近日由國內頭部人工智能腦機接口科技公司 姬械機(Maschine Robot)推出了面向行業服務的通用腦機接口AI計算平臺Mind++, 旨在通過標準化的腦機AI算法服務平臺為各行業腦機應用提供標準化算法服務，從而打通腦機接口技術從實驗室原型產品到規模化應用最后一步。
Mind++腦機AI計算平臺
此前姬械機曾推出了搭載在其自主腦機品牌產品上的腦機夢境生成大模型Dreamer，腦機情感識別算法Lover，腦機音樂Musician，腦機控制Controller等不同交互方向的AI算法模型。除此之外還推出了面向行業服務的1-16通道不等的多款腦機接硬件腦機產品X-BCI系列和可集成的單元類型腦機接口產品U-BCI系列，以及發起了定向包含多類腦機交互任務的 Mind大規模腦機數據集項目。
X-BCI腦機硬件平臺
U-BCI 腦機單元平臺
Mind 腦機交互數據集
腦機接口產品在規模化應用過程中長期面臨3大核心挑戰：一是用于腦機AI算法訓練數據稀缺性與多樣性不足;二是用于腦機交互的AI算法模型不夠成熟，魯棒性不好;三是腦機AI 算法模型在不同設備、不同個體、不同場景間的泛化能力不足和嚴重受限。
“Mind++腦機AI算法服務平臺”定位作為連接腦機接口設備與人工智能大規模、多模態、高通量腦機數據與規模化、工程化、高魯棒性應用之間的橋梁，基于腦機交互數據集MIND、腦機運動操作數據集Action兩大數據集項目所構建的海量、多源、標準化數據基座，并通過高效的AI算法架構(如自監督學習、遷移學習、Transformer等)，使用經典的機器學習(Machine Learning)范式(如XGBoost、隨機森林、支持向量機等)與前沿的深度學習(Deep Learning)架構(如卷積神經網絡CNN、循環神經網絡RNN、圖神經網絡GNN及Transformer等)。訓練并封裝一系列具備高度泛化能力的腦機解碼模型，并針對對腦機信號的低信噪比、高時序性、高維空間特性進行了深度優化，從而提供高魯棒性與高泛化性的解碼能力。
Mind++腦機AI算法服務平臺模型主要包括：
01. 通用基礎模型
探索性提供基于Transformer架構的自監督預訓練模型(如Brain-MAE)。該模型在MIND及Action海量無標簽數據上進行預訓練，旨在學習腦電信號的通用表征。下游開發者僅需使用少量自有數據進行微調(Fine-tuning)，即可快速適配特定下游任務，實現高效的遷移學習，解決“小數據、大模型”的訓練難題。
02. 狀態類模型
實時監測與評估用戶的認知與生理狀態。主要任務包括疲勞度監測、注意力水平評估、情緒(正/負性、效價)識別、清醒-睡眠狀態分期、運動感知狀態解碼等。
03. 交互類模型
解碼用戶的主動交互意圖，將其轉化為明確的控制或通信指令。主要任務包括運動想象(MI，如左/右手、肢體運動)、聽覺誘發解碼、意念控制等。
04. 神經反饋類模型
建立特定大腦活動模式與外部刺激/反饋之間的關聯，用于神經調控與康復訓練。主要任務包括： 實時解碼特定腦區/頻段的活動并將其量化為反饋信號、解碼多感官(視覺、聽覺、觸覺等)刺激所引發的大腦響應等。
05. 精神與神經類模型
輔助篩查、評估和監測精神健康狀態及神經系統相關的生物反饋。主要任務包括： 昏迷等級、體感及痛覺、睡眠障礙、以及精神相關的健康識別等。
據悉其發展計劃將秉承MIND生態“開放共享、協同演進”的理念，Mind++算法平臺將同步推出一系列開源服務，以培育開發者社區、促進學術透明與技術迭代。
基線模型開源
開源算法平臺中用于基準測試的經典算法及部分深度學習模型(如EEGNet, FBCSP-LDA)的標準化實現代碼，促進社區對算法的理解、復現與改進。
數據預處理與適配庫
開源用于處理MIND數據集及適配不同設備的預處理(濾波、偽跡去除、通道插值、重采樣)工具庫。
開發者文檔與教程
提供詳盡的API/SDK文檔、入門教程、Jupyter Notebook示例，以及針對特定應用場景(如“如何用Mind++平臺構建一個情緒反饋系統”)的最佳實踐指南。
同時該平臺未來將會向全球的BCI科研機構、開發者及企業提供標準化的算法接口(API)、軟件開發工具包(SDK)及預訓練模型，極大降低BCI應用的開發門檻，賦能并加速從實驗室研究到真實場景應用的“最后一公里”轉化。
