人工神經網絡在執行和想象的運動期間解碼大腦活動

過濾搜索引擎的信息，在棋盤游戲中充當對手或識別圖像：人工智能在某些任務中遠遠超過人類智能。由神經科學家私人講師Tonio Ball博士領導的Freiburg卓越集群BrainLinks-BrainTools的幾個小組正在展示計算機科學的思想如何能夠徹底改變大腦研究。在科學期刊“ 人腦映射”中，他們闡述了自學習算法如何解碼通過腦電圖(EEG)測量的人腦信號。

它包括已執行的動作，還包括僅僅考慮過的手和腳的動作，或物體的假想旋轉。即使算法沒有提前給出任何特征，它也可以像傳統系統一樣快速和精確地工作，這些傳統系統是根據預定的大腦信號特征來解決某些任務的，因此不適合所有情況。

人與機器之間這種多樣化交叉點的需求是巨大的：例如，在弗萊堡大學醫院，它可用于早期發現癲癇發作。它還可用于改善嚴重癱瘓患者的通信可能性或自動神經系統診斷。

“我們的軟件基于大腦啟發的模型，已被證明最有助于解碼各種自然信號，如語音，”計算機科學家Robin Tibor Schirrmeister說。研究人員正在使用它來重寫團隊用于解碼EEG數據的方法：所謂的人工神經網絡是BrainLinks-BrainTools當前項目的核心。“關于該計劃的好處是我們不需要預先確定任何特征。信息是逐層處理的，在非線性函數的幫助下分步處理。系統學會識別和區分某些行為模式來自各種運動，“Schirrmeister解釋道。該模型基于人體中神經細胞之間的聯系，其中來自突觸的電信號從細胞突起指向細胞核心并再次返回。Schirrmeister評論說：“理論已經流傳了幾十年，但直到今天的計算機處理能力的出現才使該模型變得可行。”

通常，模型的精度隨著大量處理層而提高。在研究期間使用了多達31個，也稱為“深度學習”。到目前為止，在學習過程完成后解釋網絡電路一直存在問題。所有算法過程都在后臺進行，并且是不可見的。這就是為什么研究人員開發軟件來創建卡片，他們可以從中理解解碼決策。研究人員可以隨時將新數據集插入系統。“與舊的方法不同，我們現在能夠直接轉向腦電圖記錄的原始信號。