Искусственный интеллект набирает силу

Несколько групп из кластера превосходства BrainLinks-BrainTools во Фрайбурге во главе с неврологом Тонио Болом (Tonio Ball) показали, как исследования мозга могут совершить революцию в идеях компьютерных технологий. В задачах фильтрации информации или распознавания образов поисковыми системами, действующих наподобие противника во время настольной игры, искусственный интеллект намного превзошёл интеллект человеческий.

В журнале Human Brain Mapping учёные проиллюстрировали, как самообучающийся алгоритм декодировал сигналы человеческого мозга, получаемые с помощью электроэнцефалограммы (ЭЭГ). В них включались не только физические, но и воображаемые движения рук и ног. Несмотря на то что алгоритму не давали никаких характеристик раньше времени, он сработал так же быстро и точно, как традиционные системы, которые создавались специально для решения определённых задач на основе заранее запрограммированных характеристик активности мозга, поэтому строго специфичных.

Спрос на такие «пересечения» между человеком и машиной огромен: например, в университетской больнице Фрайбурга алгоритм можно использовать для раннего выявления эпилептических припадков. Он также может улучшить коммуникационные возможности пациентов с параличом и другими неврологическими расстройствами моторной сферы.

«Наше программное обеспечение основано на моделях систем, создание которых вдохновлено мозгом – нейросетях. Они оказались наиболее полезными для декодирования различных естественных сигналов, таких как, например, фонетические звуки. Самое замечательное в программе – нам не нужно предопределять какие-либо характеристики. Информация обрабатывается слой за слоем, «расстояния» между которыми регулирует нелинейная функция. Система учится распознавать и различать определённые поведенческие шаблоны различных движений», — объясняет программист Робин Тибор Ширмирейстер (Robin Tibor Schirrmeister).

Так называемые искусственные нейронные сети сейчас представляют собой сердце текущего проекта в BrainLinks-BrainTools. Как правило, точность модели улучшается с нарастанием количества слоёв обработки. Во время этого исследования их количество составляло 31, то есть действительно «глубокое обучение».

До сих пор проблему составляла интерпретация схемы сети после завершения учебного процесса, потому что все алгоритмические процессы происходили в фоновом режиме и оставались невидимыми. Именно поэтому исследователи разработали ещё одно программное обеспечение для создания карт, из которых они могли бы понимать решения декодирования.

Плюс в том, что программисты теперь могут вставлять новые данные в систему в любое время.

«В отличие от старого метода теперь мы можем перейти непосредственно к необработанным сигналам, которые записывают ЭЭГ головного мозга. Наша система очень точна», — говорит руководитель работы Тонио Болл (Tonio Ball).

Но потенциал технологии ещё не исчерпан – вместе со своей командой учёный хочет продолжить развитие проекта и создать такие алгоритмы самообучения, которые смогут надёжно и быстро распознавать различные намерения пользователя на основе сигналов их мозга. Кроме того, такие алгоритмы ещё больше помогут неврологам в диагностическом поиске.

Текст: Анна Хоружая

Deep learning with convolutional neural networks for EEG decoding and visualization by Schirrmeister RT, Springenberg JT, Fiederer LDJ, Glasstetter M, Eggensperger K, Tangermann, M, Hutter F, Burgard W, Ball T in Hum Brain Mapp. August 2017

DOI: 10.1002/hbm.23730. URL: https://arxiv.org/abs/1703.05051.

Источник: neuronovosti.ru

Комментарии: