Các bài báo về sự phát triển trong Nghiên cứu Não bộ Phần 2

May 09 2022
1. Giao tiếp không dây trực tiếp tâm trí con người thông qua nền tảng siêu bề mặt không xâm lấn não-máy tính (arXiv) Tác giả: Qian Ma, Wei Gao, Qiang Xiao, Lingsong Ding, Tianyi Gao, Yajun Zhou, Xinxin Gao, Tao Yan, Che Liu, Ze Gu, Xianghong Kong, Qammer H.
Ảnh của Josh Riemer trên Unsplash

1. Giao tiếp không dây trực tiếp về tâm trí con người thông qua nền tảng siêu bề mặt không xâm lấn não-máy tính-( arXiv )

Tác giả: Qian Ma , Wei Gao , Qiang Xiao , Lingsong Ding , Tianyi Gao , Yajun Zhou , Xinxin Gao , Tao Yan , Che Liu , Ze Gu , Xianghong Kong , Qammer H. Abbasi , Lianlin Li , Cheng-Wei Qiu , Yuanqing Li , Tie Jun Cui

Trừu tượng :Giao diện não-máy tính (BCIs), xâm lấn hoặc không xâm lấn, mang lại tầm nhìn tuyệt vời và hứa hẹn hỗ trợ những bệnh nhân có nhu cầu tương tác tốt hơn với môi trường xung quanh. Lấy cảm hứng từ các công nghệ phục hồi chức năng dựa trên BCI đối với các trường hợp suy giảm hệ thống thần kinh và cắt cụt chi, chúng tôi đề xuất mô hình siêu bề mặt điện từ - máy tính (EBCM), được điều chỉnh bởi nhận thức của con người bằng các tín hiệu não trực tiếp và không xâm lấn. Thực nghiệm chúng tôi cho thấy rằng nền tảng EBCM của chúng tôi có thể dịch tâm trí con người từ các tiềm năng được gợi lên của điện não đồ dựa trên P300 sang thông tin mã hóa kỹ thuật số trong miền điện từ một cách không xâm phạm, có thể được xử lý và vận chuyển thêm bằng siêu bề mặt thông tin trong các kiểu máy tự động và không dây. Giao tiếp không dây trực tiếp của tâm trí con người được thực hiện giữa hai nhà khai thác EBCM với khả năng truyền văn bản chính xác. Hơn nữa, một số kế hoạch kiểm soát tâm trí bằng chứng khái niệm khác được trình bày bằng cách sử dụng cùng một nền tảng EBCM, thể hiện các khả năng xử lý và tổng hợp thông tin được tùy chỉnh linh hoạt như quét chùm tia thị giác, điều chế sóng và mã hóa mẫu

2.Disentangling Mạng Não bộ Chức năng Không gian-Thời gian thông qua Twin-Transformers ( arXiv )

Tác giả: Xiaowei Yu , Lu Zhang , Lin Zhao , Yanjun Lyu , Tianming Liu , Dajiang Zhu

