WiMi Hologram Cloud Inc. anunció que su equipo de I+D había diseñado un modelo de juego BCI P300 basado en CNN y propuso un algoritmo bayesiano basado en el aprendizaje profundo que resuelve el problema del sobreajuste cuando se entrena con conjuntos de datos pequeños. La exitosa aplicación de P300 a la especie de modelo de juego demuestra que puede aplicarse a algoritmos de aprendizaje profundo para sistemas BCI en línea. El marco del sistema de este modelo de juego contiene tres subsistemas, a saber, una parte de adquisición de datos, una parte de procesamiento de datos y un terminal de visión y juego. En la parte de adquisición de datos, las señales de EEG del cuero cabelludo multicanal se registran utilizando tapones de electrodos y amplificadores.

Después de preprocesar las señales, la parte de procesamiento de datos puede dividirse en dos pasos: entrenamiento fuera de línea y prueba de clasificación en línea. Por último, los resultados de la clasificación se convierten en órdenes de funcionamiento y se envían a los terminales de visión y juego. El terminal visual y de juego consta de dos subpasos: (1) proporcionar estímulos visuales al usuario tras la actualización de la estrategia de estímulos y (2) proporcionar retroalimentación visual (coordenadas de salida) al usuario.

Adquisición de datos EEG y preprocesamiento El modelo de juego BCI de WiMi utiliza un condensador y un amplificador de 32 canales para registrar los datos EEG de forma no invasiva digitalizando a 1000 Hz y filtrando con un filtro trampa de 50 Hz. El sistema recoge todos los datos de los electrodos. Los datos registrados se filtraron primero para reducir el efecto de los bordes de filtrado.

El filtrado pasa banda se utiliza para la señal EEG de cada canal, y el sistema capta la información necesaria para la señal P300 tras la estimulación. A continuación, el sistema reduce la muestra de los datos. Se superpone una matriz de datos de caracteres idénticos y se promedia para reducir la relación señal-ruido.

Arquitectura de la CNN Una vez preprocesada la señal BCI del modelo de juego, la parte de procesamiento de datos puede dividirse en dos pasos: el entrenamiento fuera de línea y la clasificación en línea. La retropropagación basada en Bayes a través de la CNN es un método de inferencia variacional para aprender la distribución posterior de los pesos de la red neuronal a partir de la cual se pueden muestrear los pesos en la retropropagación. Por ejemplo, si una distribución gaussiana representa cada parámetro de peso, los valores de peso originales pueden describirse como parámetros de la distribución gaussiana, es decir, la media y la desviación estándar.

La posterior se calcula entonces mediante inferencia variacional. La capa convolucional requiere operaciones convolucionales utilizando kernels convolucionales con valores de peso. Cada parámetro de peso en el núcleo de convolución se representa como una distribución gaussiana.

La distribución gaussiana debe muestrearse utilizando la distribución gaussiana para obtener un valor de peso determinado.