在IEEE系统，人类和控制论杂志上发表的一篇新论文描述了使用一组最新的机器学习算法进行的几次实验的结果，这些算法用于检测和监视心理工作量和情感状态。人脑。
在脑机接口或BCI中-分为主动(用于单独通过大脑活动来控制设备)或被动(用于监视用户的精神状态或情绪)-脑信号通常通过脑电图(EEG)进行测量。
研究人员测试了七种不同的算法，以找出哪种算法最能检测人的情绪。图片：Ryan McGuire通过pictures.com，CC0公共领域
但是，问题在于原始EEG信号很难组织成特定的有意义的模式，并且当前可用的系统还没有足够先进的数字处理算法来使无源BCI发挥功能。
“低准确性是由于人脑的极高复杂性。大脑就像一个巨大的乐团，上面有数千种乐器，我们希望使用有限数量的麦克风或其他传感器从中提取每种乐器的特定声音，”合著者Andrzej Cichocki说。
在这项研究中，Cichocki及其同事研究了两组机器学习算法，即基于黎曼几何的分类器(RGC)和卷积神经网络(CNN)，这些算法以前在主动BCI中非常有效。研究人员总共试验了7种算法，其中两种是他们自己设计的。
通过在特定个体的EEG数据上训练算法，然后在该同一个体上对其进行测试，来进行第一个实验。另一方面，第二个实验是与受试者无关的，因此由于受试者脑电波的变化，挑战性更大。
结果表明，人工深层神经网络在工作量估计方面更有效，但在情感分类方面却表现不佳。相比之下，研究人员为研究进行了修改的两种黎曼算法在这两项任务中都做得很好。
这组作者说，他们的发现表明，被动BCI对于工作量估计更为有用，但在检测和监视情感状态方面却没有那么强大。此外，需要进行更多的研究来改善独立于受试者的校准，这目前导致相当低的准确性水平。
“在接下来的步骤中，我们计划使用更复杂的人工智能(AI)方法，尤其是深度学习，使我们能够检测出大脑信号或大脑模式的微小变化。可以在不同场景下和不同条件下，根据许多受试者的大量数据来训练深度神经网络。人工智能是一次真正的革命，对于BCI和人类情感的识别也可能有用。” Cichocki说。