以意念操控AI：仰賴人腦與電腦雙向學習的腦機介面

編譯／吳奕萱

2016年，第一屆「人機合體」運動會（Cybathlon）在瑞士蘇黎世舉行。其中的腦機介面項目，像極了一場電玩競賽：選手須利用腦波操縱虛擬角色（avatar）精準執行指定任務。來自蘇黎世聯邦理工學院（Eidgenössische Technische Hochschule Zürich，ETHZ）的團隊發現，操縱效能的關鍵在於讓人腦與機器相互學習（mutual learning）：除了機器要學習處理腦波訊號的最佳模式外，程式設計者也要保留空間讓使用者熟悉機器運作模式，學習發出更清楚的控制指令。

腦機介面

圖一 腦機介面系統（資料來源：參考資料[1]）

「腦機介面」利用腦波電訊號，進行人與機器間的溝通，令患者得以操控電動輪椅，或利用機械手臂抓取物品。使用者以視覺觀察周遭環境後，思緒專注於欲執行的動作，所產生的腦電波（Electroencephalogram, EEG）經放置於頭部表面的非侵入式電極貼片，單點或多點接收，傳至電腦軟體。電腦對EEG訊號進行前處理與特徵抽取，產生特徵映射（feature map）並進行分類（classification），成功解碼後便能據此控制物體。近年來腦機介面相關研究主要著重於訊號的取得，以及訊號的處理與演算。在此案例中，EEG訊號由貼附於頭皮的無線乾電極所收集，相較於經手術由大腦皮層收集，具有低侵入性及操作流程簡便的優點。演算法的研究，則包括如何辨識EEG訊號並抽取特徵、降低雜訊干擾以及如何根據個體差異，調整控制裝置的動作，提升可靠度。

由於量測到的EEG訊號，其實是多個神經元放電後相互疊加的結果，因此研究人員必須分析使用者大腦在執行不同任務時的腦波特徵，找出有助於判讀使用者意圖的線索。其中，視覺刺激電位（Visual evoked-potential，VEP）與事件相關電位（Event-related potential，ERP），隱含許多與腦部活動及功能相關的腦波特徵。而獨立成分分析（Independent Component Analysis），則能有效分離因眨眼產生的肌電訊號（EMG）以及背景電磁干擾[3]。隨著機器學習技術的發展，能識別關鍵EEG波形的演算法亦有長足進步，得以更精確地解析EEG訊號，理解使用者「意志」。

人類也要學習機器的運作模式？

除了藉由機器學習提升EEG訊號的識別準確度之外，有什麼方法能讓訊號特徵更加明顯，從源頭改善問題呢？ETHZ研究團隊於是訓練兩名脊髓損傷患者，參加「人機合體」的比賽項目。在嘗試多種腦機介面系統後，他們得以精確控制螢幕上的虛擬角色，在比賽中旋轉、跳躍與滑行，且穩定行走不絆倒。

當操作者的大腦處於放空狀態時，角色會以中等速度前進；若正確執行任務，則加速；錯誤動作，則減速。經過數月訓練，兩位受試者最終在競賽中擊敗了其他十位參賽者，獲得金牌，並創下大會紀錄。他們認為分數提高最大的關鍵：在於使用者若能對機器的判讀模式有所了解，調整自己的控制方式，便可大幅降低機器校正的頻率[2]。

研究結果顯示，經雙向訓練後，機器判讀兩位受試者動作的平均準確度，分別由53.8 % 提升至 93.8 %；81.9 % 提升至96.8 %。而所有動作中，「旋轉」的判讀正確率最高。

由此可知，當使用者試圖控制虛擬角色時，腦中因同時想像著同樣的動作，而產生的感覺運動節律（sensorimotor rhythm），會隨著使用的時間與累計次數，愈來愈清晰。與投籃相似，因熟練而生巧，逐步掌握適當的力度與角度。同理，若機器重新校正的頻率過高，使用者反而難以掌握溝通訣竅，機器判讀的精確度亦難以提升。

雙向學習，創造雙贏

以往的機器學習著重於機器單方面的學習與判讀。而此研究團隊則從另一角度出發，讓使用者也能學習產生更清楚、有明顯特徵的EEG指令。雙向學習讓人腦與電腦得以相互學習、共同成長。不僅使得機器有更高的指令成功辨識率，使用者操作起來也更「得心應手」。

編譯來源

Brain-computer interface based on mutual learning helps tetraplegics in avatar race: Mutual learning as key to translational brain-computer interface ScienceDaily, 10 May 2018.

參考資料

1. BNCI (Brain/Neural Computer Interaction) Horizon 2020, “About BCIs”, 2015.
2. S. Perdikis, L. Tonin, S. Saeedi, C. Schneider, J.R. Millán. “The Cybathlon BCI race: Successful longitudinal mutual learning with two tetraplegic users“. PLOS Biology, 2018.
3. 徐聖修，「腦機介面 (Brain-Computer Interface) 專題」，2014.
4. D. Novak , R. Sigrist, N.J. Gerig , D. Wyss, R. Bauer, U. Götz, et al. “Benchmarking Brain-Computer Interfaces Outside the Laboratory: The Cybathlon 2016.” Front Neurosci. 2018.
5. U. Chaudhary , N. Birbaumer , A. Ramos-Murguialday. “Brain-computer interfaces for communication and rehabilitation.” Nat Rev Neurol. 2016.
6. ETH Zurich, “Cybathon – moving people and technology”

(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)