日本千叶大学的研究人员开发了一种新的人工智能框架，能够以显著提高的准确率解码复杂的大脑活动，这标志着向更可靠的脑机接口（BCIs）发展的重要一步。这种突破可能有助于加速开发允许人们通过思想控制设备（如假肢、轮椅和康复机器人）的辅助技术的发展，尤其是对于那些有神经系统疾病的人。研究人员由千叶大学的博士生Chaowen Shen和教授Akio Namiki领导，介绍了一种称为嵌入驱动图卷积网络（EDGCN）的新型深度学习架构。该系统旨在解释大脑在想象运动时产生的复杂电信号——这被称为运动想象。脑机接口和运动想象脑机接口旨在创建人脑和外部机器之间的通信渠道。与依赖肌肉运动不同，BCIs解释神经信号并将其转换为数字系统或物理设备的命令。脑机接口研究中最广泛研究的方法之一涉及运动想象电生理图（MI-EEG）。在这些系统中，用户想象执行运动——例如抬起手、抓住物体或行走。即使没有物理运动，大脑也会产生与想象运动相关的独特电活动模式。这些信号可以使用非侵入性技术——脑电图（EEG）记录，通过头皮上的电极记录大脑活动。EEG提供了代表不同大脑区域神经活动的多通道时间序列数据。准确解码这些信号允许计算机将神经活动转换为可执行的命令。在实践中，这可能允许患有瘫痪或严重运动障碍的人仅通过想象运动来控制辅助技术。然而，实现对MI-EEG信号的可靠解码仍然是神经技术中最具挑战性的问题之一。为什么脑信号难以解码脑机接口开发中的主要障碍在于EEG信号的固有复杂性。运动想象信号显示出高空间时间变异性，意味着它们在不同的大脑区域和时间上都有所不同。它们也在个体之间和同一人的不同会话之间有很大差异。传统的机器学习模型通常难以处理这些变化。许多现有的系统依赖于预定义的图结构或固定参数，假设大脑信号以一致的模式表现。实际上，神经信号远更加动态和异质。早期的方法通常使用诸如共同空间模式分析或传统卷积神经网络等技术来从EEG信号中提取特征。虽然这些方法可以识别神经活动中的某些模式，但它们经常无法捕捉大脑区域之间的深层次交互或随时间变化的模式。因此，许多BCI系统在能够有效地为个别用户工作之前，需要进行大量的校准和训练。一种新方法：嵌入驱动图卷积网络千叶大学的研究团队通过开发一种新的深度学习框架来应对这些挑战，该框架旨在更好地捕捉大脑活动的复杂性。他们的解决方案——嵌入驱动图卷积网络（EDGCN）——结合了多种高级技术来同时建模EEG信号的空间和时间结构。在框架的核心是一个嵌入驱动的融合机制，允许系统动态生成用于解码大脑信号的参数。与依赖固定架构不同，EDGCN适应其内部表示以更好地捕捉主体之间和随时间的变化。架构集成了多个专用组件：多分辨率时间嵌入（MRTE）该模块分析EEG信号的不同时间尺度。由于神经信号迅速演变，重要信息可能出现在不同的时间分辨率上。MRTE从多分辨率功率谱模式中提取特征，使系统能够识别可能被忽略的有意义的神经活动。结构感知空间嵌入（SASE）脑信号并非孤立；不同的脑区域持续相互作用。SASE机制通过纳入EEG电极的局部和全局连接结构来建模这些相互作用，使AI能够将大脑表示为一个网络，而不是独立的信号通道。异质性感知参数生成EDGCN框架最具创新性的方面之一是其从嵌入驱动参数库中动态生成图卷积参数的能力。这使模型能够适应每个主体的大脑信号的独特特征。为了支持这一过程，研究人员使用了Chebyshev图卷积，一种高效地对复杂网络中的关系进行建模的技术。正交约束核为了进一步提高鲁棒性，模型引入了其卷积核中的正交约束。这鼓励学习特征的多样性并减少冗余，有助于系统从EEG信号中提取更丰富的表示。这些组件共同使EDGCN能够捕获局部神经活动模式和大脑区域之间的大规模交互，从而实现对运动想象信号的更准确解码。性能结果研究人员使用脑机接口研究领域中广泛使用的基准数据集——BCI Competition IV测试了EDGCN。该模型实现了： 90.14%的分类准确率在BCIC-IV-2b数据集上 86.50%的分类准确率在BCIC-IV-2a数据集上 这些结果超过了几种现有的最先进的解码方法，并展示了强大的跨主体的一般化能力。重要的是，该系统在应用于跨主体场景时也显示出改进的适应性，这是实际BCI部署的关键要求。许多现有的模型在单个训练用户上表现良好，但在应用于新个体时会失败。EDGCN的嵌入驱动架构有助于克服这一限制，通过更好地建模个体变异性。对康复和辅助技术的影响更准确地解码脑信号可能对辅助技术产生深远的影响。基于运动想象的BCI已经被探索用于诸如： 思维控制轮椅 神经假肢 机器人康复设备 瘫痪患者的通信系统 提高解码准确率可能会使这些技术更加可靠和易于使用。