第196章 信號解码（1 / 2）

  滤波模块稳定运行了一周后，沈一鸣把第一批训练数据导入解码模型。

  志愿者是研究院的一名行政助理，叫小何，二十六岁，健康状態良好。实验流程很简单，他戴上一顶嵌有电极的脑电帽，按照屏幕提示想像不同的动作，系统採集他的神经信號，解码模型尝试识別他的想像內容，屏幕上实时显示识別结果。

  最开始的准確率是百分之六十二。

  沈一鸣对这个数字不满意，但也不意外。通用模型的起点就是这个水平，接下来要靠数据驱动模型往上走。他调整了网络结构，增加了训练轮次，重新跑了一遍。准確率升到了百分之七十八。又调了两轮，卡在了百分之八十七附近，推不动了。

  问题出在个体差异上。每个人的神经信號特徵不一样，同样是想像握拳，不同志愿者的脑电波模式存在显著差异。通用模型学到的是所有人的平均特徵，而不是某个具体个体的特徵。

  沈一鸣让唐寧增加了个体標註数据量，又收集了三名新志愿者的数据，重新训练。准確率爬到了八十七点三，依然在这个区间徘徊。

  左城在旁边坐著，看著沈一鸣一遍遍调参，没有说话。他在观察问题的结构。

  通用模型的天花板本质上是一个迁移学习的困境，不同个体之间的信號分布差异太大，单纯靠增加数据量很难突破。需要换一个思路，让模型在推理阶段也能持续適应当前用户的信號特徵，而不是用一个固定的权重去应对所有人。

  左城打开系统面板。

  当前积分662分。他在ai枝干里调出强化学习模块，把它和脑电波解码任务进行融合分析。思路是让解码模型接受实时反馈信號，每当志愿者確认或否认识別结果，模型就基於这个反馈调整参数，持续收敛到当前用户的信號特徵。

  系统提示：融合可行，消耗5积分，生成自適应强化学习解码框架，支持在线个体化校准，预计个体化准確率提升至92%以上。

  左城確认。积分从662降到657。

  他把思路告诉沈一鸣。

  沈一鸣听完，眼神亮了，说，在线学习，模型边跑边更新？

  左城说，对。传统方法是离线训练好了再用，遇到新用户就要重新收集数据、重新训练，周期长，成本高。换成强化学习框架，每次识別之后模型都能获得一个反馈，不断更新权重，对当前用户的適应速度会快很多。