挑战

对于晚期肌萎缩侧索硬化 (ALS) 患者，随着病情的发展，交流变得越来越困难。在许多情况下，ALS（也称为卢伽雷氏病）会导致闭锁综合征，即患者完全瘫痪，但认知功能完好。眼球追踪设备以及最新的基于脑电图 (EEG) 的脑机接口 (BCI)，使 ALS 患者能够通过逐个字母地拼写短语进行交流，但即使是交流简单的信息也需要数分钟才能完成。

解决方案

德克萨斯大学奥斯汀分校的研究人员开发了一种非侵入性技术，以使用小波、机器学习和深度学习神经网络，对脑磁图 (MEG) 信号进行解码，并在患者想象说出整个短语时检测到这些短语。该算法的性能接近于实时：当患者想象到一个短语时，它会立即出现。

• 借助 Wavelet Toolbox™，他们使用小波多分辨率分析技术，对 MEG 信号进行去噪和分解，使之成为特定的神经振荡带（高 γ、γ、α、β、θ 和 δ 脑电波）。
• 最初，研究人员从信号中提取了特征，并使用 Statistics and Machine Learning Toolbox 计算了各种统计特征。他们使用提取的特征训练了支持向量机 (SVM) 分类器和浅层人工神经网络 (ANN) 分类器，从而通过对五个短语对应的神经信号进行分类来获得准确度基线。通过这种方法获得的准确度约为 80%，可作为准确度基线。
• 然后，该团队采用 MEG 信号的小波尺度图来表示丰富的特征，并将其用作输入来训练三个定制的预训练深度卷积神经网络，即 AlexNet、ResNet 和 Inception-ResNet，以对 MEG 信号进行语音解码。在结合使用了小波和深度学习方法后，整体准确度提高到了 96%。
• 为了加快训练速度，该团队在具有 7 个 GPU 的并行计算服务器上使用 Parallel Computing Toolbox 进行了训练。

结果

通过使用 MATLAB，该团队能够在不同的特征提取方法之间快速迭代，并训练多种机器学习和深度学习模型，使 MEG 语音解码的整体准确度达到 96%。借助 MATLAB，他们在短短几分钟内即可将小波与深度学习方法结合使用，而所需的时间明显少于其他编程语言。此外，该团队只需更改一行代码即可切换到使用多个 GPU 进行训练。使用 Parallel Computing Toolbox 和具有 7 个 GPU 的服务器，使得网络训练速度快了大约 10 倍。