人工神经网络在执行和想象的运动期间解码大脑活动

过滤搜索引擎的信息，在棋盘游戏中充当对手或识别图像：人工智能在某些任务中远远超过人类智能。由神经科学家私人讲师Tonio Ball博士领导的Freiburg卓越集群BrainLinks-BrainTools的几个小组正在展示计算机科学的思想如何能够彻底改变大脑研究。在科学期刊" 人脑映射"中，他们阐述了自学习算法如何解码通过脑电图(EEG)测量的人脑信号。

它包括已执行的动作，还包括仅仅考虑过的手和脚的动作，或物体的假想旋转。即使算法没有提前给出任何特征，它也可以像传统系统一样快速和精确地工作，这些传统系统是根据预定的大脑信号特征来解决某些任务的，因此不适合所有情况。

人与机器之间这种多样化交叉点的需求是巨大的：例如，在弗莱堡大学医院，它可用于早期发现癫痫发作。它还可用于改善严重瘫痪患者的通信可能性或自动神经系统诊断。

"我们的软件基于大脑启发的模型，已被证明最有助于解码各种自然信号，如语音，"计算机科学家Robin Tibor Schirrmeister说。研究人员正在使用它来重写团队用于解码EEG数据的方法：所谓的人工神经网络是BrainLinks-BrainTools当前项目的核心。"关于该计划的好处是我们不需要预先确定任何特征。信息是逐层处理的，在非线性函数的帮助下分步处理。系统学会识别和区分某些行为模式来自各种运动，"Schirrmeister解释道。该模型基于人体中神经细胞之间的联系，其中来自突触的电信号从细胞突起指向细胞核心并再次返回。Schirrmeister评论说："理论已经流传了几十年，但直到今天的计算机处理能力的出现才使该模型变得可行。"

通常，模型的精度随着大量处理层而提高。在研究期间使用了多达31个，也称为"深度学习"。到目前为止，在学习过程完成后解释网络电路一直存在问题。所有算法过程都在后台进行，并且是不可见的。这就是为什么研究人员开发软件来创建卡片，他们可以从中理解解码决策。研究人员可以随时将新数据集插入系统。"与旧的方法不同，我们能够直接转向脑电图记录的原始信号。