蘋果研究暗示未來 AirPods 如何讀取大腦信號

Li Jiandong

28 11 月 2025

蘋果公司的新研究提出了一種方法，允許人工智能模型在沒有任何註釋數據的情況下學習大腦電活動模式的一個方面。方法如下。

成對相對位移

在一項名為“使用成對相對移位預訓練研究腦電圖信號的相對組成Apple 推出了 PARS，即成對相對位移的縮寫。

目前的模型嚴重依賴於人類註釋的大腦活動數據，指示哪些片段對應於清醒、快速眼動睡眠、非快速眼動睡眠1、非快速眼動睡眠2和非快速眼動睡眠3的睡眠階段，以及癲癇發作的起始和結束位置等。

簡而言之，蘋果開發了一種模型，可以根據原始的、未標記的數據來預測大腦活動的不同部分發生的時間長度。

來自研究：

“自監督學習 (SSL) 提供了一種很有前途的方法，可以從未標記的數據中學習腦電圖 (EEG) 表示，從而減少了臨床應用（例如睡眠階段檢測和癲癇檢測）對昂貴註釋的需求。雖然當前的 EEG SSL 方法主要使用屏蔽重建策略，例如捕獲局部時間模式的屏蔽自動編碼器 (MAE)，但姿勢預測的預訓練儘管具有學習神經信號中長期依賴性的潛力，但仍然尚未得到充分探索。我們提出了成對相對關係Shift 或 PARS 預訓練是一種新的藉口任務，可預測隨機選擇的 EEG 窗口對之間的相對時間變化，與專注於重建局部模式的基於重建的方法不同，PARS 鼓勵編碼器通過全面評估不同的 EEG 解碼來捕獲神經信號中固有的相對時間組成和長期依賴性，我們證明使用 PARS 預訓練的 Transformer 在高效的標籤學習和遷移學習設置中始終優於現有的預訓練策略，從而為自定進度的 EEG 表示創建了新的範例。學習。

換句話說，研究人員發現現有方法主要訓練模型來填補信號中的小間隙。因此，他們研究了人工智能是否可以直接從原始的、未標記的數據中學習更廣泛的腦電圖信號結構。

事實證明，確實可以。

在論文中，他們描述了一種自我監督學習方法，用於預測腦電圖信號的小片段隨著時間的推移如何相互關聯，這可以提高從睡眠階段到癲癇檢測等多種腦電圖分析任務的性能。

結果令人鼓舞，因為 PARS 預訓練模型在測試的四種不同腦電圖測試中的三種測試中優於或匹配之前的方法。

但這和AirPods有什麼關係呢？

這些是預訓練的 PARS 模型使用的四個數據集：

可穿戴睡眠系統 (EESM17)
異常腦電圖檢測（TUAB）
癲癇發作檢測 (DSD)
運動想像（PhysioNet-MI）。

在第一個數據集中，EESM17 指的是 2017 年耳廓腦電圖睡眠監測，其中包含“9 名受試者使用 12 通道可穿戴入耳式腦電圖系統和 6 通道頭皮腦電圖系統的夜間記錄”。

這就是耳腦電圖系統的樣子：

儘管耳朵腦電圖使用與標準頭皮系統不同的電極，但它仍然可以獨立拾取許多臨床相關的大腦信號，例如睡眠階段和與癲癇發作相關的某些模式。

由於蘋果公司的一項研究使用了 EESM17 數據集，近年來該公司在其可穿戴設備中加入了多個健康傳感器，因此不難想像一個世界： AirPods 得到的腦電圖傳感器非常類似於 AirPods Pro 3 我最近購買了光電體積描記器 (PPG) 傳感器來測量我的心率。

有趣的部分是：2023 年，蘋果已申請專利 “用於測量用戶生物信號的可穿戴電子設備”。

該專利明確提到耳朵腦電圖設備作為頭皮系統的替代品，但也指出了它們的局限性：

“可以使用放置在用戶頭皮上的電極來監測大腦活動。在某些情況下，可以將電極放置在用戶的外耳內或周圍。使用放置在外耳內或周圍的電極測量大腦活動可能是首選，因為與其他需要將電極放置在用戶頭皮周圍可見區域的設備相比，設備的移動性降低，電極的可見度較低。然而，使用該設備精確測量大腦活動是在耳內腦電圖 (EEG) 中，耳 EEG 設備可能需要可以針對用戶的耳朵進行定制(例如，可能針對外耳、耳道、耳廓等進行定制)，並且可能需要針對不同的用戶進行不同的配置，使得放置在耳部EEG設備上的電極可以保持與用戶的身體持續接觸，因為耳朵的尺寸和形狀因一個用戶而異，並且因為個體用戶的耳朵的尺寸和形狀以及諸如用戶耳道之類的結構的尺寸和形狀可能隨時間而改變，即使定制的耳部EEG設備也可能會隨著時間的推移而改變。有時（或隨著時間的推移）無法產生準確的結果，並且定制的耳部腦電圖設備可能很昂貴。”

蘋果的專利隨後解決了這些限制，方法是在 AirPods 耳塞周圍安裝比必要數量更多的傳感器，並且人工智能模型使用阻抗、噪聲水平、皮膚接觸質量以及有源電極和參考電極之間的距離等指標來選擇信號質量最佳的電極。