華人團(tuán)隊(duì)用大模型實(shí)現(xiàn)“讀心術(shù)”：大腦活動(dòng)直接變文字
NeurIPS收錄的一項(xiàng)新研究，讓大模型也學(xué)會(huì)“讀心術(shù)”了！
通過學(xué)習(xí)腦電波數(shù)據(jù)，模型成功地把受試者的腦電圖信號(hào)翻譯成了文本。
而且整個(gè)過程不需要大型設(shè)備，只要一塊特制的“頭巾”就能實(shí)現(xiàn)。
這項(xiàng)成果名為DeWave，能在不通過侵入式設(shè)備和MRI的情況下解讀腦電波并翻譯成文本。
由于用了大模型來讀腦，因此報(bào)道DeWave的iFLScience也管它叫BrainGPT。
DeWave雖然不是最早實(shí)現(xiàn)腦電波解碼的技術(shù)，但是它第一個(gè)做到了非侵入且無需MRI的腦電波-文本轉(zhuǎn)換。
如果能夠規(guī)?；\(yùn)用，DeWave將為腦部癱瘓的人群提供交流上的幫助。
那么，DeWave的表現(xiàn)到底怎么樣呢？
測(cè)評(píng)成績(jī)超SOTA
由于DeWave采用非侵入式方法，信號(hào)中的噪聲更強(qiáng)，解析難度更高，但相比于此前的SOTA方法，DeWave的測(cè)試成績(jī)還是有所提高。
研究團(tuán)隊(duì)采用了公開的ZuCo數(shù)據(jù)集，其中包含了一萬多個(gè)不重復(fù)的句子；受試者進(jìn)行自然閱讀的同時(shí)，研究團(tuán)隊(duì)對(duì)他們的腦信號(hào)和正在閱讀的文本進(jìn)行記錄。腦電波信號(hào)采樣頻率為500Hz，包含128個(gè)信道。
如果輸入的EEG信息已經(jīng)按照眼動(dòng)追蹤方式的特征切分好，那么DeWave大概可以準(zhǔn)確解讀出句子的三分之一；即使不切分也能夠成功捕捉一部分的關(guān)鍵詞。
研究結(jié)果還顯示，DeWave對(duì)單詞的解析準(zhǔn)確率高于整句，對(duì)動(dòng)詞的準(zhǔn)確率高于名詞。
數(shù)據(jù)方面，研究團(tuán)隊(duì)一共讓DeWave對(duì)29名受試者的腦電圖進(jìn)行了采集和解析。
結(jié)果顯示，有切分時(shí)，DeWave在BLUE-N數(shù)據(jù)集上成績(jī)比傳統(tǒng)方法高出了3-18%，在ROUGE-1數(shù)據(jù)集上也有最高6.35%的提升。
如果不做切分，DeWave與相同條件的傳統(tǒng)方法相比，表現(xiàn)最多提升了120%。
為了評(píng)估DeWave的魯棒性，團(tuán)隊(duì)對(duì)其進(jìn)行了跨受試者（Cross-subject）測(cè)試。
這輪測(cè)試一共有18名受試者，其中一人的腦電波相信被用于訓(xùn)練。
然后，研究團(tuán)隊(duì)觀察了模型在其他17人上進(jìn)行測(cè)試時(shí)的表現(xiàn)，與被用于訓(xùn)練的人差距越小，說明模型的魯棒性越強(qiáng)。
結(jié)果顯示，DeWave的分?jǐn)?shù)下降值低于傳統(tǒng)模型，顯示出了更強(qiáng)的魯棒性和泛化能力。
那么，DeWave是如何實(shí)現(xiàn)腦電波解碼的呢？
用大模型解讀腦電波
DeWave的核心是引入了名為“離散碼本”的概念。
通過向量化編碼器，連續(xù)的腦電圖信號(hào)被拆分為離散形式，分別與詞匯進(jìn)行對(duì)齊。
之后，研究團(tuán)隊(duì)將離散化的數(shù)據(jù)送入Transformer編碼器，得到上下文語義融合的向量表示。
將向量化的文本信息作為監(jiān)督數(shù)據(jù)，用得到的向量化信號(hào)對(duì)BART大模型進(jìn)行訓(xùn)練，就得到了DeWave。
新的信號(hào)解析過程也與之相似——先進(jìn)行離散化和向量化編碼，然后用BART對(duì)其進(jìn)行解讀，就得到了文本信息。
同時(shí)，為了增強(qiáng)可解碼性研究團(tuán)隊(duì)還通過正負(fù)樣本對(duì)編碼進(jìn)行調(diào)節(jié)，使DeWave解析出的語義更接近目標(biāo)文本詞向量。
作者簡(jiǎn)介
DeWave團(tuán)隊(duì)一共有五名成員，全都是華人。
第一作者是悉尼科技大學(xué)的Yiqun Duan，來自H(Human-centric)AI研究中心，研究方向是機(jī)器智能和腦機(jī)接口。
除了DeWave，Duan此前還有一項(xiàng)基于擴(kuò)散模型的“反向成果”——把文字轉(zhuǎn)換成腦電波的工具BrainDiffusion。
該研究中心主任Chin-Teng Lin教授是本文的通訊作者。
同實(shí)驗(yàn)室的Jinzhao Zhou和Yu-Kai Wang，以及悉尼大學(xué)的Zhen Wang也參與了此項(xiàng)目。
