编辑 | 蒋宝尚
机器翻译真的是万能的，不仅能够写诗、对对联、推导微分方程，还能够读取脑波信息。
昨天，加州大学旧金山分校的Joseph Makin 等人在 Nature Neuroscience上发表了一篇论文，标题为《利用 encoder-decoder 框架，将大脑皮质活动翻译为文本》（Machine translation of cortical activity to text with an encoder–decoder framework）。
这篇论文的工作思路异常简单。他们将脑波到文本的转换视为机器翻译的过程，脑波为输入序列，文本为输出序列。
通过让受试者朗读文本，收集相应脑区的电波，构成训练数据集，然后去训练一个端到端的机器翻译模型。
通过这种方式，他们获得了一个模型，这个模型能够将受试者的脑波「准确」、「实时」地转换为句子文本，而错误率仅为3%。
这种创新，无疑是革命性的。
目前一些用于大脑控制打字的脑机接口技术，大多依赖于头部或眼睛的残余运动。以霍金为例，他可以通过手指的运动控制虚拟键盘来打出他想表达的单词。但这种方式一分钟最多也只能打出8个单词。
也有一些尝试将口头语音（或尝试发出的语音）解码为文字，但迄今也仅限于对单音素或单音节的解码，在中等大小的文本（100个单词左右）上错误率往往高达60%以上。
Joseph 等人的这项工作，则直接将脑波几乎无延迟地准确转换为文本，对于瘫痪患者来说，无疑是一大福音。
1
总体思路
如前面所述，作者借用了自然语言处理领域的概念，在自然语言的机器翻译中，是将文本从一种语言翻译到另外一种语言。而脑波到文本，事实上也是类似的一种「翻译」过程。
从概念上讲，这两种场景的目标都是在两种不同表示之间建立映射关系。更具体地说，在这两种情况下，目的都是将任意长度的序列转换为任意长度的另一序列。这里需要重点强调一下「任意」，因为输入和输出序列的长度是变化的，并且彼此之间并不必须有确定性的一一对应关系。
在Joseph 等人的这项工作中，他们尝试一次解码一个句子，这和现在基于深度学习的端到端机器翻译算法类似。
两者相同的地方是，都会映射到相同类型的输出，即一个句子的词序列。不同之处在于，输入，机器翻译的输入是文本，而Joseph等人工作的输入是神经信号——受试者朗读句子，实验人员用高密度脑电图网格（ECoG grids）从参与者的大脑皮层处收集信号。
于是，对神经信号稍加处理后，便可以直接用 seq2seq架构的机器翻译模型进行端到端训练，基本不用进行改动。
在这项工作中，最难的是如何获取足够多的训练数据集。我们知道，机器翻译的数据集可以达到上百万规模，但这个实验中的每一个受试者顶多也就只能提供几千量级的数据。在这种训练数据稀少的背景下，为了充分利用端到端学习的好处，作者使用了一种只包含30~50个独立句子的受限“语言”。
2
模型
在这项研究中，为了收集输入数据，要求参与人员大声朗读句子，观察脑波活动。一组需要朗读的数据是图片描述，大概有30个句子，125个单词，另一组采用MOCHA-TIMIT语料数据库中的数据，以50个句子为一组，最后一组包含60个句子。
一共有四个参与者进行朗读，研究人员只考虑重复朗读三次的句子集，其中一次朗读的数据用于测试，两次用于训练。
参与者在大声朗读的时候，会产生脑电波，给参与人员插上电极之后，研究人员用高密度脑电图网格（ECoG grids）从参与者的大脑皮层处收集信号。
收集的脑电波信号和对应朗读的句子，会作为数据输入到“编码-解码”架构的人工神经网络。
如上图所示，人工神经网络对输入数据进行处理会经过三个阶段：
1、时间卷积：一些类似的特征可能会在脑电信号数据序列的不同点处重现，全连接的前馈神经网络显然无法处理。为了有效学习这种规律，网络以一定的步幅为间隔，对每个间隔应用相同的时间滤波器（temporally brief flter）。