Trừu tượng :Cách xác định và mô tả đặc điểm của các mạng não chức năng (BN) là điều cơ bản để có được những hiểu biết sâu sắc ở cấp hệ thống về các cơ chế của kiến ​​trúc tổ chức não. Phân tích cộng hưởng từ chức năng (fMRI) hiện tại dựa nhiều vào kiến ​​thức trước đây về các mẫu cụ thể trong miền không gian (ví dụ: mạng trạng thái nghỉ) hoặc miền thời gian (ví dụ: kích thích tác vụ). Ngoài ra, hầu hết các cách tiếp cận đều nhằm mục đích tìm ra các mạng chức năng chung theo nhóm khôn ngoan, các mạng chức năng dành riêng cho từng cá nhân hiếm khi được nghiên cứu. Trong công trình này, chúng tôi đề xuất một khung Twin-Transformers mới để suy ra đồng thời các mạng chức năng chung và riêng lẻ trong cả không gian thời gian và không gian, theo cách tự giám sát. Máy biến áp đầu tiên lấy thông tin được phân chia theo không gian làm đầu vào và tạo ra các tính năng không gian, trong khi máy biến áp thứ hai lấy thông tin liên quan đến thời gian làm đầu vào và đầu ra các tính năng thời gian. Các đặc điểm không gian và thời gian được tách biệt thành các đặc điểm chung và riêng thông qua các tương tác (chia sẻ trọng số) và các ràng buộc giữa hai máy biến áp. Chúng tôi đã áp dụng TwinTransformers của mình cho tập dữ liệu fMRI của dự án động cơ Human Connectome (HCP) và xác định nhiều mạng não phổ biến, bao gồm cả mạng liên quan đến nhiệm vụ và mạng trạng thái nghỉ (ví dụ: mạng chế độ mặc định). Điều thú vị là chúng tôi cũng đã khôi phục thành công một tập hợp các mạng cụ thể riêng lẻ không liên quan đến kích thích nhiệm vụ và chỉ tồn tại ở cấp độ cá nhân. Chúng tôi đã áp dụng TwinTransformers của mình cho tập dữ liệu fMRI của dự án động cơ Human Connectome (HCP) và xác định nhiều mạng não phổ biến, bao gồm cả mạng liên quan đến nhiệm vụ và mạng trạng thái nghỉ (ví dụ: mạng chế độ mặc định). Điều thú vị là chúng tôi cũng đã khôi phục thành công một tập hợp các mạng cụ thể riêng lẻ không liên quan đến kích thích nhiệm vụ và chỉ tồn tại ở cấp độ cá nhân. Chúng tôi đã áp dụng TwinTransformers của mình cho tập dữ liệu fMRI của dự án động cơ Human Connectome (HCP) và xác định nhiều mạng não phổ biến, bao gồm cả mạng liên quan đến nhiệm vụ và mạng trạng thái nghỉ (ví dụ: mạng chế độ mặc định). Điều thú vị là chúng tôi cũng đã khôi phục thành công một tập hợp các mạng cụ thể riêng lẻ không liên quan đến kích thích nhiệm vụ và chỉ tồn tại ở cấp độ cá nhân.

3. Nhận dạng vật chất với tính toán thần kinh hình học sử dụng động lực từ trường cảm ứng của các skyrmions ( arXiv )

Tác giả: Tomoyuki Yokouchi , Satoshi Sugimoto , Bivas Rana , Shinichiro Seki , Naoki Ogawa , Yuki Shiomi , Shinya Kasai , Yoshichika Otani

Tóm tắt: Các hiện tượng phi tuyến trong hệ thống vật lý có thể được sử dụng cho não-Máy tính nhạy bén với mức tiêu thụ năng lượng thấp. Phản hồi từ động lực học của cấu trúc spin tôpô được gọi là skyrmion là một trong những ứng cử viên cho một tính toán thần kinh hình học như vậy. Tuy nhiên, khả năng của nó vẫn chưa được khám phá bằng thực nghiệm. Ở đây, chúng tôi chứng minh bằng thực nghiệm tính toán thần kinh đa hình sử dụng phản ứng phi tuyến bắt nguồn từ động lực học cảm ứng từ trường của các skyrmion. Chúng tôi đã thiết kế một thiết bị thần kinh dựa trên skyrmion có cấu trúc đơn giản và đã thành công trong việc nhận dạng chữ số viết tay với độ chính xác lên tới 94,7% và nhận dạng dạng sóng. Đáng chú ý, tồn tại một mối tương quan thuận giữa độ chính xác nhận dạng và số lượng skyrmions trong các thiết bị. Mức độ tự do lớn của các hệ thống skyrmion, chẳng hạn như vị trí và kích thước, tạo ra ánh xạ phi tuyến phức tạp hơn và kích thước đầu ra lớn hơn, và do đó có độ chính xác cao. Kết quả của chúng tôi cung cấp một hướng dẫn để phát triển các thiết bị tính toán thần kinh skyrmion tiết kiệm năng lượng và hiệu suất cao.

