กรุงเทพฯ, 14 ก.ย. 2566 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” หรือ “บริษัท”) ผู้ให้บริการเทคโนโลยี Hologram Augmented Reality (“AR”) ชั้นนําระดับโลก ได้ประกาศในวันนี้ว่า ได้พัฒนา brain-computer interface (BCI) ที่ขึ้นอยู่กับการรวมข้อมูลหลายโหมด EEG-fNIRS เพื่อปรับปรุงประสิทธิภาพและความแม่นยําของการรวมข้อมูลหลายโหมด EEG-fNIRS

การรวมข้อมูลหลายโหมดเป็นหัวข้อที่ได้รับความสนใจอย่างมากในวงการปัญญาประดิษฐ์ในช่วงหลายปีที่ผ่านมา โดยมีเป้าหมายหลักคือการรวมข้อมูลหรือสารสนเทศจากแหล่งต่างๆ เข้าด้วยกันอย่างมีประสิทธิภาพเพื่อให้ได้พื้นฐานที่ดีกว่าสําหรับการตัดสินใจมากกว่าแหล่งข้อมูลเดียว Electroencephalography (EEG) และ functional near-infrared spectroscopy (fNIRS) เป็นเทคนิคที่ใช้กันอย่างแพร่หลายสําหรับการตรวจจับสัญญาณประสาทในสมอง และแต่ละอย่างมีข้อดีและข้อจํากัดของมันเอง

EEG สามารถให้ข้อมูลกิจกรรมประสาทสมองที่มีความละเอียดสูง แต่มีความละเอียดทางพื้นที่ค่อนข้างต่ํา ในขณะที่ fNIRS มีความละเอียดทางเวลาต่ํา แต่สามารถให้ข้อมูลเฮโมไดนามิกส์ของสมองที่มีความละเอียดทางพื้นที่สูง ทีมของ WiMi พบว่าการรวมเทคโนโลยีสองอย่างนี้สามารถชดเชยจุดอ่อนของกันและกันและให้ข้อมูลประสาทสมองที่ครอบคลุมและแม่นยํามากขึ้น

WiMi ใช้อัลกอริทึมการเสริมกําลังทวิภาคเพื่อบรรลุการรวมข้อมูล EEG และ fNIRS อย่างมีประสิทธิภาพ นี่เป็นโมเดลการเรียนรู้ของเครื่องที่มีเครื่องกลไกการใส่ใจโดยอัตโนมัติที่เรียนรู้ความสัมพันธ์โดยตรงของข้อมูล ปรับปรุงคุณภาพและประสิทธิภาพของการรวมข้อมูล นอกจากนี้ WiMi ยังออกแบบกรอบอัลกอริทึมเฉพาะที่สามารถจัดการข้อมูลหลายโหมดขนาดใหญ่และตอบสนองความต้องการการใช้งานในสถานการณ์ต่างๆ

กระบวนการสามารถแบ่งออกเป็นขั้นตอนต่อไปนี้:

การเก็บรวบรวมข้อมูล: เราต้องเก็บรวบรวมข้อมูลเป้าหมายเดียวกันในเวลาเดียวกันโดยใช้ EEG และ fNIRS เครื่อง EEG จะบันทึกกิจกรรมไฟฟ้าของสมอง ในขณะที่เครื่อง fNIRS จะตรวจจับการเปลี่ยนแปลงของการไหลเวียนเลือดในสมอง

การประมวลผลข้อมูลเบื้องต้น: ข้อมูลที่เก็บรวบรวมได้ต้องผ่านการประมวลผลเบื้องต้นสําหรับข้อมูล EEG และ fNIRS รวมถึงการกรอง กําจัดสัญญาณรบกวน และการกําจัดอาร์ติแฟกต์เพื่อปรับปรุงคุณภาพข้อมูล ซึ่งมักรวมถึงขั้นตอนเช่น การกรองและการปรับให้เป็นมาตรฐาน นอกจากนี้ เนื่องจากความละเอียดทางเวลาที่แตกต่างกันของอุปกรณ์ EEG และ fNIRS การจัดเรียงข้อมูลทางเวลาจึงจําเป็นด้วย

การสกัดคุณลักษณะ: ด้วยการรวมข้อมูล เราสามารถสกัดคุณลักษณะของกิจกรรมประสาทสมองที่มีความละเอียดมากขึ้นและแม่นยํามากขึ้น คุณลักษณะที่เป็นประโยชน์ถูกสกัดจากข้อมูลที่ผ่านการประมวลผลแล้ว สําหรับข้อมูล EEG สามารถสกัดคุณลักษณะ เช่น โดเมนเวลา โดเมนความถี่ และโดเมนเวลา-ความถี่ เช่น ความหนาแน่นพลังงานสเปกตรัมเฉลี่ย คุณลักษณะโดเมนเวลา (เช่น ค่าเฉลี่ย ความแปรปรวน) สัมประสิทธิ์การแปลงเวฟเล็ต และอื่นๆ สําหรับข้อมูล fNIRS ได้แก่ การเปลี่ยนแปลงการไหลของแสง เป็นต้น

การรวมข้อมูล