本分享爲腦機學習者Rose整理髮表於公衆號：腦機接口社區(微信號：Brain_Computer).QQ交流羣：941473018
導讀
腦源(Brainsourcing)技術：利用一組參與者的大腦響應，每個人來執行一個識別任務，從而確定刺激的類別。研究人員調查了從參與者的腦電圖（EEG）收集的數據中推斷可靠類別標籤的可能性。在該項實驗中（N =30）測量了EEG對面部視覺特徵（性別，頭髮顏色，年齡，微笑）的反應。結果顯示，12名參與者的F1分數爲0.94，而單人蔘與者的F1分數爲0.67。隨機概率爲0.50。該項研究結果證明了腦源(Brainsourcing)技術在標記任務中的方法和實用可行性，併爲在衆包環境中使用腦-機接口的更一般應用開闢了道路。
赫爾辛基大學(Universityof Helsinki)的研究人員開發了一種叫“腦源(brainsourcing)”的技術，該技術使用人工智能的技術來分析觀點並從人羣的大腦活動中得出結論，這項技術可以用來對圖像進行分類或推薦內容。
衆包(Crowdsourcing)是一種將複雜的任務分解成更小的任務的方法，這些任務可以分配給大羣人，然後單獨解決。例如，可以詢問人們是否可以在圖像中看到一個物體，他們的回答被用作圖像識別系統的指導性數據。訓練他們需要幾個人對許多樣本圖像的內容發表意見。
研究人員通過藉助AI技術分析人的腦電圖(EEGs)，試驗了實現衆包的可能性。這些信息可以直接從腦電圖中讀出，而不是詢問人們的意見。
赫爾辛基大學的學院研究員TuukkaRuotsalo表示: “我們希望研究是否可以通過利用人們的自然反應來將衆包技術應用於圖像識別，而無需他們使用鍵盤或鼠標來執行任何手動任務。”
計算機對圖像進行分類
在這項研究中，共有30名志願者在計算機顯示器上觀看人臉圖像。參與者被要求根據圖片上的描述在腦海中給這些面孔貼上標籤。例如，圖像中描繪的人是金髮還是深色頭髮，是微笑還是不微笑。與傳統的衆包任務不同，他們沒有使用鼠標或鍵盤提供任何其他信息，他們只是觀察呈現給他們的圖像。
上圖爲Brainsourcing利用一組參與者的大腦反應，每個人執行一個識別任務來確定一個刺激的一致標籤。
使用腦電圖收集每個參與者的腦部活動。通過腦電圖，AI算法學會了識別與任務相關的圖像，例如屏幕上出現的金髮人的圖像。下圖是Brainsourcing技術步驟圖。
Brainsourcing技術步驟圖
Brainsourcing步驟圖：
一個識別任務的例子(在這個例子中，任務“微笑”)，有準備提示，掩蔽圖像，樣本刺激和結束提示。在一分鐘的時間段內收集數據，向受試者展示約100次刺激，間隔500ms。
針對每個受試者單獨訓練分類器。
利用這些模型對來自新刺激的腦電圖數據進行分類。
將來自不同模型的預測組合在一起，以產生腦源性的類概率估計，該估計用於確定新刺激的共識標籤。
實驗結果
在實驗結果中，計算機能夠直接從EEG中解釋這些心理標籤。該項研究的結論是，腦源可以應用於簡單而明確的識別任務。研究人員表示通過從12名志願者那裏收集的數據，他們已經獲得了非常可靠的標籤結果。
下圖爲Pz通道上目標和非目標刺激的每個ERP成分的總體平均電壓、以及從250ms到800 ms的平均頭皮電壓的頭皮圖，Pz通道用綠色圈出。
下表給定N個參與者用於brainsourcing估計，目標任務的精度，召回率，F1得分以及相對於N =1的F1得分的改進情況。所有ΔN=1都具有統計學意義，p≤0.0001。通過增加用於估計刺激的類別標籤的參與者數量，每個任務的性能得到了顯着提高。
下圖爲Brainsourcing模型產生的平均預測分佈。
高於平均值的預測表明，給定的刺激更有可能屬於目標類別。相反，低於均值的brainsourcing預測表明給定的刺激更有可能是非目標刺激。結果正確顯示了分類數據的雙峯性質，隨着越來越多的參與者用於估計類別標籤，分類數據的雙峯性質變得越來越明顯。
下圖爲“blond”任務中目標和非目標刺激的正確和不正確標籤的代表性樣本，按被試估計真實標籤的人數計算。brainsourcing分類性能隨着參與者人數 N的增加而不斷提高。當N> 9時，F1得分爲0.90。
結論與未來
這些發現可用於結合大腦和計算機活動的各種接口。這些接口將需要以可穿戴電子設備的形式提供輕量級和用戶友好的腦電圖設備，而不是在研究中使用的設備，因爲研究中使用的這些設備需要訓練有素的技術人員。正在積極開發可測量EEG的輕型可穿戴設備，並且可能會在不久的將來面世。
侷限性
赫爾辛基大學的學生兼研究助理KeithDavis表示：這項研究提出的方法受到了一些可用技術的限制。
“目前測量大腦活動的方法對於實驗室的受控設置已經足夠了，但是這項技術還需要改進以適應日常使用。”此外，這些方法只捕捉了整個大腦活動的很小一部分。隨着腦成像技術的進步，直接從大腦獲取偏好信息成爲可能。不用傳統的評分或類似按鈕，你可以簡單地聽一首歌或看一個節目，你的大腦活動就足以決定你對它的反應。”
論文信息：
Brainsourcing: Crowdsourcing Recognition Tasks via Collaborative Brain-Computer Interfacing
參考：
腦源(brainsourcing)技術可以自動識別人類的偏好
本文章由腦機學習者Rose筆記分享,QQ交流羣：941473018
更多分享，請關注公衆號
