentuk paradigma, menyepadukan peraturan permainan dan ciri-ciri sistem BCI. Pengenalan algoritma rangkaian neural convolutional (CNN) boleh mencapai ketepatan tinggi dalam sampel latihan. Sistem BCI bukan sahaja satu bentuk hiburan, tetapi juga meningkatkan kepelbagaian operasi permainan.

Dalam dekad yang lalu, pembelajaran mendalam telah berkembang pesat dalam banyak bidang seperti penglihatan komputer, pemprosesan bahasa semula jadi dan pemprosesan pertuturan. Dalam klasifikasi imej, penyelidik telah mencadangkan beberapa seni bina dalam novel yang mencapai ketepatan tinggi. Dalam beberapa tahun kebelakangan ini, rangkaian neural convolutional (CNN) telah digunakan untuk pengesanan P300 Menggunakan CNN untuk mengenal pasti dan mengklasifikasikan isyarat EEG P300 boleh mencapai hasil yang baik. Untuk meningkatkan keupayaan generalisasi model, klasifikasi isyarat P300 terkini dan pengecaman aksara dilaksanakan. Pada set data yang kecil, overfitting akan berlaku, jadi set data yang besar perlu digunakan untuk melatih data bukan linear Pada masa ini, menggunakan CNN adalah sangat sesuai. Walau bagaimanapun, adalah sangat sukar untuk mengumpul sejumlah besar data latihan dalam aplikasi praktikal. Oleh itu, kami mencadangkan seni bina baharu berdasarkan rangkaian neural convolutional (CNN) untuk mencapai klasifikasi isyarat P300 terkini dan pengecaman aksara pada set data latihan kecil.

Hologram WIMI (NASDAQ:WIMI) mereka bentuk model permainan P300 BCI berdasarkan CNN dan mencadangkan algoritma berdasarkan pembelajaran mendalam Bayesian untuk menyelesaikan masalah pemasangan yang berlebihan apabila berlatih pada set data kecil . Kesimpulan dibuat dengan berjaya menggunakan model permainan BCI berasaskan P300 dan menunjukkan kebolehgunaannya pada algoritma pembelajaran mendalam untuk sistem BCI dalam talian.

Rangka kerja sistem holografik WIMI berdasarkan model permainan CNN BCI mengandungi tiga subsistem, iaitu bahagian pengumpulan data, bahagian pemprosesan data dan terminal visual dan permainan. Dalam bahagian pemerolehan data, isyarat EEG kulit kepala berbilang saluran direkodkan menggunakan penutup elektrod dan penguat. Selepas isyarat dipraproses, proses pemprosesan data boleh dibahagikan kepada dua langkah: latihan luar talian dan ujian klasifikasi dalam talian. Akhir sekali, keputusan klasifikasi ditukar kepada arahan operasi dan dihantar ke terminal visual dan permainan. Terminal visual dan permainan terdiri daripada dua sub-langkah: (1) menyediakan rangsangan visual kepada pengguna selepas strategi rangsangan dikemas kini dan (2) menyediakan maklum balas visual (koordinat output) kepada pengguna.

Hologram WIMI (NASDAQ: WIMI) membangunkan model dan paradigma permainan BCI berdasarkan antara muka otak-komputer

Pengumpulan dan prapemprosesan data TELUR

Hologram WIMI adalah berdasarkan model permainan CNN BCI menggunakan kapasitor dan penguat 32 saluran untuk merekodkan data EEG tanpa invasif, mendigitalkannya pada 1000 Hz dan menapisnya menggunakan penapis takuk 50 Hz. Kumpul semua data elektrod. Untuk mengurangkan kesan kesan kelebihan penapisan, data yang direkodkan ditapis terlebih dahulu. Penapis laluan jalur boleh digunakan untuk memproses isyarat EEG setiap saluran untuk mengekstrak maklumat utama isyarat P300 selepas pencetus rangsangan. Kemudian, data dikurangkan sampel. Matriks data aksara yang sama disusun dan dipuratakan untuk mengurangkan nisbah isyarat kepada hingar.

Seni Bina CNN

Selepas pramemproses isyarat BCI Hologram WIMI berdasarkan model permainan CNN BCI, bahagian pemprosesan data boleh dibahagikan kepada dua langkah: latihan luar talian dan klasifikasi dalam talian. CNN adalah berdasarkan kepada perambatan balik Bayesian, kaedah inferens variasi yang digunakan untuk mempelajari pengedaran posterior berat rangkaian saraf dari mana pemberat dalam perambatan belakang boleh dijadikan sampel. Sebagai contoh, jika kita memodelkan setiap parameter berat dengan taburan Gaussian, maka nilai berat asal boleh dinyatakan sebagai min dan sisihan piawai bagi taburan Gaussian. Posterior kemudian dikira melalui inferens variasi.

Lapisan convolutional CNN perlu menggunakan kernel convolution dengan nilai berat untuk operasi convolution. Setiap parameter berat dalam kernel lilitan dinyatakan dalam bentuk taburan Gaussian. Untuk mendapatkan nilai berat tertentu, taburan Gaussian mesti digunakan untuk pensampelan. Oleh itu, dalam proses pensampelan, teknologi parameterisasi berat digunakan untuk meletakkan proses pensampelan di hadapan, supaya perambatan ke hadapan rangkaian menjadi derivatif, dan pemberat dikemas kini semasa proses perambatan belakang. Inti lilitan dijana dengan mengekstrak nilai berat tertentu daripada taburan berat isirong lilitan, dan kemudian operasi lilitan dilakukan pada medan penerimaan.

Antaramuka Otak-Komputer (BCI) ialah kaedah komunikasi tidak konvensional yang boleh mewujudkan laluan komunikasi antara seseorang dan periferal Pada mulanya, teknologi BCI digunakan dalam bidang klinikal untuk membantu pesakit pulih dan berinteraksi antara satu sama lain dengan menghantar arahan terus dari otak ke komputer Keupayaan untuk berinteraksi dengan dunia luar. Kini sebagai tambahan kepada aplikasi klinikal, teknologi BCI juga telah diuji dan diaplikasikan dalam permainan hiburan Teknologi BCI sering digunakan untuk menyediakan input untuk permainan, dengan itu menghilangkan pergantungan pada peranti perantaraan (tetikus, papan kekunci, pad permainan dan pengawal permainan). WIMI adalah berdasarkan model permainan CNN BCI, membentuk platform yang boleh memenuhi minat kedua-dua pengguna yang sihat dan pengguna kurang upaya. Untuk pengguna yang sihat, permainan BCI penuh dengan teknologi dan misteri, yang meningkatkan daya tarikan permainan dan membantu mempromosikan permainan. Bagi pengguna kurang upaya, permainan BCI menyediakan mereka dengan platform permainan yang adil yang bukan sahaja membolehkan mereka bermain permainan dengan cara yang sama seperti pengguna yang sihat, tetapi juga berfungsi sebagai sistem pemulihan berfungsi untuk membantu pesakit dengan latihan pemulihan. Penerapan teknologi BCI dalam permainan hiburan merupakan langkah penting dalam mendorongnya daripada peringkat penyelidikan saintifik ke peringkat pasaran aplikasi praktikal.

Atas ialah kandungan terperinci Hologram WIMI (NASDAQ: WIMI) membangunkan model dan paradigma permainan BCI berdasarkan antara muka otak-komputer. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan:
Artikel ini dikembalikan pada:sohu.com. Jika ada pelanggaran, sila hubungi admin@php.cn Padam