近年来，脑部计算机界面（BCIS）取得了重大进展，为有言语或运动障碍的人提供了通信解决方案。但是，最有效的BCIS依赖于侵入性方法，例如植入的电极，这些方法构成了医疗风险，包括感染和长期维护问题。已经探索了非侵入性替代方案，特别是基于脑电图（EEG）的替代方法，但由于信号分辨率较差而导致的精度较低。该领域的主要挑战是提高非侵入性方法的可靠性。Meta ai对Brain2QWerty的研究提出了解决这一挑战的一步。

元AI介绍brain2qwerty，一种神经网络，旨在解码使用大脑活动的句子脑电图或磁脑电图（MEG）。该研究的参与者在记录其大脑活动时在Qwerty键盘上键入了记忆的句子。与以前的方法不同的方法需要用户专注于外部刺激或想象中的运动，Brain2QWerty利用与打字相关的自然运动过程，提供了一种可能更直观的解释大脑活动的方式。

模型架构及其潜在利益

Brain2Qwerty是一个三阶段神经网络旨在处理大脑信号并推断键入文本。该体系结构包括：

1. 卷积模块：从EEG/MEG信号中提取时间和空间特征。
2. 变压器模块：处理序列以完善表示并改善上下文理解。
3. 语言模型模块：审慎的角色级语言模型纠正并完善了预测。

通过整合这三个组件，Brain2Qwerty比以前的模型可以提高精度，从而改善了解码性能并减少脑对文本翻译的错误。

评估绩效和关键发现

该研究测量了Brain2QWerty的有效性字符错误率（CER）：

• 基于脑电图的解码导致a67％CER，表示错误率很高。
• 基于MEG的解码用32％CER。
• 最准确的参与者19％CER，证明模型在最佳条件下的潜力。

这些结果突出了脑电图对准确的文本解码的局限性，同时显示了MEG对非侵入性脑对文本应用的潜力。该研究还发现，Brain2Qwerty可以纠正参与者犯的印刷错误，这表明它捕获了与打字相关的运动和认知模式。

考虑和未来的方向

Brain2Qwerty代表了非侵入性BCIS的进展，但仍有一些挑战：

1. 实时实现：该模型当前处理完整的句子，而不是实时处理单个击键。
2. MEG技术的可访问性：虽然MEG胜过EEG，但它需要尚未便携式或广泛使用的专门设备。
3. 适用于有障碍的人：该研究是与健康参与者进行的。需要进一步的研究来确定其对运动或语音障碍患者的普遍性。

查看 。 纸。这项研究的所有功劳都归该项目的研究人员。另外，不要忘记跟随我们 叽叽喳喳加入我们的 电报频道和 LinkedIn GrOUP。不要忘记加入我们的 75K+ ml子雷迪特。

ð -推荐的开源AI平台：•Intellagent是一个开源多代理框架，可评估复杂的对话AI系统_（晋升）