研究人员认为，像EDGCN这样的系统可能有助于患有以下疾病的患者： 中风 脊髓损伤 amyotrophic横纹肌萎缩症（ALS） 其他神经肌肉骨骼疾病 通过更可靠的信号解释，患者可能能够仅通过想象运动来控制神经康复设备，从而实现更自然的辅助系统交互。根据Namiki教授的说法，解码运动想象信号不仅是一项技术挑战，也是了解大脑如何组织运动和神经连接性的机会。迈向消费级脑机接口尽管经过几十年的研究，大多数脑机接口系统仍然局限于实验室或专门的临床环境。可靠性、适应性和易用性仍然是广泛采用的一大障碍。像EDGCN这样的进步可能有助于将BCI更接近消费级神经技术。通过提高系统处理异质脑信号的能力，该模型减少了对大量校准和专家调优的需求。这是使BCI系统在研究环境之外可用的关键步骤。未来的研究可能会专注于将此类AI模型集成到便携式EEG系统和可穿戴设备中。结合传感器技术和计算能力的改进，这些系统可能会实现更易访问和更大规模的脑机接口。迈向更深层次的人机集成EDGCN的开发反映了人工智能和神经科学中更广泛的趋势：使用图神经网络来模拟生物系统。由于大脑本身作为复杂的相互连接区域的网络运作，图神经网络提供了一种自然的方式来表示其结构和动态。随着这些AI模型变得更加复杂，它们可能会解锁对神经活动和认知的更深入的见解。最终，更准确地解码脑信号可能会为一代新技术铺平道路，这些技术将使人类能够比以往任何时候都更无缝地与机器交互。如果进展按照当前的速度继续，脑机接口可能很快就会从实验研究工具转变为日常辅助技术，能够恢复数百万人的独立性和行动能力。
当我坐在电动轮椅上时，研究人员给我戴上了一个带有电子导体的头盔，这些导体插入我的头皮。他们进行了调整，直到连接头盔的笔记本电脑开始接收来自我大脑的信号。为了检测最微弱的脑电波并通过人工智能（AI）预测其模式，我首先被要求练习 想象运动，仅通过我的想法控制屏幕上的一个虚拟角色，这将成为控制轮椅的基础。经过一番练习，我终于能够仅通过想象左手握拳就能移动虚拟角色。即使我犯了错误——例如，将虚拟角色移动到障碍物附近，而不是远离它——研究人员解释说，指令被人工智能预测和估计技术覆盖，该技术此时已经识别出我的脑电波模式，可以帮助它准确预测虚拟角色的未来指令。 一旦仪器被我的脑电波训练后，就该尝试用我的想法控制电动轮椅了。我闭上眼睛，集中注意力于左手的感觉，左手静止地放在我的腿上。当我想象左手握拳时，轮椅开始向左移动——我的期望方向！ 尽管我在日常生活中不需要轮椅，但使用人工智能辅助的思维控制车辆的体验令人振奋，考虑到它对那些患有严重脊髓损伤或神经系统疾病的人的生活的潜在改善，例如多发性硬化症、脑瘫或吉兰-巴雷综合征。 这些疾病通常会让患者卧床或依赖护士或家庭成员来帮助他们移动。 多年来，科学家们一直努力开发技术，以帮助这些疾病患者恢复一些移动能力和身体自主权。2009年，丰田 宣布了一款可以使用脑电图（EEG）信号控制的轮椅；2023年，意大利帕多瓦大学的研究人员 开发了脑机接口技术，允许完全瘫痪的个体仅使用脑电波控制电动轮椅；其他脑电波驱动的轮椅研究 结合了增强现实、计算机视觉和离线校准技术。虽然这些创新无疑帮助我们更接近弥合患有严重脊髓和神经系统疾病的人的行动能力差距，但NTT研究的研究人员告诉我，仍然存在许多限制，特别是考虑到脑电波在所有人中并不相同，也不在个体的一生中保持一致。 在旧金山最近举行的Upgrade 2025会议上，NTT研究展示了他们声称可以预测和完成中断的脑电波信号的AI技术，从而使患有严重神经系统疾病的患者能够控制电动轮椅。 “众所周知，脑电波会因各种因素而变化。然而，我们的技术旨在为每个个体优化人工智能，因此我们相信它仍然有效，尽管存在这种变化，” Okitsu，一位参与该项目的研究人员告诉我。 大脑的电活动以α、β、γ、δ和θ波的形式记录，目前这些波的功能意义仍在 争论中。 β和 μ波，范围分别为12-30赫兹和8-10赫兹，与运动有关，表明计划和指示运动。 然而，脑电波在人群中并不一致。患有认知障碍的个体，如 痴呆症和 阿尔茨海默病，会出现脑电波活动和反应性降低。年龄也会 阻碍个体产生足够强大的脑电波来控制电动轮椅的能力；而像注意力缺陷多动障碍、精神分裂症和抑郁症等精神疾病 会影响脑电图频率。 现有的脑电波技术无法实际跟上所有这些变化。相反，研究人员正在依靠人工智能来帮助完成和补充不足或不准确的脑电波信号，通过识别脑电波模式来预测想象的身体运动。 “我们的技术将适用于每个人，因为它会不断更新人工智能，” Okitsu说。 “它专注于在实际的脑机接口操作期间收集人工智能数据。因此，人们可以先操作虚拟角色，然后我们的技术会在人工智能的帮助下更新。”...
