В выполнении некоторых задач искусственный интеллект уже превзошёл человеческие способности. Например, в построении стратегий в играх, в распознавании образов. И этот опыт можно уже использовать для исследований человеческого мозга. Несколько групп с кафедры Freiburg BrainLinks-BrainTools Фрайбурского Университета (University of Freiburg) в Германии под руководством частного преподавателя по неврологии доктора Тонио Белла (Dr. Tonio Ball) продемонстрировали в своём исследовании, что компьютерные науки могут помочь в корне изменить подходы к исследованию мозга. В научном журнале Human Brain Mapping они проиллюстрировали, как самообучающийся алгоритм декодирует сигналы человеческого мозга, измеряемые с помощью электроэнцефалограммы (ЭЭГ).

Этот алгоритм умеет определять не только выполняемые движения рук и ног, но и те движения, которые люди представляют в своей голове. Также он выявляет ситуации, где человек в своём воображении вращает какую-то фигуру. Несмотря на то, что алгоритму не давали никаких конкретных инструкций перед тестами, он работает так же быстро и точно, как традиционные системы, которые были созданы для решения определенных задач на основе заранее определенных характеристик сигналов мозга, которые поэтому не подходят для всего списка ситуаций.

Спрос на такие разработки, где задействуются технологии на стыке естественного и алгоритмического, огромен. Например, в университетском госпитале Фрайбург его можно было бы использовать для раннего выявления эпилептических припадков. Его также можно использовать для улучшения коммуникационных возможностей для пациентов с сильным параличом или для автоматической постановки неврологического диагноза.

«Наше ПО на прототипах, построенных по модели человеческого мозга, оказалось наиболее полезными для декодирования различных естественных сигналов, например, звуков речи», — говорит ученый в области компьютерных технологий Робин Тибор Ширмирейстер (Robin Tibor Schirrmeister). Исследователь использует алгоритм для перезаписи методов, которые команда использовала для декодирования данных ЭЭГ: так называемые искусственные нейронные сети (artificial neural networks) являются сердцем текущего проекта в BrainLinks-BrainTools. «Самое замечательное в программе — нам не нужно задавать какие-либо характеристики. Информация проявляется слой за слоем, за несколько шагов с помощью нелинейной функции. Система учится распознавать и различать определенные поведенческие шаблоны», — объясняет Ширрмейстер. Модель основана на связях между нервными клетками в организме человека, в которых электрические сигналы от синапсов направлены от клеточных протуберанцев (cellular protuberances) к ядру клетки (cell's core) и обратно. «С теориями так или иначе работали в течение десятилетий, но только после появления сегодняшней вычислительной мощности эта модель стала практически осуществимой», - комментирует Ширмейстер.

Как правило, точность модели улучшается с увеличением количества слоев обработки. Во время исследования использовалось до 31 слоя. Использовалось именно глубокое обучение (Deep Learning). До сих пор было проблематично интерпретировать схему сети после завершения учебного процесса. Потому что все алгоритмические процессы происходят в фоновом режиме и невидимы. Именно поэтому исследователи разработали программное обеспечение для создания карт, из которых они могли бы понимать решения декодирования. Исследователи 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 из головного мозга. Наша система столь же точна, а то и точнее, чем старая», — говорит главный следователь Тонио Белл, подводя итог исследования.

Потенциал технологии еще не исчерпан: вместе со своей командой исследователь хочет продолжить дальнейшее развитие: «Наше видение будущего включает в себя самообучающиеся алгоритмы, которые могут надежно и быстро распознавать различные намерения пользователя на основе их мозговой активности. Кроме того, такие алгоритмы могут помочь при неврологических диагнозах».

Источник: ScienceDaily