利用生物启发的优化学习率的 Cerebro Wave Bee 变压器用于基于脑电图的手部动作分类

通过脑电波读取手部动作

想象一下，只需想象移动自己的手，就能控制假肢手、操作轮椅或玩电脑游戏。本研究探讨如何更准确地读取大脑发出的微弱电信号并将其转化为不同的手部动作。研究者提出了一种新的计算模型，将强大的模式识别系统与受蜜蜂启发的策略相结合，旨在提高脑控设备的准确性、可靠性并推动其走向现实应用。

为什么解码脑信号很困难

我们的脑不断产生可在头皮上通过 EEG（脑电图）技术检测到的微弱电信号，EEG 使用小型传感器实时记录脑电波。当我们想象或执行动作（如抬手或旋转手）时，这些信号会发生变化。然而，EEG 数据噪声极高且在不同个体间差异很大，这使得区分例如左手运动与右手运动或静止变得困难。传统方法要么依赖手工设计的特征，要么使用较简单的神经网络，这些方法通常难以捕捉这些脑模式的全部复杂性，尤其是在不同被试和记录条件下。

像细心读者一样学习的新模型

作者提出了称为 Cerebro‑Wave Bee Transformer 的模型。其核心是“变压器”（transformer），这是一种最初为语言翻译开发并擅长在大量输入间发现关系的深度学习架构。在本例中，每个 EEG 通道被视为一个“标记”（token），类似句子中的一个词，模型学习大脑不同区域在执行或想象手部动作时如何协同工作。系统并非直接处理原始时间序列信号，而是先将每次试验转换为一个紧凑的表格，显示四个关键频段在 14 个电极位置上的脑电能量，为模型提供标准化且高效的数据视图。

让类蜜蜂搜索找到最佳点

深度学习模型对一个关键训练参数——学习率（learning rate）——非常敏感，学习率控制模型每次更新时迈出的步幅。如果步幅太大，学习会不稳定；太小则训练缓慢且可能无法达到良好解。研究者没有通过盲猜或穷举许多选项来确定该值，而是借用了蜜蜂觅食的策略。他们设想一群虚拟蜜蜂，每只蜜蜂在短时间训练中测试不同的学习率。更有前景的学习率会被更深入地探索，同时一个“温度”参数逐渐降低，将搜索从广泛探索转为精细调整。最终系统在正式训练前收敛到能提供最可靠性能的学习率。

对系统进行测试

为检验方法的有效性，团队在两个独立的 EEG 数据集上训练并评估了 Cerebro‑Wave Bee Transformer。一个来自消费级头戴设备，包含三类：左手动作、右手动作和静止；另一个是广泛使用的研究数据集，采用不同的硬件、采样率和电极布局。在两个数据集中，EEG 信号都被转换为相同的 14×4 格式，以便在公平条件下应用相同的模型架构。采用十折交叉验证以避免偶然结果，新方法在主数据集上达到约 95.6% 的准确率，在第二个数据集上仅略低，优于传统机器学习模型、较简单的神经网络以及采用标准学习率调度而非蜜蜂式搜索的变压器版本。

这对未来脑-机工具意味着什么

该研究表明，精心调节强大模型的学习方式，带来的收益可与改变模型本身相当。通过将变压器与蜜蜂风格的优化过程配对，研究者创建了一个在不同数据集上对手部相关脑活动进行高精度且具有良好鲁棒性的分类系统，并且在训练完成后不会拖慢实时应用。虽然当前工作依赖于预处理后的脑电能量快照而非原始连续信号，但它提供了强有力的概念验证：受自然启发的搜索策略可以帮助释放先进神经网络在脑-机接口中的全部潜力，使以意念控制的假肢和辅助技术更接近日常实用化。

引用: Jayadurga, N.P., Chandralekha, M. & Subramaniam, H. Cerebro Wave Bee transformer to leverage EEG based hand movement classification using optimized bio-inspired learning rates. Sci Rep 16, 14640 (2026). https://doi.org/10.1038/s41598-026-40739-5

关键词: 脑-机接口, 脑电图手部动作, 变压器神经网络, 生物启发优化, 蜜蜂算法