发布时间: 2024-04-08 12:13
人工智能通过大脑活动预测行为
人工智能深度学习加速脑机接口（BCI）神经技术的准确性。
要点
在人工智能（AI）机器学习的预测能力的帮助下，神经科学、行为科学和医学研究正在加速。发表在《PLoS计算生物学》上的一项新的同行评审研究展示了一种人工智能深度学习模型，该模型可以以近乎实时的速度预测行为，准确率为95%。
神户大学医学院的通讯作者Toru Takumi以及研究人员Takehiro Ajioka、Nobuhiro Nakai和Okito Yamashita报道称：“深度学习是一种强大的工具，可以从大脑的神经信号中准确解码运动、语音和视觉，也可以用于神经工程，如利用神经信号与其有意行为表达之间的对应关系的脑机接口（BCI）技术。”。
脑机接口使那些运动或言语受损以及其他残疾的人能够操作和控制计算机、机械臂等外部设备以及通信。对于那些患有神经系统疾病、闭锁综合征、运动障碍和瘫痪的人来说，脑机接口为改善日常生活质量提供了希望。
深度学习是机器学习的一个子集。在机器学习中，算法从大量的训练数据中“学习”，而不是依赖于指令的明确硬编码。深度神经网络由输入层、输出层以及其间的多层人工神经网络组成。深度学习算法是正在进行的人工智能复兴的原因。
神户大学医学院研究人员的人工智能模型设计包括用于图像数据分析的卷积神经网络（CNN）和用于处理时序时变数据的递归神经网络（RNN）。研究人员称这种方法为“端到端”的深度学习。
卷积神经网络是一种深度学习神经网络，通常用于计算机视觉任务和自然语言处理的图像分类。卷积神经网络是一种前馈网络，不需要任何预处理，并且擅长识别原始图像数据中的模式。与人类视觉皮层一样，卷积神经网络使用一系列处理层来逐步发现更复杂的特征。使用更多的卷积层，可以识别更复杂的特征。
递归神经网络是一种双向深度学习算法，它使用时间序列或序列数据来执行图像字幕、语音识别、翻译和自然语言处理等任务。在递归神经网络中，输出取决于序列中先前的输入。与传统的反向传播不同，递归神经网络使用时间反向传播（BPTT）来对每一步的误差求和。
除了实时速度和高精度外，神户大学医学院的人工智能深度学习模型的区别在于，它不需要选择感兴趣区域这一耗时的数据预处理任务。神经科学家评估了他们的人工智能模型的行为分类，特别是在没有预先定义感兴趣的大脑区域的情况下，使用全皮层大脑图像来确定实验室小鼠是否在跑步机上休息或移动。研究人员在五只老鼠身上运行了人工智能模型，发现它能够概括和筛选出个体属性。
神户大学医学院研究团队报告称：“我们的发现证明了从皮层范围的图像中通过全身运动对自愿行为进行神经解码的可能性，以及识别解码器基本特征的优势。”。
为了了解人工智能模型确定哪些领域是感兴趣的领域，研究人员使用了一个有条不紊的消除过程。该团队有条不紊地消除了部分成像数据，并评估了人工智能深度学习模型的性能。通过这种方式，神经科学家能够分离并确定哪些图像数据对人工智能模型的预测准确性贡献最大。这有助于通过显示哪些数据对人工智能模型的性能影响最大来阐明人工智能深度学习的“黑匣子”。
研究人员写道：“为了使深度学习解码具有可解释性，我们试图量化有助于CNN-RNN解码器中行为分类的图像的关键区域。”。
神户大学医学院的神经科学家成功地提供了将两种人工智能深度学习算法相结合的概念证明，以快速准确地解码神经活动，这可能有助于推进人脑-计算机接口技术。
Cami Rosso writes about science, technology, innovation, and leadership.
psychology today