2、编码器循环神经网络：经过时间卷积的处理会产生特征序列，把特征序列输入到编码器循环神经网络里面，然后，神经网络的隐藏层会提供整个序列的高维编码，这个编码与长度无关。
3、解码器循环神经网络：在解码阶段，重点将是高维序列“翻译”成一个单词。这时的循环神经网络会进行初始化，然后对每一步的单词进行预测，当预测结果是end-of-sequence token时，停止解码。
作者所使用的神经网络框架如下图所示：
训练整个网络的目标是接近MFCC（梅尔倒谱系数特征），MFCC能够引导神经网络产生良好的序列解码。但是在模型测试阶段，抛弃了MFCC，解码完全依靠解码器神经网络的输出。在模型训练中，随机梯度下降法贯穿训练的整个过程，所有的网络层都应用了dropout。
模型评估用错词率（The Word error rate, WER）量化，WER基本想法就是把正确答案和机器的识别结果排在一起，一个词一个词的对，把多出的词，遗漏的词和错误识别的词统统加在一起，算作错误，然后计算错误的词占实际单词总数的百分比。
经过验证，所有参与者的平均WER为33%，对比当前最先进的语音解码WER的60%，效果较好。
3
实验结果
作者在论文中一共进行了两个实验，一个是采取了类似“控制变量”的方法，看看为何这个模型表现如此优秀，另一个是通过迁移学习改善其他参与者的模型表现。
在“控制变量”实验中，作者重新训练网络，上图的第二个框是采用低密度脑图网格数据（lower-density ECoG grids）并进行下采样的性能。另外，作者只留下了1/4个通道，即只用了64个通道，而不是256个通道，此时的错词率比原先高出四倍。这意味着除了高密度脑电图网格，算法也非常重要。
第三个框是没有附加MFCC时的性能，错误率与低密度脑电图网格类似，但优于之前的语音解码尝试。
第四个框是采用全连接网络的结果，对于卷积网络，全连接的错词率比之前高了8倍。但是在实验中，作者发现，用全连接网络造成的错词率可以在高γ信号传递之前进行下采样解决。
最后，作者对重复实验是否影响错词率进行了量化。研究发现，当至少有15次重复训练时候，错词率可以到25%以下。
如上图所示，当训练次数很少的时候，参与者a和参与者b的解码性能很差，为了解决这个问题，作者尝试了迁移学习。
上图 a 中的第一个框用MOCHA-1数据训练的结果，错词率为53%。考虑网络第一次针对参与者b的更丰富的数据集进行预训练时的性能，这种迁移学习能使错词率降低约17%（上图a中的第一个框到第二个框所示）。
作者还考虑了一种组合形式的迁移学习，其中编码器-解码器网络根据参与者b的所有MOCHA-TIMIT数据进行预训练；然后针对参与者a的所有MOCHA-TIMIT数据进行训练，像往常一样在参与者a的MOCHA-1块上进行测试。这种“双重迁移学习”(图a，第四条框)使错词率比基线降低了36%，与任务迁移学习相比有所改善。
那么，改进是否以相反的方向转移，即从参与者a转移到参与者b，显然是可以的，正如上图b所示。
对于在MOCHA-TIMIT数据上表现最差的参与者d，将其余的MOCHAT句子添加到训练集并不能改善结果（如c图所示）。
4
讨论
很明显，这项研究最大的不足之处就是——数据集太小，仅250个单词，30~50个句子。
若想把这种技术扩展到通用自然语言上，则需要探索，到底需要多少数据才足够，以及如何才能获得足够的数据。
事实上，如果能够将脑电图网格（ECoG）长期插入受试者脑中，可用的训练数据量将比本实验（仅收集了半个小时的数据）大几个数量级。在实际应用中会遇到一些情况，有些人已经失去了说话能力，尽管如此，这种方法仍然可以适用，尽管性能会稍有下降。
这里，AI 科技评论还想强调的一点是：机器翻译的本质，就是从一种信息序列映射到另一种信息序列。特别是现在端到端的技术下，只要能够将你的问题换种表述方式，转换为序列到序列的映射问题，然后能收集到足够多的训练数据，那么都可以借用现有的机器翻译技术来做出巨大的改变。
