随着脑机接口（BCI）技术的不断进步，Meta AI最新发布的Brain2Qwerty模型为该领域注入了新的活力。BCI技术旨在为言语或运动障碍人士提供沟通手段，然而，传统的侵入性手术方法，如电极植入，存在医疗风险，且维护成本高。因此，研究人员开始寻求非侵入性解决方案，尤其是基于脑电图（EEG）的方法。然而，EEG技术面临着信号分辨率低的问题，这影响了其准确性。

机芯大脑 人工智能

图源备注：图片由AI生成，图片授权服务商Midjourney

Brain2Qwerty模型的推出旨在解决这一难题。该深度学习模型能够从EEG或脑磁共振成像（MEG）捕捉到的脑活动中解码出参与者的输入句子。在研究中，参与者通过QWERTY键盘输入记忆中的句子，同时其脑活动被实时记录。Brain2Qwerty利用了自然的打字动作，提供了一种直观的脑电波解读方法，与以往需要集中注意力在外部刺激或想象运动的方法相比，更具优势。

Brain2Qwerty的架构主要由三个模块组成。首先是卷积模块，负责提取EEG或MEG信号中的时间和空间特征。其次是变换器模块，它处理输入的序列，优化理解和表达。最后是语言模型模块，它是一个预训练的字符级语言模型，用于修正和提升解码结果的准确性。

在评估Brain2Qwerty性能时，研究者采用字符错误率（CER）作为衡量标准。结果显示，基于EEG的解码CER为67%，相对较高；而使用MEG的解码效果则显著改善，CER降低至32%。在实验中，表现最好的参与者达到了19%的CER，显示了该模型在理想条件下的潜力。

尽管Brain2Qwerty在非侵入性BCI领域展现了积极的前景，但仍面临一些挑战。首先，当前模型需要处理完整句子，而不是逐个按键进行实时解码。其次，虽然MEG的性能优于EEG，但其设备尚不便携且普及性不足。最后，本研究主要在健康参与者中进行，未来需要进一步研究其对运动或言语障碍者的适用性。

论文链接：https://ai.meta.com/research/publications/brain-to-text-decoding-a-non-invasive-approach-via-typing/

划重点：

🧠 Meta AI推出的Brain2Qwerty模型能通过EEG和MEG解码打字内容，为BCI技术带来新希望。

📊 研究结果显示，使用MEG解码的字符错误率显著低于EEG，最优参与者达19%的CER。

🔍 未来的挑战包括实时解码、MEG设备的可及性以及在有障碍人士中的应用效果。