在人工智能与神经科学深度融合的新时代，脑机接口（BCI）被认为是连接人脑与外部世界的关键通道，其应用场景涵盖医疗康复、神经疾病辅助、智能控制以及未来的人机融合。
近日，据悉，纳斯达克上市企业微美全息（NASDAQ:WIMI），成功研发出一种保留运动想象脑机接口共同空间模式的方差特征技术。
据称，该技术通过对经典的公共空间模式（CSP）算法进行基于图论的正则化修正，在保持运动想象（MI）脑机接口系统特征稳定性的同时，显著提升了分类性能，为BCI技术的产业化落地带来新的可能性。
长期以来，CSP算法是运动想象BCI系统中最常用的特征提取方法，它的核心思想是利用多通道脑电图（EEG）数据的协方差矩阵，通过空间滤波提取能够最大区分不同任务类别的投影特征。然而，传统CSP算法在实际应用中面临两个突出问题。
在这一背景下，微美全息针对CSP算法的不足，提出了以保留方差特征为核心的新型方法。通过在CSP框架中引入基于图论的正则化项，该技术不仅保持了传统CSP在分类判别上的优势，同时在特征空间结构上增加了鲁棒性约束，使得提取的运动想象特征更加稳定可靠。
微美全息首先在CSP的基本框架下，对投影数据的方差特征进行建模，并计算异常损失，确保在降维与特征提取过程中，局部方差结构不会被破坏。随后，引入图论中的拉普拉斯矩阵，将方差保持问题转化为一个矩阵形式的约束优化问题。
与以往仅依赖时频优化的CSP方法不同，这一方案从投影空间的整体几何结构入手，确保了不同类别特征在降维映射中能够维持内在的差异性。通过这一创新设计，系统能够在面对不同实验环境甚至跨数据集时，依旧保持良好的稳定性和分类效果。
可以说，微美全息通过BCI竞赛的两个公开EEG数据集进行实验评估，在跨受试者实验场景中，该方法的性能提升尤为明显。这意味着其具备突破个体差异瓶颈的潜力，能够减少BCI系统对个体化训练的依赖，为实际应用中的快速部署与大规模推广提供了可行性。
此外，微美全息该方法由于保持了与传统CSP相似的数学形式与实现流程，极大降低了在现有系统中部署的成本和门槛。其可扩展性也意味着该方案能够与深度学习、迁移学习等先进方法结合，进一步提升性能，这一特性为企业在未来与AI算法融合的多模态脑机接口产品研发中提供了强有力的支持。
总之，微美全息保留运动想象脑机接口共同空间模式的方差特征技术，不仅在技术层面突破了传统CSP的局限，更在应用层面为BCI系统的普及与落地开辟了新的道路。它的鲁棒性、可扩展性与产业适配性，使其成为提升运动想象脑机接口性能的有力候选方案。未来，微美全息将继续在这一方向上深耕，推动技术创新与产业应用的融合，为智能人机交互新时代贡献更多力量。