探索嗅觉脑机接口单次试验预测的可行性

推荐 为解决嗅觉脑机接口（BCI）系统长期应用中用户不便性的问题，瑞典皇家工学院等机构研究人员开展了一项研究，探讨基于单次试验的嗅觉生物信号预测的可行性。研究发现，尽管当前数据集有限，但端到端深度神经网络模型表现出与经典方法相当的效果，为未来嗅觉BCI系统的改进提供了方向。

　　

论文解读
嗅觉作为人类重要的感官之一，在脑机接口（BCI）领域的研究却相对较少。这主要是因为嗅觉信号具有低信噪比（SNR）的特点，尤其是在大脑深处的嗅球（OB）区域，使得信号的提取和分析变得尤为困难。此外，传统的脑电图（EEG）虽然被广泛用于BCI研究，但由于其需要大量电极，使用起来并不方便。因此，开发一种既方便又有效的嗅觉BCI系统成为一个重要的研究目标。

瑞典皇家工学院、卡罗林斯卡医学院和乌普萨拉大学的研究人员共同开展了这项研究，旨在探索基于单次试验的嗅觉生物信号预测的可行性。他们首次评估了新型电鼻图（EBG）记录在传感器空间和源空间中的预测性能，并将其与常用的EEG信号进行了比较。研究结果表明，尽管EBG的数据通道较少，但其性能与EEG相当。此外，研究人员还探讨了呼吸模式是否包含与任务相关的信息，并比较了逻辑回归分类器（需要手工特征）和端到端卷积神经网络（CNN）的性能。结果显示，端到端方法与传统方法同样有效，但由于数据的高维度，当前数据集不足以让任一分类器稳健地区分气味和非气味试验。

研究采用了多种技术和方法。首先，研究人员设计了一个嗅觉刺激实验，使用计算机控制的嗅觉仪在吸气阶段开始时传递气味。参与者在隔音且通风良好的录音室内进行测试，佩戴耳机以屏蔽嗅觉仪的声音。实验包括四个模块，每个模块持续约15分钟，共140次试验。其次，数据采集使用了64导联EEG和4个EBG电极，记录了嗅觉刺激的神经反应。源重建技术用于重建嗅球和梨状皮层的活动。最后，机器学习模型的训练和评估采用了嵌套交叉验证方法，以确保模型的泛化能力。

研究结果分为三个部分。首先，线性模型能否从单次试验记录中检测到气味注册？实验结果表明，只有1秒的头皮EBG、EEG和嗅觉迹线信号在单次试验中显著高于随机水平（AUC>0.5）。然而，限制时间窗口并未提高性能，反而有所下降。其次，非线性模型能否提高单次试验分类性能？深度神经网络（ResNet-1D）在所有模态上的表现均优于线性模型，但仍未能达到可靠的实际应用水平。最后，多模态分类器是否优于单模态分类器？结合嗅觉迹线和头皮EBG数据的线性模型在单次试验检测性能上有所提升，而深度神经网络的早期融合和晚期融合方法也在某些模态组合上显示出显著差异。

研究结论和讨论部分强调了嗅觉BCI系统开发的几大挑战。首先是数据不足的问题。尽管研究包括了52名参与者，但每位参与者的试验次数有限，导致模型难以找到有意义的模式，容易过拟合。其次是低信噪比问题。EEG和EBG信号容易受到伪影和噪声的影响，单次试验分析需要更多的训练数据来区分真实信号和噪声。此外，个体间的高变异性也是一个重要因素。不同参与者的最佳模态不一致，提取的特征也不具普遍代表性。最后，实验环境的控制和现有研究的可重复性问题也需要重视。

为了应对这些挑战，研究人员提出了几项未来研究方向。首先是大规模数据收集。类似于ImageNet和Microsoft COCO在计算机视觉领域的影响，大规模嗅觉生物信号数据集将有助于训练深度学习模型。其次是数据增强和特征提取。通过数据增强方法增加训练样本数量，并通过特征提取减少数据维度，集中于最具信息量的方面。最后是利用预训练模型和迁移学习方法。借鉴语言和视觉领域的大规模预训练模型的成功经验，减少下游任务对大规模训练数据的需求。

总之，尽管嗅觉BCI系统的开发面临诸多挑战，但通过跨学科的合作和技术的不断创新，未来有望实现更加便捷和高效的嗅觉交互方式，为人类与计算机的互动开辟新的可能性。