‹ 返回

腦機介面新突破：非侵入式「腦到文字」解碼技術的未來展望

 

圖1：研究方法.( Zhang et al., 2025)
 

 

圖靈學院
科楠
2025-3-7

 

    近年來，腦機介面（Brain-Computer Interface, BCI）技術的發展為失去語言或運動能力的患者帶來了新的希望。然而，傳統的侵入式腦機介面雖然效果顯著，卻伴隨著手術風險和長期維護的挑戰。最近，Meta AI 的研究團隊提出了一種非侵入式的「腦到文字」解碼方法，名為 Brain2Qwerty，該方法通過腦電圖（EEG）和腦磁圖（MEG）來解碼大腦活動，並將其轉化為文字。這項技術的出現，不僅縮小了侵入式與非侵入式腦機介面之間的差距，也為未來的臨床應用提供了新的可能性。

 

本文將深入探討這項技術的原理、實驗結果、可行性分析，以及它對未來腦機介面技術的潛在影響。

 

1. 技術背景與研究動機

 

1.1 侵入式腦機介面的挑戰

 

    侵入式腦機介面通過在大腦運動區域植入電極，記錄和解碼神經活動，從而幫助患者進行運動和溝通任務。近年來，隨著人工智慧模型的進步，侵入式腦機介面已經能夠解碼自然語言，並實現接近正常語速的語言輸出。例如，Metzger 等人（2023）的研究表明，侵入式腦機介面可以實現每分鐘 79 個單詞的解碼速度，字符錯誤率（Character Error Rate, CER）為 15.2%。

然而，侵入式腦機介面的最大問題在於其手術風險。植入電極可能導致腦出血、感染等併發症，且長期維持功能性皮質植入仍然具有挑戰性。此外，侵入式腦機介面的應用範圍有限，難以大規模推廣到需要診斷或恢復溝通能力的患者群體。

 

1.2 非侵入式腦機介面的潛力

 

    相比之下，非侵入式腦機介面（如基於 EEG 的技術）雖然避免了手術風險，但其信噪比（Signal-to-Noise Ratio, SNR）較低，解碼性能有限。傳統的非侵入式腦機介面通常要求用戶執行複雜的任務，例如注視閃爍的刺激物或長時間想像手腳運動，這些任務雖然能產生相對容易檢測的腦電圖模式，但解碼準確率仍然不高。

 

為了解決這些問題，研究團隊提出了基於 MEG 的非侵入式腦機介面。MEG 通過測量大腦皮層產生的磁場波動，具有比 EEG 更高的信噪比。近年來，基於 MEG 的自然語言解碼技術在語言理解任務中取得了顯著進展，這表明結合現代 AI 模型和高質量的 MEG 信號，有可能實現從非侵入式腦活動記錄中解碼語言生成。

 

2. Brain2Qwerty 技術原理與實驗設計

 

2.1 實驗設計

 

    研究團隊招募了 35 名健康成年志願者，要求他們在鍵盤上輸入短暫記憶的句子，同時使用 EEG 或 MEG 記錄其大腦活動。實驗中，句子以單詞形式逐個顯示在螢幕上，參與者在看到提示後開始輸入句子，且不提供視覺反饋。研究團隊開發了 Brain2Qwerty 模型，這是一個三階段的神經網路架構，旨在從腦電信號中解碼文字。

 

2.2 Brain2Qwerty 模型架構

 

Brain2Qwerty 模型由三個核心模組組成：

 

1. 卷積模組（Convolutional Module）：處理 500 毫秒的 MEG/EEG 信號窗口，提取特徵。

2. 變換器模組（Transformer Module）：在句子級別進行訓練，利用上下文訊息來精確解碼每個字符。

3. 預訓練語言模型（Pretrained Language Model）：用於校正變換器的輸出，進一步提高解碼準確率。

 

2.3 實驗結果

 

    實驗結果顯示，Brain2Qwerty 在 MEG 數據上的平均字符錯誤率（CER）為 32%，顯著優於 EEG 的 67%。對於表現最好的參與者，MEG 的解碼 CER 可低至 19%，並且能夠完美解碼訓練集之外的句子。相比之下，EEG 的解碼效果較差，生成的文本大多難以理解。

 

此外，研究團隊還對模型進行了多項消融實驗，驗證了每個模組的貢獻。結果表明，卷積模組和變換器模組的結合顯著提高了字符解碼的準確率，而語言模型模組進一步將 EEG 和 MEG 的 CER 分別提高了 4% 和 6%。

