居家照護組

計畫主持人：徐國鎧教授

摘要

該項目旨在開發基於人工智慧（AI）的大腦人機介面（Brain Computer Interface,BCI）系統，透過腦電訊號（EEG）解碼大腦功能。開發的人工智慧腦波分析技術將應用於三個主要研究領域，包括臨床醫療，居家照護和科學教育。從臨床醫療方面，本計畫將設計一個閉迴路BCI系統，用於中風和認知障礙患者的康復治療。透過使用AI偵測患者的大腦狀態，經顱電刺激（tES）將作為生物反饋以恢復患者的大腦功能。居家照護方面，針對嚴重癱瘓患者，AI的BCI設備將被設計為幫助患者與外部環境進行互動。並透過偵測患者的生命特徵（例如，心率，呼吸，血壓等）以管理患者的生理狀態。在第三部分中，將開發具有生物反饋系統的即時BCI系統於教育環境中，使用深度學習網路偵測學生的認知負荷和情緒狀態。該項目的研究成果有望建立一個閉迴路BCI系統，以幫助中風和失智患者的康復，改善癱瘓患者的溝通，並為學生設計更好的學習策略。

關鍵詞

閉迴路腦機介面和腦波圖（EEG）

技術創新

主要成就包括基於EEG的閉迴路BCI系統的硬體設計以及開發用於EEG應用的深度學習神經網路。

硬件成就：

• 高感度EEG乾電極，具有高性能阻抗匹配電路 （圖1(a)）。
• 具有4, 8, 20和40通道的多通道無線腦波量測裝置（圖1(b)）。
• 穿戴式生命特徵監測手錶，用於即時監測心率，心率變異性，非加壓式血壓，運動心電圖。
• 使用11個慣性測量單位（IMU）來建立3D姿態記錄儀，其資料取樣率為100 Hz。
• 使用長短期記憶網路對腦波數據進行即時情感辨識（圖1(c)與圖1(d)）。
• 使用卷積神經網路實現乾式電極EEG BCI系統。
• 深度學習在分類睡眠腦波中的應用。
• 對亞急性腦中風患者通過雙顱電刺激，進行雙腦運動皮質調變。
• 使用人工智慧預測中風後癲癇（PSE）。
• 在課堂環境中學習期間使用人工智慧偵測學習情緒和認知負荷（圖1(e)）。

效益

• 將穿戴式設備測量的EEG數據以無線方式傳輸到雲服務器。
• 在雲計算服務器上構建深度學習神經網路，以針對不同的EEG應用。
• 建立的閉迴路BCI和EEG雲計算架構將應用於以下應用：

1. 使用AI偵測用戶的情緒狀態可以幫助人們管理他們的精神壓力和情緒（圖2）。
2. 使用AI識別用戶的移動意圖。由中風或癱瘓患者的EEG反饋為臨床醫生提供生物標誌物，可以為患者設計更好的康復計劃。
3. 使用AI偵測用戶的睡眠狀態可以減輕醫生檢查大量睡眠EEG數據的工作量。
4. 使用AI來改善基於EEG的BCI的性能將可使癱瘓的患者（鎖定綜合症）實現與外部環境的通信。
5. 使用AI在腦波圖數據中找出癲癇的良好生物指標。偵測癲癇患者的生物標誌物可以幫助我們了解患者癲癇發生的機制並開發合適的預防性治療方法。