【本文由爱吧机器人网原创编译，转载请注明来源】
研究人员正在使用接触凝胶以达到更好的脑信号传输质量
为搜索引擎过滤信息，棋盘游戏对弈，识别图像...人工智能在某些任务中远远超过了人类智能。来自弗莱堡由神经科学家私人讲师Tonio Ball博士领导的几个杰出的BrainLinks-BrainTools研究团队，展示了来自计算机科学的思想可以彻底改变大脑研究。在科学杂志“人脑映射”中，他们说明了自学习算法如何解码由脑电图（EEG）测量的人脑信号。
自学习算法处理的人脑信号包括人动作的执行，但也包括只是手脚运动的想法或想象，或对物体旋转操作的假想。自学习算法的优势是在没有事先获取到任何特征的情况下，也能够和传统的系统一样快速准确地完成任务。传统的系统是根据预设的脑信号特征来解决某些任务，是不具备通用性的。
这种对人与机器之间的各种交叉的需求是巨大的：例如，在弗莱堡大学医院，它可以用于癫痫发作的早期诊断，也可用于改善严重瘫痪患者的沟通可能性或自主神经系统诊断。
计算机科学家罗宾·蒂博尔·施里迈斯特（Robin Tibor Schirrmeister）说：“我们的软件是基于brain-inspired的模型，该模型被证明是解码各种自然信号（如语音)最有效的模型。”研究人员正在使用它来重写团队用于解码脑电数据的方法，人工神经网络是BrainLinks-BrainTools当前项目的核心。 “这个程序的伟大之处在于我们不需要预先确定任何特征，信息是一层层次的处理，在非线性函数的帮助下是多个步骤，系统学习识别和区分某些行为模式来自各种各样的运动，”Schirrmeister解释说。该模型基于人体神经细胞之间的连接，其中来自突触的电信号从细胞突起引导到细胞的核心并再次返回。 Schirrmeister评论说：“理论已经流行了好几十年，但直到今天的计算机处理能力的出现才能使模型变得可行。”
通常，模型的精度随着大量的处理层而改善。研究期间最多使用31个层，也称为“深度学习”。到目前为止，在学习过程完成后，解释网络的电路是一个问题。所有算法进程都在后台进行，不可见。这就是为什么研究人员开发了软件来创建可以理解解码决策的卡。研究人员可以随时将新的数据集插入系统。首席研究员Tonio Ball说，“与现有方法不同，我们现在可以直接从大脑记录的原始信号中获取脑电记录，我们的系统如果不是更好，那最起码和传统系统同样的精确”。该技术的潜力还没有完全发挥——与他同一个团队的研究人员也希望进一步发展：“我们对未来的愿景包括自学习算法，可以可靠和快速地识别用户基于他们的大脑的各种意图信号，此外，这样的算法也可以帮助神经系统进行诊断。
资料来源：
弗莱堡大学提供的材料。
