BRIEDGE: EEG-Adaptive Edge AI for Multi-Brain to Multi-Robot Interaction

近年来，基于脑电图（EEG）的脑机接口技术的进展揭示了通过感知、计算、通信和控制的整合实现大脑与机器人协作的潜力。本文介绍了BRIEDGE作为一个端到端系统，通过一个EEG自适应神经网络和一个编码-解码通信框架，实现多脑到多机器人的交互。如图1所示，边缘移动服务器或边缘便携服务器将收集用户的EEG数据，并利用EEG自适应神经网络识别用户的意图。编码-解码通信框架将基于EEG的语义信息编码并在数据传输过程中解码为命令。为了更好地提取异构EEG数据的联合特征并增强分类准确度，BRIEDGE引入了一个基于informer的ProbSparse自注意机制。同时，动态自编码器和自解码器通信解决了多用户多任务场景下物理通道的并行和安全传输问题。从移动计算和边缘人工智能的角度，模型压缩方案包括剪枝、权值共享和量化也被用于部署在发射端和接收端的轻量级EEG自适应模型。基于这些组件的有效性，一个代码映射表示各种命令，使多个用户可以同时控制多个智能代理。与最先进的作品相比，我们的实验结果表明，BRIEDGE在异构EEG数据的分类精度和在嘈杂环境下的稳定性方面表现最佳。

BRIEDGE试图解决多脑到多机器人交互的问题，通过脑机接口技术实现多人的意图识别和控制多个智能体。

BRIEDGE提出了一个端到端系统，包括EEG自适应神经网络、编码-解码通信框架、自注意力机制、动态自编码器和自解码器通信、模型压缩等，以提高多脑到多机器人交互的效率和准确性。

论文使用了EEG数据集进行实验，并通过模型压缩等技术实现了轻量级的EEG自适应模型，同时提出了自注意力机制和动态自编码器和自解码器通信来提高分类准确性和多用户多任务场景下的通信效率。实验结果表明，BRIEDGE在分类准确性和噪声环境下的性能稳定性方面优于其他方法。

近期的相关研究包括：1）“A Survey of Brain-Computer Interface Technology: Past, Present, and Future”；2）“A review of brain–computer interface games and an opinion survey from researchers”；3）“A comprehensive review of EEG-based brain–computer interface paradigms”等。