在人工智能快速演進與腦機接口（BCI）持續深化發展的今天，多模態腦信號融合成為推動腦科學技術應用突破的重要方向。針對當前非侵入性腦信號分析中存在的諸多瓶頸，微算法科技（NASDAQ:MLGO）自主研發出一種創新性的融合分析算法技術——融合時空卷積和雙重注意機制的EEG-fNIRS多模態腦信號分類算法。該技術顯著提升了多模態信號在復雜任務中的解碼能力，更以輕量級的架構，實現了可部署于實時BCI系統的分類性能優化，填補了現有方法對實時性與精度之間權衡難題的空白。
腦機接口（Brain-Computer Interface, BCI）致力于通過解碼大腦活動來實現人與機器的直接通信。然而，目前非侵入性腦信號采集技術如腦電圖（Electroencephalography, EEG）和功能性近紅外光譜（Functional Near-Infrared Spectroscopy, fNIRS）均存在各自的局限性。EEG具有高時間分辨率但空間定位能力較差；fNIRS則提供了較好的空間分布信息但缺乏足夠的時間響應速度。單獨使用任何一種模態都可能導致對用戶意圖的片面解讀或信號信息的損失。
近年來，EEG-fNIRS的多模態腦信號融合技術逐漸受到重視，其優勢在于融合了兩種模態的互補特性，顯著提升了腦信號解碼的準確性和穩定性。但多模態融合仍面臨兩個核心挑戰：一是如何在信息融合過程中有效保留關鍵特征，避免信號間的信息冗余與丟失；二是在保證算法性能的同時，實現模型的輕量化和可實時部署性。
微算法科技設計的算法技術結構融合了多個先進組件，全面考慮EEG與fNIRS兩類信號的差異性與協同性。其核心包括以下幾個關鍵模塊：預處理層、時空卷積特征提取網絡、雙重注意融合機制以及多任務輸出分類器。
首先，EEG與fNIRS數據分別經過獨立預處理，EEG信號采用帶通濾波、偽跡剔除與標準化操作，以增強頻域特征；fNIRS則使用光程校正與氧合/脫氧血紅蛋白分離處理，以獲得準確的血流動態。兩個數據源分別轉化為張量輸入，輸入進卷積網絡中以提取底層特征。
隨后，時空卷積網絡（Spatio-Temporal Convolution Network, ST-CNN）分別應用于兩種模態。這種結構能夠同時捕捉信號在時間維度上的動態變化和在空間通道之間的交互模式。例如，在EEG中，不同電極間的信號組合具有強烈的空間相關性；在fNIRS中，探頭布置區域則體現出皮質區域活動的空間局部性。微算法科技通過3D卷積結構有效整合時間序列與通道信息，構建深層語義表示。
為了增強不同模態之間的互補特性，微算法科技（NASDAQ:MLGO）引入雙重注意機制（Dual Attention Mechanism）。第一級是模態內注意力（Intra-modal Attention），其作用是強化模態內部關鍵特征的權重分布，提升局部識別能力；第二級是模態間注意力（Inter-modal Attention），負責在融合前對兩個模態的特征圖進行加權匹配，使得融合后的信息具備協同判別性。兩級注意力的結合能夠有效解決通用模型中模態主導與模態沖突問題，實現更加穩健的信息融合。
最終輸出通過多任務分類器進行并行預測，兼顧主任務（運動想象分類）與副任務（模態分類、通道判別等）間的關系。多任務學習架構提升了模型對非運動狀態下信號噪聲的容錯能力，同時增加了泛化性能。
微算法科技該技術較于傳統融合方法在多個層面上實現了顯著突破。首先，摒棄了依賴人工設計的特征選擇與通道剪枝方法，而采用深度神經網絡自適應提取特征。這不僅減少了人為先驗偏差，也提升了適應不同受試者的能力。其次，采用了時空融合與注意機制結合的混合模型架構，既提升了感知能力，又大大壓縮了模型的計算量。此外，多任務結構提供了豐富的標簽反饋機制，提升了小樣本場景下的訓練穩定性與學習效率。結合遷移學習策略，該模型在跨實驗、跨受試者的泛化測試中表現出顯著優勢，解決了多模態腦信號模型訓練對大規模數據依賴的問題。
微算法科技融合EEG-fNIRS腦信號的多模態分類算法技術，展示了神經智能與深度學習融合的巨大潛力。通過引入時空卷積結構與雙重注意力機制，該算法不僅有效提升了信號分類的準確性和魯棒性，還克服了傳統BCI系統在實時性與特征保留之間的權衡問題，實現了理論研究向實際部署的關鍵跨越。
作為一種面向未來的腦機交互解決方案，該技術具備高度的可擴展性和移植性，微算法科技將持續優化模型結構，引入自監督學習、聯邦建模等新機制，進一步推動多模態腦信號融合技術在實際場景中的普及與落地。隨著人工智能與腦科學的不斷融合，相信該技術將在認知神經科學、智慧醫療和下一代交互系統中發揮越來越關鍵的作用。
原標題：MLGO微算法科技時空卷積與雙重注意機制驅動的腦信號多任務分類算法
廣告
廣告
廣告
