有些人天生不能控制脑机接口，但AI或能“逆天改命”
脑机接口（BCI）技术通过将大脑神经信号转化为外部设备指令，为运动障碍者提供了重要的沟通与控制途径，但其广泛应用受限于两大关键问题：一是脑电（EEG）信号固有的低信噪比特性，头皮记录的神经信号易受肌肉活动、眼动、外部电磁干扰等噪声污染，导致有效信号难以分离；二是“脑机接口文盲”或“弱学习者”现象，这类用户因大脑结构功能差异、神经信号微弱或任务参与度不稳定等原因，即便经过训练也难以达到有效控制脑机接口的水平。
传统AI方法如卷积神经网络（CNN）虽能提取局部时空特征，但在捕捉EEG信号的长时依赖关系上存在局限，且现有模型多侧重优化平均水平学习者的表现，未充分解决弱学习者的性能短板。Transformer模型凭借自注意力机制在捕捉长程依赖上的优势，已在自然语言处理、医学影像等领域取得突破，但在脑机接口中的应用仍处于起步阶段，其与传统深度学习方法的融合潜力尚未充分挖掘。
注：Transformer模型是2017年由Google团队提出的基于自注意力机制（Self-Attention）的深度学习架构，核心用于解决序列数据（如文本、语音）的处理任务，现已成为自然语言处理（NLP）、计算机视觉（CV）等领域的基础框架（如BERT、GPT、Vision Transformer均基于其衍生）。
近日，悉尼科技大学研究团队创新性地将Transformer模型与卷积神经网络（CNN）、随机共振机制相结合，打造出混合神经网络架构STFNet（Stochastic Transformer Focus Network），成功破解脑机接口（BCI）领域两大核心痛点——低信噪比（SNR）和"脑机接口文盲"现象，为全球约15%-20%无法有效使用脑机接口的人群带来新希望。
该系统的核心突破在于"变废为宝"的噪声处理策略——不同于传统降噪技术对噪声的抑制，STFNet通过引入可控高斯噪声，利用随机共振效应放大微弱神经信号，让原本难以检测的脑电特征变得清晰可辨。同时，CNN模块负责提取局部时空特征，Transformer模块凭借自注意力机制捕捉长时依赖关系，三者协同实现了对复杂脑电信号的高效解析。
网络构建块架构组合的高级可视化 ©Computers in Biology and Medicine
为验证技术有效性，研究团队开展了三项递进式实验，基于PhysioNet和柏林BCI竞赛两大公开数据集，覆盖115名受试者的脑电数据。实验A中，融合Transformer与CNN的基础架构已实现91.4%的二分类验证准确率，显著优于传统CNN模型；实验B在多分类任务中进一步突破，STFNet将数据集II的整体准确率提升至84.5%，其中曾被判定为"脑机接口文盲"的受试者A02，准确率从传统方法的55.2%跃升至72.4%，受试者A05则从55%-62%提升至83.7%。
实验C针对106名受试者开展大规模验证，采用留一法交叉验证策略，对比STFNet与其他混合架构的鲁棒性。结果显示，STFNet 在各项指标上均表现最优：基础噪声设置下准确率高达88.69%，Kappa系数0.83；当噪声水平提升、数据增强强度降低时，准确率等性能进一步提升，且标准差显著降低，表明模型在异质受试者群体中具有更强的稳定性，即具备极强的跨人群适应性。
值得关注的是，STFNet在硬件适配方面也表现出色，已完成Apple Silicon芯片的优化部署，借助Metal编程框架实现高效训练，无需依赖高端GPU，为临床和家庭场景的普及奠定了基础。与现有主流技术相比，该系统不仅在准确率上领先，更通过噪声共振机制和多模块协同，首次实现了对弱学习者的精准赋能，大幅缩小了不同人群的脑机接口使用差距。
研究团队表示，STFNet的成功验证了Transformer与随机共振结合的技术潜力。未来，团队将进一步优化模型超参数配置，探索进化算法等自组织方法，推动技术在运动康复、辅助沟通等临床场景的落地应用。目前，研究使用的所有数据集均已公开，为全球科研人员提供了可复现的研究基础。
这项研究不仅是脑机接口技术的重要突破，更向“让脑机接口惠及所有人”的目标迈出了关键一步。随着技术的持续迭代，未来有望克服“脑机接口文盲”带来的技术可及性公平问题，摆脱用户个体差异的限制，成为更普惠、更可靠的人机交互工具，为残障人士的生活质量提升提供核心技术支撑。
https://doi.org/10.1016/j.compbiomed.2025.111378
本文资讯内容、图片来自网络，详情可参考文末链接，如有侵权请告知删除。