 

 

圖2：跨模型的解碼性能。A. 左手和右手按鍵時腦電圖誘發反應的差異。每條黑線代表感測器相對於按鍵的差分電壓。 B. 與 A 相同，但針對 MEG。 C. 在每個時間樣本上訓練線性分類器，以預測每次按鍵時是左手還是右手。灰線代表機會水準，誤差線是參與者平均值的標準誤差。顯著的解碼分數（p < 0.05）以星號標示。 D.與 C 相同，但用於字元分類。 E-H。比較現有架構（線性和 EEGNet）以及我們的三步驟 Brain2Qwerty 模型（Conv+Trans+語言模型）的消融，以獲得手部錯誤率（HER）和字元錯誤率（CER）。每一個點代表單一參與者的平均得分。統計意義以 p < 0.05 (*)、p < 0.01 (**) 和 p < 0.001 (***) 表示。 (Pinet and Nozari, 2020)

3. 技術可行性分析

 

3.1 信號品質與解碼性能

 

    MEG 的高信噪比是 Brain2Qwerty 模型成功的關鍵因素之一。與 EEG 相比，MEG 能夠更清晰地捕捉大腦皮層的活動，從而提供更準確的解碼結果。實驗結果顯示，MEG 在左右手按鍵分類任務中的準確率達到 74%，而 EEG 僅為 64%。這表明 MEG 在捕捉運動相關的大腦活動方面具有明顯優勢。

 

3.2 模型的泛化能力

 

    Brain2Qwerty 模型不僅能夠解碼訓練集中的句子，還能夠處理未見過的句子。這表明該模型具有一定的泛化能力，能夠適應不同的語言輸入。此外，模型還能夠糾正參與者的打字錯誤，這進一步證明了其語言模型的強大能力。

 

3.3 臨床應用的挑戰

 

    儘管 Brain2Qwerty 在實驗中表現出色，但其臨床應用仍面臨一些挑戰。首先，該模型目前無法實時運行，因為變換器和語言模型需要在句子級別進行處理，這意味著必須等待整個句子輸入完成後才能生成輸出。其次，該研究僅針對健康參與者進行了測試，尚未應用於失去運動能力的患者（如閉鎖綜合症患者）。未來的研究需要探索如何將打字任務轉化為想像任務，或者設計能夠跨參與者泛化的 AI 系統。

 

4. 對未來腦機介面技術的影響

 

4.1 非侵入式腦機介面的發展潛力

 

    Brain2Qwerty 的成功展示了非侵入式腦機介面在語言解碼方面的潛力。隨著 MEG 技術的進一步發展，特別是基於光泵磁力計（Optically Pumped Magnetometers, OPMs）的新型 MEG 傳感器的出現，未來有望實現可穿戴的非侵入式腦機介面設備。這將大大降低腦機介面的使用門檻，並使其能夠應用於更廣泛的患者群體。

 

4.2 對語言生成與溝通的影響

 

    這項技術的突破不僅對失去語言能力的患者具有重要意義，還可能對語言生成和溝通方式產生深遠影響。未來，非侵入式腦機介面可能成為一種新的溝通工具，幫助人們更快速、更自然地表達思想。此外，該技術還可能應用於虛擬實境（VR）和擴增實境（AR）領域，實現更直觀的人機交互。

 

4.3 倫理與隱私問題

 

    隨著腦機介面技術的發展，倫理和隱私問題也將成為關注的焦點。腦機介面能夠直接讀取大腦活動，這可能引發對個人隱私的擔憂。未來的研究和政策制定需要確保這些技術的使用符合倫理標準，並保護用戶的隱私權。

 

5. 結論

 

    Brain2Qwerty 的出現標誌著非侵入式腦機介面技術的重大進步。通過結合 MEG 的高信噪比和現代 AI 模型，該技術能夠以較低的錯誤率解碼語言生成，並在未來有望應用於臨床環境。儘管目前仍存在一些技術挑戰，但隨著 MEG 技術的進一步發展和 AI 模型的改進，非侵入式腦機介面將成為一種安全、高效的溝通工具，為失去語言能力的患者帶來新的希望。

 

這項技術的未來發展不僅將改變腦機介面的應用場景，還可能對語言生成、人機交互等領域產生深遠影響。我們期待在不久的將來，看到更多基於非侵入式腦機介面的創新應用，為人類社會帶來更多的便利與可能性。

 

 

Reference:
Brain-to-Text Decoding:A Non-invasive Approach via Typing