New
product-image

需要翻译将大脑信号转化为有用的信息一旦从大脑提取数据,他们如何才能获得最佳效果?印刷版图标2018年1月4日

Special Price 作者:京研觎

对于那些认为脑电脑接口永远无法接近的人来说,有一个简单的答案:他们已经拥有了全世界超过30万人拥有适合他们耳朵的人工耳蜗

严格来说,这种听力设备不会直接与神经组织相互作用,但效果并不相似处理器捕获声音,将其转换为电信号并发送到内耳的电极,刺激耳蜗神经,以便在脑中听到声音Michael Merzenich,一位帮助开发它们的神经科学家解释说这种植入物只能提供粗略的言语表达,“就像用拳头弹奏肖邦一样”

但是,在一段时间后,大脑会发出信号,这为BCI等式的另一部分提供了线索:一旦你获得了什么进入大脑正如人工耳蜗植入所显示的,一种选择是让世界上最强大的学习机器做它的东西在一个着名的20世纪中期的实验中,两个奥地利人研究人员表明,大脑可以快速适应一副眼镜,将他们投影到视网膜上的图像颠倒过来最近,科罗拉多州立大学的研究人员提出了一种将声音转换为电脉冲的设备

当对着舌头按压时,它会产生不同类型的刺激,大脑学习与特定的声音相关联

然后,大脑非常善于处理事情

然后,计算机也是如此

例如,助听器的一个问题是,它会放大每个声音正在进入;当你想把注意力集中在嘈杂的环境中的一个人,比如派对时,这对哥伦比亚大学的尼玛梅斯加拉尼(Nima Mesgarani)正在努力分离出你想听的特定人物

这个想法是,一种算法将区分同时讲话的不同声音,创建每个人讲话的声谱图或声音频率的可视化表示然后,当助听器的佩戴者集中在特定的对话者身上时,它会查看大脑中的神经活动

也可以重构成谱图,匹配的将被放大(见图)

算法比脑可塑性做得更好,使瘫痪的人能够使用思想将光标发送到目标

例如在今年早些时候发表的研究中,例如,Shenoy博士和他在斯坦福大学的合作者记录了脑控制打字方面的重大改进,这不是来自新信号或者更加有趣的界面t来自更好的数学一个贡献来自Shenoy博士使用他的算法测试阶段产生的数据在训练阶段,用户被反复告知将光标移动到特定目标;机器学习程序识别与该运动相关的神经活动中的模式在测试阶段,用户被显示为字母网格并被告知将光标移动到任何他想要的位置;测试算法预测用户意愿的能力用户打击特定目标的意图也显示在数据中;通过重新调整算法以包含这些信息,可以使光标更快地移动到目标位置

尽管算法变得越来越好,但仍然有很大的改进空间,这不仅仅是因为数据在实际中仍然很薄弱尽管声称智能算法可以弥补不好的信号,他们只能做很多事情“机器学习几乎不可思议的事情,但它不能做到神奇,”Shenoy博士说,考虑使用功能性近红外光谱来识别简单的是/否答案锁定病人给予真实或虚假的陈述;他们在70%的时间内是正确的,这是一次巨大的进步,根本无法沟通,但远未达到对他们对报废讨论的反应的信心,说要建立更好和更清洁的数据算法这对大脑工作方式的知识仍然不完善即使有更好的界面,器官的非凡复杂性也不会很快解开

例如,光标的移动有两个自由度;一个人的手有27个视觉皮层的研究人员经常使用静态图像,而现实生活中的人必须应对连续移动的图像

人类在握住物体时感受到的感官反馈工作几乎没有开始 虽然计算神经科学家可以搭载机器学习领域(从面部识别到自动驾驶汽车)的更广泛进展,但神经数据的噪音会带来特殊的挑战运动皮层中的神经元可能每秒以100动作电位的速度发射有人认为有一次他的右臂移动,但在另一个115的速度更糟糕的是,神经元的工作重叠因此,如果一个神经元的平均发射率为100右侧和70左侧, 85意味着什么

至少运动皮层的活动以运动的形式具有可见的输出,显示与可以进行预测的神经数据的相关性但是其他认知过程缺乏明显的输出考虑Facebook感兴趣的区域:沉默或想象,言语不能确定大脑对想象言语的表征与实际(说话或听到)言语的相似程度足以作为参考点进步受到另一因素的阻碍:“我们拥有一个世纪的数据,由脑神经活动产生,“BrainGate的Hochberg博士说道,”我们对动物言语知之甚少“更高层次的功能,如决策,带来更大的挑战BCI算法需要一个明确定义神经活动与参数问题“问题始于定义参数本身,”匹兹堡大学的Schwartz博士说,“究竟是什么是认知

你如何为它写一个等式

“这样的困难表明了两件事:一个是全脑活动的一套算法还有很长的路要走另一个是脑机接口中信号处理的最佳路线是可能是机器学习和大脑可塑性的组合诀窍将是开发一个系统,其中两个合作,不仅是为了效率,而且是出于道德原因