微美全息開發具有資料增強新型腦機接口（BMI）信号深度學習方法

腦機接口技術是将人腦和計算機或其他裝置連接配接起來的一種新型技術，它可以使得人類可以通過思維指令，完成與外界裝置的互動。在腦機接口技術中，運動想象識别是其中的一個重要研究方向，其目的是通過分類腦電信号，實作對肢體運動的控制，進而達到互動的目的。腦機接口（BCI）為人腦和裝置之間提供了新的通信橋梁，需要準确分類和識别非侵入性腦電信号。近年，深度學習方法也已廣泛應用于許多領域，成功地提取特征并對各種類型的資料進行分類。然而，深度學習方法需要大量資料來訓練其神經網絡，資料量對分類器的品質影響很大。

雖然目前腦機接口技術在醫療、工業、娛樂等多個領域獲得了初步應用。然而，腦機接口技術在實際應用中仍然存在着很多挑戰，其中最大的挑戰之一是如何實作準确分類和識别非侵入性腦電信号。為了解決這個問題，微美全息（NASDAQ:WIMI）開發出一種應用在腦機接口領域的，具有資料增強功能的新型深度學習方法，來解決目前腦機接口技術中的一些難點。

首先，目前腦機接口領域的主要難點和痛點之一是資料量不足。由于人體腦電資料采集困難，資料量有限，是以難以訓練準确的分類器。而傳統的資料增強方法也存在局限性。是以，WIMI微美全息提出了結合深度學習和資料增強的新方法。該方法将經驗模态分解和小波神經網絡結合，可以利用少量的腦電資料生成大量的人工腦電資料，進而提高分類器的準确性和泛化能力。

WIMI微美全息開發的新的深度學習方法，結合了資料增強和經驗模态分解技術，用于對運動想象信号進行分類。該方法将經驗模态分解應用于腦電幀，混合其固有模态函數以建立新的人工腦電幀，并将所有腦電資料轉換為張量作為神經網絡的輸入。同時，提出了結合卷積神經網絡和小波神經網絡的兩種神經網絡來訓練權重并對兩類運動圖像信号進行分類。小波神經網絡是一種利用小波代替卷積層的新型神經網絡。

微美全息（NASDAQ:WIMI）這種新型的深度學習方法結合了卷積神經網絡和小波神經網絡。卷積神經網絡是一種常見的神經網絡結構，常用于圖像識别等領域，具有良好的特征提取能力。小波神經網絡是一種利用小波代替卷積層的新型神經網絡，可以更好地提取時頻資訊。兩者結合可以更好地解決腦機接口領域的資料分類問題。

具體實作方式是将經驗模态分解應用于腦電幀，并混合其固有模态函數以建立新的人工腦電幀，然後将所有腦電資料轉換為張量，作為複雜的Morlet小波作為神經網絡的輸入。使用卷積神經網絡和小波神經網絡來訓練權重并對兩類運動圖像信号進行分類。

經驗模态分解：将每個腦電幀通過經驗模态分解技術，分解為若幹個固有模态函數（IMFs）和一個餘項。然後，将各個IMFs混合在一起，形成一個新的人工腦電幀，用于訓練神經網絡。

資料增強：利用旋轉、平移、縮放等資料增強方法，生成一些新的腦電幀，用于訓練神經網絡。這樣可以擴充資料集，提高分類器的魯棒性和準确率。

資料處理：将所有腦電資料轉換為張量，作為神經網絡的輸入。在此基礎上，采用複雜的Morlet小波進行特征提取。

神經網絡訓練：一種結合卷積神經網絡和小波神經網絡的兩種神經網絡模型，用于訓練權重并對兩類運動圖像信号進行分類。其中，小波神經網絡是一種利用小波代替卷積層的新型神經網絡。

此外，腦機接口領域的另一個難點是腦電信号的噪聲幹擾和個體差異性。該方法可以更好地利用腦電信号的時頻特性，并結合卷積神經網絡和小波神經網絡的優勢，提高了分類器對噪聲的魯棒性，同時減少了個體差異性的影響，進而提高了分類器的準确性。

WIMI微美全息提出的結合深度學習和資料增強進行腦電分類的新方法。他們将經驗模态分解應用于腦電幀，并混合其固有模态函數以建立新的人工腦電幀，然後将所有腦電資料轉換為張量，作為複雜的Morlet小波作為神經網絡的輸入。此外，還結合兩種神經網絡，卷積神經網絡和小波神經網絡來訓練權重并對兩類運動圖像信号進行分類。這種新型深度學習方法具有資料增強功能，可以有效地提取特征并對各種類型的資料進行分類。資料增強是一種有效的方法，可以通過對資料進行旋轉、翻轉、縮放等操作來擴大資料集，進而提高分類器的準确性。

在實際的實驗中，WIMI微美全息研究人員使用了大量的腦電資料來訓練深度神經網絡。他們采用了一種先進的神經網絡架構，包括卷積層、池化層、小波層和全連接配接層。通過對訓練資料進行多次疊代訓練，他們成功地提高了分類器的準确性。最終，該公司的新型深度學習方法在實驗中獲得了非常好的效果，與現有方法相比，兩個網絡的分類精度都相對較高。同時，他們還驗證了提出的小波神經網絡模型在穩态視覺誘發電位分類中的性能，也取得了非常好的結果。

目前，微美全息（NASDAQ:WIMI）所提的具有資料增強的新型腦機接口信号深度學習方法能夠更好地解決腦機接口領域的資料量不足、信号噪聲幹擾和個體差異性等難點和痛點，具有較廣泛的應用前景。該公司的研究人員将繼續改進和優化該新型深度學習方法，并将其應用于更多領域。他們也計劃進一步提高該方法的性能和精度，以滿足不同領域的需求。