美国Meta人工智能团队、法国巴黎文理研究大学和阿道夫·罗斯柴尔德基金会医院的研究人员开发出一种结合人工智能（AI）技术的非侵入式“大脑活动到文本”转换方法。这一脑机接口技术借助深度学习算法，能够根据脑电图或脑磁图信号解码人们在键盘输入过程中产生的脑活动，并将其转换为对应文字。相关研究发表于新一期《自然·神经科学》杂志。
一些身体损伤和神经系统疾病会导致患者暂时或永久失去运动能力，无法通过语言、键盘或电子设备与外界交流。脑机接口技术被认为有望帮助这类人群恢复沟通能力。不过，目前性能较好的脑机接口系统大多依赖植入式传感器，需要通过手术将电极置于大脑表面或内部，存在一定风险。
此次研究中，团队提出了一种无需手术的方法，通过解码大脑活动来识别人们生成的句子，并在一组健康志愿者中验证了其有效性。
借助训练数据，团队开发了一种名为“Brain2Qwerty”的深度学习模型。该模型能学习脑活动信号与键盘输入字符之间的对应关系，并尝试仅根据大脑信号预测参与者正在输入的文字。
实验结果显示，相比脑电图，脑磁图信号能够帮助模型实现更准确的文字预测。利用脑磁图数据时，Brain2Qwerty模型平均字符错误率为29%；而基于脑电图数据时，字符错误率为65%。对于部分表现最佳的参与者，该模型的字符错误率可进一步降低至18%，并且能准确识别未出现在训练阶段的句子。
这项研究展示了结合AI技术的新一代非侵入式脑机接口的潜力。这类系统无需通过手术植入电极，有望进一步降低脑机接口的应用门槛。未来，研究团队还可继续优化深度学习算法，使其能够以更低错误率将脑活动转换为文字。
美国Meta人工智能团队、法国巴黎文理研究大学和阿道夫·罗斯柴尔德基金会医院的研究人员开发出一种结合人工智能（AI）技术的非侵入式“大脑活动到文本”转换方法。这一脑机接口技术借助深度学习算法，能够根据脑电图或脑磁图信号解码人们在键盘输入过程中产生的脑活动，并将其转换为对应文字。相关研究发表于新一期《自然·神经科学》杂志。
一些身体损伤和神经系统疾病会导致患者暂时或永久失去运动能力，无法通过语言、键盘或电子设备与外界交流。脑机接口技术被认为有望帮助这类人群恢复沟通能力。不过，目前性能较好的脑机接口系统大多依赖植入式传感器，需要通过手术将电极置于大脑表面或内部，存在一定风险。
此次研究中，团队提出了一种无需手术的方法，通过解码大脑活动来识别人们生成的句子，并在一组健康志愿者中验证了其有效性。
借助训练数据，团队开发了一种名为“Brain2Qwerty”的深度学习模型。该模型能学习脑活动信号与键盘输入字符之间的对应关系，并尝试仅根据大脑信号预测参与者正在输入的文字。
实验结果显示，相比脑电图，脑磁图信号能够帮助模型实现更准确的文字预测。利用脑磁图数据时，Brain2Qwerty模型平均字符错误率为29%；而基于脑电图数据时，字符错误率为65%。对于部分表现最佳的参与者，该模型的字符错误率可进一步降低至18%，并且能准确识别未出现在训练阶段的句子。
这项研究展示了结合AI技术的新一代非侵入式脑机接口的潜力。这类系统无需通过手术植入电极，有望进一步降低脑机接口的应用门槛。未来，研究团队还可继续优化深度学习算法，使其能够以更低错误率将脑活动转换为文字。
