The VEP Booster: A Closed-Loop AI System for Visual EEG Biomarker Auto-generation

有效的视觉脑机接口（BMI）建立在可靠和稳定的脑电生物标志物基础上。然而，传统的自适应滤波器方法可能会受到脑电信号个体差异的影响，而基于深度神经网络的方法可能会受到生物标志物衰减和背景振荡引起的脑电信号非静态性的阻碍。为了解决这些挑战，我们提出了一种名为Visual Evoked Potential Booster（VEP Booster）的新型闭环人工智能框架，它可以在视觉刺激协议下生成可靠和稳定的脑电生物标志物。我们的系统利用图像生成器根据人类脑电信号的实时反馈来优化刺激图像，生成适合于主要视觉皮层（V1）神经元偏好的视觉刺激，并实现对对刺激响应最强的神经元的有效定位。我们通过在五名人类受试者中实施稳态视觉诱发电位（SSVEP）视觉协议来验证我们的方法。我们的结果显示，对于所有个体，脑电生物标志物的可靠性和实用性都得到了显著提高，其中SSVEP响应的最大增加为105％，最小增加为28％，平均增加为76.5％。这些有前途的结果对临床和技术应用都具有重要意义。

论文旨在解决脑机接口中EEG生物标记的可靠性和稳定性问题。传统的自适应滤波器方法可能会受到EEG信号个体差异的影响，而基于深度神经网络的方法可能会受到生物标记衰减和背景振荡引起的EEG信号非稳态性的影响。

论文提出了一种新的闭环人工智能框架，称为Visual Evoked Potential Booster（VEP Booster），通过实时反馈人类EEG信号，利用图像生成器来改进刺激图像，生成适合V1神经元偏好的视觉刺激，从而产生可靠和稳定的EEG生物标记。

论文使用了五个人的数据进行了稳态视觉诱发电位（SSVEP）视觉协议实验，验证了该方法的有效性，结果表明，对于所有个体，EEG生物标记的可靠性和实用性都有显著提高，其中SSVEP响应的最大增加为105％，最小为28％，平均增加为76.5％。该方法在临床和技术应用上具有潜在的影响。

在这个领域中，还有一些相关的研究，例如：“A review of visual evoked potentials as a signal source for brain–computer interfaces”和“Deep learning for EEG-based brain-computer interfaces: a review”等。