量子科技中心_量科网

脑机接口（BCI）系统实现了大脑与外部设备之间的直接通信，为辅助技术和先进的人机交互提供了巨大潜力。尽管取得了进展，BCI系统仍面临持续挑战，包括信号变异性、分类效率低下以及难以实时适应个体用户。在本研究中，研究团队提出了一种新颖的混合量子学习模型，称为QSVM-QNN，该模型将量子支持向量机（QSVM）与量子神经网络（QNN）相结合，以提高基于脑电图（EEG）的BCI任务中的分类准确性和鲁棒性。与现有模型不同，QSVM-QNN结合了QSVM的决策边界能力和QNN的表达学习能力，从而实现了卓越的泛化性能。该模型在两个基准EEG数据集上进行了评估，分别达到了0.990和0.950的高准确率，优于经典模型和独立的量子模型。为了展示其在实际应用中的可行性，研究团队进一步验证了QNN、QSVM和QSVM-QNN在六种现实量子噪声模型（包括比特翻转和相位阻尼）下的鲁棒性。这些实验表明，QSVM-QNN在噪声条件下仍能保持稳定的性能，证明了其在实际噪声量子环境中的适用性。除了BCI，该混合量子架构还可推广到其他生物医学和时间序列分类任务中，为下一代神经技术系统提供了一种可扩展且抗噪声的解决方案。