4.Một khung giao diện máy tính-não độc lập với chủ đề dựa trên bộ mã tự động được giám sát ( arXiv )

Tác giả: Navid Ayoobi , Elnaz Banan Sadeghian

Trừu tượng :Cần có quy trình hiệu chuẩn trong giao diện máy tính-não dựa trên hình ảnh động cơ (MI-BCI) để điều chỉnh hệ thống cho người dùng mới. Thủ tục này tốn nhiều thời gian và ngăn cản những người dùng ngây thơ sử dụng hệ thống ngay lập tức. Việc phát triển một hệ thống MI-BCI không phụ thuộc vào đối tượng để giảm giai đoạn hiệu chuẩn vẫn còn là một thách thức do các đặc tính phụ thuộc vào đối tượng của các tín hiệu MI. Nhiều thuật toán dựa trên học máy và học sâu đã được phát triển để trích xuất các tính năng cấp cao từ các tín hiệu MI nhằm cải thiện khả năng tổng quát hóa theo chủ đề của hệ thống BCI. Tuy nhiên, các phương pháp này dựa trên việc học có giám sát và trích xuất các tính năng hữu ích để phân biệt các tín hiệu MI khác nhau. Do đó, những cách tiếp cận này không thể tìm thấy các mẫu cơ bản phổ biến trong các tín hiệu MI và mức độ tổng quát của chúng bị hạn chế. Bài báo này đề xuất MI-BCI độc lập với đối tượng dựa trên bộ mã tự động được giám sát (SAE) để phá vỡ giai đoạn hiệu chuẩn. Khung đề xuất được xác nhận trên tập dữ liệu 2a từ cuộc thi BCI IV. Kết quả mô phỏng cho thấy mô hình SISAE của chúng tôi tốt hơn các thuật toán BCI thông thường và được sử dụng rộng rãi, các mẫu không gian phổ biến và ngân hàng bộ lọc, xét về giá trị Kappa trung bình, ở tám trong số chín đối tượng

5.Visio-Linguistic Brain Encoding ( arXiv )

Tác giả: Subba Reddy Oota , Jashn Arora , Vijay Rowtula , Manish Gupta , Raju S. Bapi

Trừu tượng :Việc kích hoạt giao diện máy tính-não hiệu quả đòi hỏi phải hiểu cách bộ não con người mã hóa các kích thích qua các phương thức như hình ảnh, ngôn ngữ (hoặc văn bản), v.v. Mã hóa não nhằm mục đích xây dựng hoạt động não fMRI cho một kích thích. Tồn tại rất nhiều mô hình mã hóa thần kinh nghiên cứu mã hóa não bộ cho các kích thích chế độ đơn: hình ảnh (CNNs được đào tạo trước) hoặc văn bản (các mô hình ngôn ngữ được đào tạo trước). Một số bài báo gần đây cũng đã thu được các mô hình biểu diễn văn bản và hình ảnh riêng biệt và thực hiện quá trình tổng hợp muộn bằng cách sử dụng phương pháp heuristics đơn giản. Tuy nhiên, nghiên cứu trước đó đã không khám phá được: (a) tính hiệu quả của các mô hình Máy biến áp hình ảnh để mã hóa các kích thích thị giác và (b) mô hình đa phương thức đồng thời chú ý để lập luận bằng hình ảnh và văn bản. Trong bài báo này, chúng tôi khám phá một cách có hệ thống hiệu quả của Máy biến áp hình ảnh (ViT, DEiT, và BEiT) và Máy biến áp đa phương thức (VisualBERT, LXMERT và CLIP) để mã hóa não. Các thử nghiệm mở rộng trên hai tập dữ liệu phổ biến, BOLD5000 và Pereira, cung cấp những thông tin chi tiết sau. (1) Theo hiểu biết tốt nhất của mình, chúng tôi là người đầu tiên điều tra tính hiệu quả của Máy biến áp hình ảnh và đa phương thức để mã hóa não. (2) Chúng tôi nhận thấy rằng VisualBERT, một Transformer đa phương thức, hoạt động tốt hơn đáng kể so với các CNN đơn mode được đề xuất trước đó, các image Transformer cũng như các mô hình đa phương thức được đề xuất trước đó, do đó thiết lập trạng thái mới nhất. Tính ưu việt của các mô hình ngôn ngữ trực quan đặt ra câu hỏi liệu các phản hồi gợi ra trong các vùng thị giác có bị ảnh hưởng ngầm bởi quá trình xử lý ngôn ngữ ngay cả khi xem hình ảnh một cách thụ động hay không.

© Copyright 2021 - 2022 | vngogo.com | All Rights Reserved