微美全息（NASDAQ：WIMI）开发具有数据增强的新型脑机接口（BMI）信号深度学习方法

脑机接口技术是将人脑和计算机或其他设备连接起来的一种新型技术，它可以使得人类可以通过思维指令，完成与外界设备的交互。在脑机接口技术中，运动想象识别是其中的一个重要研究方向，其目的是通过分类脑电信号，实现对肢体运动的控制，从而达到交互的目的。脑机接口（BCI）为人脑和设备之间提供了新的通信桥梁，需要准确分类和识别非侵入性脑电信号。近年，深度学习方法也已广泛应用于许多领域，成功地提取特征并对各种类型的数据进行分类。然而，深度学习方法需要大量数据来训练其神经网络，数据量对分类器的质量影响很大。

虽然目前脑机接口技术在医疗、工业、娱乐等多个领域获得了初步应用。然而，脑机接口技术在实际应用中仍然存在着很多挑战，其中最大的挑战之一是如何实现准确分类和识别非侵入性脑电信号。为了解决这个问题，微美全息（NASDAQ:WIMI）开发出一种应用在脑机接口领域的，具有数据增强功能的新型深度学习方法，来解决目前脑机接口技术中的一些难点。

首先，目前脑机接口领域的主要难点和痛点之一是数据量不足。由于人体脑电数据采集困难，数据量有限，因此难以训练准确的分类器。而传统的数据增强方法也存在局限性。因此，WIMI微美全息提出了结合深度学习和数据增强的新方法。该方法将经验模态分解和小波神经网络结合，可以利用少量的脑电数据生成大量的人工脑电数据，从而提高分类器的准确性和泛化能力。

WIMI微美全息开发的新的深度学习方法，结合了数据增强和经验模态分解技术，用于对运动想象信号进行分类。该方法将经验模态分解应用于脑电帧，混合其固有模态函数以创建新的人工脑电帧，并将所有脑电数据转换为张量作为神经网络的输入。同时，提出了结合卷积神经网络和小波神经网络的两种神经网络来训练权重并对两类运动图像信号进行分类。小波神经网络是一种利用小波代替卷积层的新型神经网络。

微美全息（NASDAQ:WIMI）这种新型的深度学习方法结合了卷积神经网络和小波神经网络。卷积神经网络是一种常见的神经网络结构，常用于图像识别等领域，具有良好的特征提取能力。小波神经网络是一种利用小波代替卷积层的新型神经网络，可以更好地提取时频信息。两者结合可以更好地解决脑机接口领域的数据分类问题。

具体实现方式是将经验模态分解应用于脑电帧，并混合其固有模态函数以创建新的人工脑电帧，然后将所有脑电数据转换为张量，作为复杂的Morlet小波作为神经网络的输入。使用卷积神经网络和小波神经网络来训练权重并对两类运动图像信号进行分类。

经验模态分解：将每个脑电帧通过经验模态分解技术，分解为若干个固有模态函数（IMFs）和一个余项。然后，将各个IMFs混合在一起，形成一个新的人工脑电帧，用于训练神经网络。

数据增强：利用旋转、平移、缩放等数据增强方法，生成一些新的脑电帧，用于训练神经网络。这样可以扩充数据集，提高分类器的鲁棒性和准确率。

数据处理：将所有脑电数据转换为张量，作为神经网络的输入。在此基础上，采用复杂的Morlet小波进行特征提取。

神经网络训练：一种结合卷积神经网络和小波神经网络的两种神经网络模型，用于训练权重并对两类运动图像信号进行分类。其中，小波神经网络是一种利用小波代替卷积层的新型神经网络。

此外，脑机接口领域的另一个难点是脑电信号的噪声干扰和个体差异性。该方法可以更好地利用脑电信号的时频特性，并结合卷积神经网络和小波神经网络的优势，提高了分类器对噪声的鲁棒性，同时减少了个体差异性的影响，从而提高了分类器的准确性。

WIMI微美全息提出的结合深度学习和数据增强进行脑电分类的新方法。他们将经验模态分解应用于脑电帧，并混合其固有模态函数以创建新的人工脑电帧，然后将所有脑电数据转换为张量，作为复杂的Morlet小波作为神经网络的输入。此外，还结合两种神经网络，卷积神经网络和小波神经网络来训练权重并对两类运动图像信号进行分类。这种新型深度学习方法具有数据增强功能，可以有效地提取特征并对各种类型的数据进行分类。数据增强是一种有效的方法，可以通过对数据进行旋转、翻转、缩放等操作来扩大数据集，从而提高分类器的准确性。

在实际的实验中，WIMI微美全息研究人员使用了大量的脑电数据来训练深度神经网络。他们采用了一种先进的神经网络架构，包括卷积层、池化层、小波层和全连接层。通过对训练数据进行多次迭代训练，他们成功地提高了分类器的准确性。最终，该公司的新型深度学习方法在实验中获得了非常好的效果，与现有方法相比，两个网络的分类精度都相对较高。同时，他们还验证了提出的小波神经网络模型在稳态视觉诱发电位分类中的性能，也取得了非常好的结果。

目前，微美全息（NASDAQ:WIMI）所提的具有数据增强的新型脑机接口信号深度学习方法能够更好地解决脑机接口领域的数据量不足、信号噪声干扰和个体差异性等难点和痛点，具有较广泛的应用前景。该公司的研究人员将继续改进和优化该新型深度学习方法，并将其应用于更多领域。他们也计划进一步提高该方法的性能和精度，以满足不同领域的需求。