Τα τεχνητά νευρικά δίκτυα αποκωδικοποιούν την εγκεφαλική δραστηριότητα κατά τη διάρκεια των εκτελεσθεισών και φανταστικών κινήσεων

ΠΛΗ31 ΜΑΘΗΜΑ 3.1 - ΔΙΚΤΥΑ ΕΝΟΣ ΝΕΥΡΩΝΑ - Θεωρία (Ιούλιος 2019).

Anonim

Η τεχνητή νοημοσύνη έχει ξεπεράσει την ανθρώπινη νοημοσύνη σε ορισμένα καθήκοντα. Αρκετές ομάδες από το σύμπλεγμα εξειδίκευσης Freiburg BrainLinks-BrainTools με επικεφαλής τον νευροεπιστήμονα ιδιωτικό λέκτορα Dr. Tonio Ball δείχνουν πώς οι ιδέες από την επιστήμη των υπολογιστών θα μπορούσαν να φέρουν την επανάσταση στην έρευνα του εγκεφάλου. Στο επιστημονικό περιοδικό Human Brain Mapping, επεξηγούν πώς ένας αλγόριθμος αυτοδιδασκαλίας αποκωδικοποιεί ανθρώπινα εγκεφαλικά σήματα που μετρήθηκαν με ηλεκτροεγκεφαλογράφημα (EEG). Περιλάμβανε εκτελούμενες κινήσεις, αλλά και κινήσεις χεριών και ποδιών που ήταν απλώς σκέψεις ή φανταστική περιστροφή αντικειμένων. Παρόλο που ο αλγόριθμος δεν είχε προηγουμένως γνωστά χαρακτηριστικά, λειτουργεί με ταχύτητα και ακρίβεια όπως τα παραδοσιακά συστήματα που δημιουργήθηκαν για την επίλυση συγκεκριμένων εργασιών με βάση τα προκαθορισμένα χαρακτηριστικά του εγκεφαλικού σήματος, τα οποία επομένως δεν είναι κατάλληλα για κάθε κατάσταση. Η ζήτηση για τόσο διαφορετικές διασταυρώσεις μεταξύ ανθρώπου και μηχανής είναι τεράστια: Στο Πανεπιστημιακό Νοσοκομείο Freiburg, για παράδειγμα, θα μπορούσε να χρησιμοποιηθεί για έγκαιρη ανίχνευση επιληπτικών κρίσεων. Θα μπορούσε επίσης να χρησιμοποιηθεί για τη βελτίωση των δυνατοτήτων επικοινωνίας για ασθενείς με σοβαρή παράλυση ή για μια αυτόματη νευρολογική διάγνωση.

"Το λογισμικό μας βασίζεται σε μοντέλα εμπνευσμένα από εγκεφάλους που έχουν αποδειχθεί πολύ χρήσιμα για την αποκωδικοποίηση διαφόρων φυσικών σημάτων, όπως φωνητικών ήχων", λέει ο επιστήμονας υπολογιστών Robin Tibor Schirrmeister. Ο ερευνητής το χρησιμοποιεί για να ξαναγράψει μεθόδους που η ομάδα χρησιμοποίησε για την αποκωδικοποίηση δεδομένων EEG: Τα λεγόμενα τεχνητά νευρωνικά δίκτυα αποτελούν την καρδιά του τρέχοντος έργου στο BrainLinks-BrainTools. "Το μεγάλο πράγμα για το πρόγραμμα είναι ότι δεν πρέπει να προκαθορίσουμε οποιαδήποτε χαρακτηριστικά.Η πληροφορία επεξεργάζεται το στρώμα για το στρώμα, δηλαδή σε πολλαπλά βήματα με τη βοήθεια μιας μη γραμμικής συνάρτησης.Το σύστημα μαθαίνει να αναγνωρίζει και να διαφοροποιεί μεταξύ ορισμένων συμπεριφορικών μοτίβων από διάφορα κινήματα καθώς πηγαίνει μαζί », εξηγεί ο Schirrmeister. Το μοντέλο βασίζεται στις συνδέσεις μεταξύ των νευρικών κυττάρων στο ανθρώπινο σώμα στις οποίες τα ηλεκτρικά σήματα από τις συνάψεις κατευθύνονται από τις κυτταρικές προεξοχές στον πυρήνα του κυττάρου και πάλι πίσω. "Οι θεωρίες κυκλοφορούσαν εδώ και δεκαετίες, αλλά μέχρι την εμφάνιση της σημερινής δύναμης επεξεργασίας υπολογιστών το μοντέλο έγινε εφικτό", σχολιάζει ο Schirrmeister.

Συνήθως, η ακρίβεια του μοντέλου βελτιώνεται με μεγάλο αριθμό στρώσεων επεξεργασίας. Έως και 31 χρησιμοποιήθηκαν κατά τη διάρκεια της μελέτης, γνωστό και ως "Deep Learning". Μέχρι τώρα, ήταν προβληματική η ερμηνεία του κυκλώματος του δικτύου μετά την ολοκλήρωση της διαδικασίας εκμάθησης. Όλες οι αλγοριθμικές διεργασίες πραγματοποιούνται στο παρασκήνιο και είναι αόρατες. Αυτός είναι ο λόγος για τον οποίο οι ερευνητές ανέπτυξαν το λογισμικό για να δημιουργήσουν κάρτες από τις οποίες θα μπορούσαν να κατανοήσουν τις αποφάσεις αποκωδικοποίησης. Οι ερευνητές μπορούν να εισάγουν νέα δεδομένα στο σύστημα ανά πάσα στιγμή. "Σε αντίθεση με την παλιά μέθοδο, μπορούμε τώρα να πάμε κατευθείαν στα ακατέργαστα σήματα που καταγράφει το ΗΕΓ από τον εγκέφαλο. Το σύστημα μας είναι τόσο ακριβές, αν όχι καλύτερο, από το παλιό, " λέει ο ερευνητής Tonio Ball, ερευνητική συνεισφορά. Το δυναμικό της τεχνολογίας δεν έχει ακόμη εξαντληθεί - μαζί με την ομάδα του, ο ερευνητής θα επιθυμούσε να συνεχίσει την ανάπτυξή του: "Το όραμά μας για το μέλλον περιλαμβάνει αλγορίθμους αυτο-μάθησης που αναγνωρίζουν αξιόπιστα και γρήγορα τις διάφορες προθέσεις του χρήστη βάσει των σημάτων του εγκεφάλου τους Επιπλέον, τέτοιοι αλγόριθμοι θα μπορούσαν να βοηθήσουν νευρολογικές διαγνώσεις. "

Δημοφιλείς Αναρτήσεις

Συνιστάται