發布時間: 2024-04-08 12:15
人工智能通過大腦活動預測行爲
人工智能深度學習加速腦機接口（BCI）神經技術的准確性。
要點
在人工智能（AI）機器學習的預測能力的幫助下，神經科學、行爲科學和醫學研究正在加速。發表在《PLoS計算生物學》上的壹項新的同行評審研究展示了壹種人工智能深度學習模型，該模型可以以近乎實時的速度預測行爲，准確率爲95%。
神戶大學醫學院的通訊作者Toru Takumi以及研究人員Takehiro Ajioka、Nobuhiro Nakai和Okito Yamashita報道稱：“深度學習是壹種強大的工具，可以從大腦的神經信號中准確解碼運動、語音和視覺，也可以用于神經工程，如利用神經信號與其有意行爲表達之間的對應關系的腦機接口（BCI）技術。”。
腦機接口使那些運動或言語受損以及其他殘疾的人能夠操作和控制計算機、機械臂等外部設備以及通信。對于那些患有神經系統疾病、閉鎖綜合征、運動障礙和癱瘓的人來說，腦機接口爲改善日常生活質量提供了希望。
深度學習是機器學習的壹個子集。在機器學習中，算法從大量的訓練數據中“學習”，而不是依賴于指令的明確硬編碼。深度神經網絡由輸入層、輸出層以及其間的多層人工神經網絡組成。深度學習算法是正在進行的人工智能複興的原因。
神戶大學醫學院研究人員的人工智能模型設計包括用于圖像數據分析的卷積神經網絡（CNN）和用于處理時序時變數據的遞歸神經網絡（RNN）。研究人員稱這種方法爲“端到端”的深度學習。
卷積神經網絡是壹種深度學習神經網絡，通常用于計算機視覺任務和自然語言處理的圖像分類。卷積神經網絡是壹種前饋網絡，不需要任何預處理，並且擅長識別原始圖像數據中的模式。與人類視覺皮層壹樣，卷積神經網絡使用壹系列處理層來逐步發現更複雜的特征。使用更多的卷積層，可以識別更複雜的特征。
遞歸神經網絡是壹種雙向深度學習算法，它使用時間序列或序列數據來執行圖像字幕、語音識別、翻譯和自然語言處理等任務。在遞歸神經網絡中，輸出取決于序列中先前的輸入。與傳統的反向傳播不同，遞歸神經網絡使用時間反向傳播（BPTT）來對每壹步的誤差求和。
除了實時速度和高精度外，神戶大學醫學院的人工智能深度學習模型的區別在于，它不需要選擇感興趣區域這壹耗時的數據預處理任務。神經科學家評估了他們的人工智能模型的行爲分類，特別是在沒有預先定義感興趣的大腦區域的情況下，使用全皮層大腦圖像來確定實驗室小鼠是否在跑步機上休息或移動。研究人員在五只老鼠身上運行了人工智能模型，發現它能夠概括和篩選出個體屬性。
神戶大學醫學院研究團隊報告稱：“我們的發現證明了從皮層範圍的圖像中通過全身運動對自願行爲進行神經解碼的可能性，以及識別解碼器基本特征的優勢。”。
爲了了解人工智能模型確定哪些領域是感興趣的領域，研究人員使用了壹個有條不紊的消除過程。該團隊有條不紊地消除了部分成像數據，並評估了人工智能深度學習模型的性能。通過這種方式，神經科學家能夠分離並確定哪些圖像數據對人工智能模型的預測准確性貢獻最大。這有助于通過顯示哪些數據對人工智能模型的性能影響最大來闡明人工智能深度學習的“黑匣子”。
研究人員寫道：“爲了使深度學習解碼具有可解釋性，我們試圖量化有助于CNN-RNN解碼器中行爲分類的圖像的關鍵區域。”。
神戶大學醫學院的神經科學家成功地提供了將兩種人工智能深度學習算法相結合的概念證明，以快速准確地解碼神經活動，這可能有助于推進人腦-計算機接口技術。
Cami Rosso writes about science, technology, innovation, and leadership.
psychology today