更多技术干货第一时间送达
兰德公司近期发布的《脑机接口在美军事中的应用及建议》报告中展望2040年世界重大安全挑战与风险的研究之一，主要对脑机接口在军事领域的潜在应用进行了初步评估，提出面临的潜在风险，并强调了需要解决的潜在政策问题。从报告中可以看出，脑机接口将在军事领域里有非常巨大的应用。
这篇文章介绍的是美国陆军研究人员和马里兰大学帕克分校的研究人员合作开发了一种新的用于收集认知数据的计算模型，这个模型可能会改变神经科学和计量经济学领域的游戏规则，并且与网络化和多智能体系统有着广泛的联系。但它也将应用在军事领域，帮助评估士兵的认知状态。
美国陆军作战能力发展司令部的陆军研究实验室(U.S. Army Combat Capabilities Development Command's Army ResearchLaboratory)和马里兰大学帕克分校(Universityof Maryland, College Park)，研究人员开发了一种被称为自回归线性混合(ALM)的新模型，用于分析时间序列数据或事物是如何随时间变化。
对于陆军而言，这项技术有助于评估士兵的认知状态，从而使智能自适应系统能够在完成具有挑战性的关键任务时平衡士兵的工作量。
这项成果发表在IEEEXplore中，它在信号处理中的两个基本模型上：字典学习和多元自回归(MVAR)模型方面均有一定的创新。
研究人员结合非凸问题优化的最新进展，改编了近端梯度算法(proximal gradient algorithm)，并在开源EEG数据集上验证了提出的模型和算法。
CCDC ARL研究人员Addison Bohannon博士表示："由于这些模型的简单性和解释力而大受欢迎。""作为数据的生成模型，字典学习和MVAR模型允许研究人员和工程师将他们对基本物理过程的理解编码为一个简洁的模型。因此，他们在神经科学，经济学和图像处理领域中找到了应用，在这些领域，我们对基础科学有着丰富的理解。然而，这些模型的简单性也限制了它们在描述复杂的，真实世界的信号(例如陆军需要的实验室实验之外观察到的信号)的有效性。"
另一方面，他说，复杂的模型并不一定就非常有效，因为它们会带来可靠性和可解释性方面的问题。而这项工作正面解决了这些问题。
研究人员假设认知过程可以由独立的神经过程组成，而这些过程可以在脑电图记录中观察到。尽管他们没有在论文中直接检验这一假设，但他们的验证结果表明，他们可以在睡眠时可靠地识别个体EEG记录中的独立神经系统过程。
如下图是对ALM，MVAR和VAR模型在8个受试者数据的每种实现的功能分布的t-SNE可视化结果。每个彩色的点代表一个30秒内实现的睡眠数据的特征，根据专家标记的睡眠阶段着色。此外，每个睡眠阶段(27)特征的中心被绘制成大圆圈。(a) ALM混合系数的投影。N1期、N2期、N3期和REM期表现出紧密的聚类，而清醒期分布更广。意识的相对位置表明，睡眠阶段之间的关系与AASM[36]一致。(b) MVAR混合系数的投影。所有睡眠阶段都有一些聚类，在N2-N3和N1-REM之间有相当多的重叠。(c) VAR. N1期、N2期、N3期和REM期自回归系数的投影显示出一些聚类，但所有的睡眠期都有重叠。清醒的实现似乎形成了三个不同的集群。
上图为受试者8的类别条件信号和周期图。每行对应一个睡眠阶段。对于每个睡眠阶段，研究人员使用论文中定义的混合系数的质心定义一个IIR滤波器。在左栏中，研究者从作用于白噪声的特定于阶段的IIR滤波器生成信号。每种颜色对应一个EEG通道。在右列中，周期图显示了睡眠阶段滤波器的光谱含量。在唤醒滤波器中，我们观察到了该频带中的峰值频率响应，这与预期的一样。对于其他滤波器，我们观察到a和b波段的活动不断增加。
该项研究结果表明，与不同睡眠阶段相关的脑电图活动可以由这些独立神经过程的不同组合组成，也就是说，这些神经过程在某种程度上是基本的。另外，研究
人员发现的这些基本过程与睡眠阶段分析中使用的已知神经学现象相一致。
这项工作的灵感来自于神经科学中功能性连通性方面的成功研究。
Bohannon表示："ALM通过将数据显式建模为同时和独立过程的输出，在这种方法上进行了创新。""每一个过程都可以被解释为独立的功能性大脑网络。通过这些独立的功能性大脑网络的组合，我们可以获得高级的认知功能。虽然这项贡献主要是提出一种新的分析技术，但它可能使网络神经科学的基础发现成为可能。事实上，在我们的验证结果中，我们确实发现了多种功能网络结合在一起产生不同睡眠状态的证据。"
根据Bohannon的说法，这项工作将通过人类自主团队(HAT)的基本研究计划支持下一代作战车辆。
在这项工作的努力下，当前有一个项目正在开发利用生物物理传感器和其他传感器来估计士兵认知状态的技术。这个项目支持提供了一个适应性和交互式的工作站，工作站的自主权能够适应工作人员的状态。研究人员表示，每一个成员的认知状态是这种适应的最具信息性的驱动因素之一。Bohannon举例说，一个专注于认知需求任务(例如路线规划)的用户可能需要接口来消除潜在的干扰。
另外，由于指挥官不会要求认知疲劳的机组人员分析来自无人机系统的新到达传感器数据，因此各个机组人员的认知状态可以告知动态任务。相反，这将允许智能的自适应系统平衡机组人员的工作量。
陆军研究员NicholasWaytowich博士认为，开发人类自主组合系统的主要挑战之一是可靠地估计个体的认知状态。我们相信，我们的方法可以用来作为一种工具，提高认知状态估计，这将使自主系统的设计能够适应用户，而不是要求用户适应系统。
研究人员认为他们的方法也有可能阐明个人潜在的认知状态与人类团队和自治系统团队中新出现的团队行为之间的关系。例如，确定可能产生有效团队的个人认知状态对于成功完成团队任务至关重要。
Bohannon认为，这项研究对未来军队的影响是非常重要的。因为基础研究的性质—长期的、高风险的—使得很难预测这一或任何类似的努力是否会直接影响军队。这就使得花时间了解未来军队将面临的挑战，并利用这种了解来指导我们的工作变得尤为重要。
他说，下一步是将这些知识转化为应用研究项目，比如在人-自治团队ERP中对个体状态的估计。
参考
The Autoregressive Linear Mixture Model: a Time-Series Model for an Instantaneous Mixture of Network Processes
Functional and effective connectivity: A review
Proximal alternating linearized minimization for nonconvex and nonsmooth problems
Isruc-sleep: A comprehensive public dataset for sleep researchers
https://techxplore.com/news/2020-09-army-human-agent-teaming.html
联系客服
