KAIST于23日表示,生物与脑工程系郑在乘教授研究团队开发出可在三维空间中仅凭意念以高准确度(90.9~92.6%)操控机械臂的“脑-机接口系统”。
郑教授研究团队利用人工智能与遗传算法,仅凭在人类大脑深部测得的脑电波即可判断手臂运动意图,从而控制机械臂,开发出新型脑-机接口系统。
仅通过大脑活动判断人的意图、由机器人或机械代为执行动作的“脑-机接口”技术近来快速发展。但超越判断手部动作程度的意图、精细把握手臂运动方向意图并精准驱动机械臂的技术,准确度此前仍不高。
研究团队在本次研究中开发出仅凭大脑活动识别操控“方向”意图的人工智能模型,并由此开发出能在三维空间中以90%以上准确度精确解析24个方向的系统。
此外,深度学习等既有机器学习技术需要高配置GPU硬件,而本次研究利用储备池计算(Reservoir Computing)方法,使低配置硬件也能进行人工智能学习,可广泛应用于智能移动设备,预计今后也能广泛应用于元宇宙与智能设备。
同时,本次研究成果有望为四肢麻痹患者或因事故失去手臂的患者的机械臂安装及控制技术,以及元宇宙、智能设备、游戏、娱乐应用等多种系统应用脑-机接口打开可能性。
由KAIST金勋熙博士(现江南大学助理教授)作为第一作者参与的本次研究,发表于国际学术期刊《应用软计算》2022年第117卷3月号。
脑-机接口是通过使用者的大脑活动读取意图并传递给机器人或机械的技术,作为可用于机器人、无人机、计算机以及智能移动设备、元宇宙等的下一代接口技术备受关注。
特别是,既有接口须通过外部身体器官间接传递指令(按钮、触摸、手势等),而脑-机接口从大脑直接传递指令,因此被视为最先进的接口技术。
然而脑电波个体差异极大,且并非从单一神经细胞读取精确信号,而须解析广泛区域内神经细胞群的电信号特性,因此存在噪声大的局限。
为解决该问题,研究团队利用最前沿人工智能方法之一的“储备池计算方法”,使人工神经网络能够自动学习并找出脑-机接口所需的个人脑电波信号的重要特性。
同时,利用遗传算法(Genetic Algorithm)设计系统,使人工智能神经网络能高效找到最优脑电波特性。研究团队将最终解析深部脑电波的读出(Readout)设计为高斯(Gaussian)模型,开发出模仿视觉皮质神经细胞表达方向方式的人工神经网络。这种读出方式利用储备池计算的线性学习算法,即使在一般配置的简单硬件上也能快速学习,因而可应用于元宇宙、智能设备等日常生活。
特别是,本次研究构建的脑-机接口人工智能模型可在三维上解码24种方向,即每个维度8种方向,并在所有方向上平均显示90%以上的准确度(90.9~92.6%区间)。此外,所研究的脑-机接口通过解析想象在三维空间中移动机械臂时的脑电波,取得了成功驱动机械臂的仿真结果。
构建人工智能系统的第一作者金勋熙博士表示:“与依赖工程信号处理方法的既有脑电波解码方法不同,我们开发了模仿人脑实际运作结构的人工神经网络,从而开发出更为先进形态的脑-机接口系统,对此感到高兴。”他还表示:“今后计划利用更具体地运用大脑特性的‘脑启发人工智能(Brain-inspired A.I.)’,开发多种脑-机接口。”
研究负责人郑在乘教授表示:“通过脑电波仅凭意念驱动机械臂的‘脑-机接口系统’大多需要高配置硬件,难以走向实时应用,也难以应用于智能设备等。”他说:“但本次系统构建了准确度高达90~92%的意图识别人工智能系统,可广泛用于在元宇宙中按意念移动虚拟形象,或仅凭意念控制应用的智能设备等。”