在人工智能与人类交互方面取得了一项革命性的进展，MindPortal 的科学家成功开发了 MindSpeech，这是第一个能够将连续的想象语音转化为连贯文本的 AI 模型，而无需任何侵入性程序。这一进展标志着人类与机器之间无缝、直观通信的探索取得了重大里程碑。开创性的研究：非侵入性思维解码该研究由一组领先的专家进行，并在 arXiv 和 ResearchGate 上发表，展示了 MindSpeech 如何在受控测试条件下将复杂的自由形式思维转化为文本。与之前需要侵入性手术或仅限于简单的、记忆的口头提示的尝试不同，该研究表明 AI 可以动态地从脑活动中非侵入性地解释想象的语音。 研究人员使用了一种便携式的 高密度功能近红外光谱（fNIRS）系统来监测脑活动，同时参与者想象了各个主题的句子。这种新方法涉及“词云”任务，参与者被呈现词语并被要求想象与这些词语相关的句子。该任务涵盖了英语中最常用的 90% 的词语，创建了一个丰富的数据集，每个参与者有 433 到 827 个句子，平均长度为 9.34 个词。利用先进的 AI：Llama2 和脑信号MindSpeech 的...
几个世纪以来，读心的想法一直吸引着人类，常常让人觉得像是科幻小说中的东西。然而，最近在人工智能（AI）和神经科学方面的进步使得这个幻想更接近现实。读心AI，即通过分析大脑活动来解释和解码人类思维的AI，现已成为一个具有重大影响的新兴领域。本文探讨了读心AI的潜力和挑战，强调了其当前的能力和前景。什么是读心AI？读心AI是一种新兴技术，旨在通过分析大脑活动来解释和解码人类思维。通过利用人工智能（AI）和神经科学的进步，研究人员正在开发能够将大脑产生的复杂信号转换为可理解的信息（如文本或图像）的系统。这一能力提供了对一个人正在思考或感知的东西的宝贵见解，有效地连接人类思维和外部通信设备。这一连接开启了人类和机器之间的新型交互和理解机会，可能推动医疗保健、通信和其他领域的进步。AI 如何解码大脑活动解码大脑活动从收集神经信号开始，使用各种类型的 脑机接口（BCIs）。这些包括脑电图（EEG）、功能性磁共振成像（fMRI）或植入式电极阵列。 EEG 涉及将传感器放在头皮上以检测大脑的电活动。 fMRI 通过监测血流变化来测量大脑活动。 植入式电极阵列通过将电极放在大脑表面或大脑组织中提供直接记录。 一旦收集了大脑信号，AI 算法就会处理数据以识别模式。这些算法将检测到的模式映射到特定的思维、视觉感知或操作。例如，在视觉重构中，AI 系统学习将大脑波模式与一个人正在查看的图像关联起来。学习这种关联后，AI 可以通过检测大脑模式生成一个人所看到的图像。同样，在将思维转换为文本时，AI 检测与特定单词或句子相关的大脑波，以生成反映个体思维的连贯文本。案例研究 MinD-Vis 是一种创新性的 AI 系统，旨在直接从大脑活动解码和重构视觉图像。它使用 fMRI 捕获大脑活动模式，同时受试者查看各种图像。然后使用深度神经网络解码这些模式以重构感知到的图像。 该系统由两个主要组件组成：编码器和解码器。编码器通过卷积神经网络（CNN）将视觉刺激转换为对应的大脑活动模式，这些网络模仿人类视觉皮层的分层处理阶段。解码器接受这些模式并使用 扩散模型 重构视觉图像，生成高分辨率图像，类似于原始刺激。最近，拉德伯德大学的研究人员显著增强了解码器重构图像的能力。他们通过实施注意力机制实现了这一点，该机制指导系统在图像重构期间关注特定的大脑区域。这种改进导致了更精确和准确的视觉表示。 DeWave 是一种非侵入性的 AI 系统，使用...
在今天迅速发展的科技领域中，现实和想象之间的界限变得越来越模糊。探索和控制梦境的概念，曾经似乎是科幻电影的主题，如克里斯托弗·诺兰的 “Inception“，逐渐变得更加接近现实。这种转变是由 Morpheus-1 的出现所实现的，Morpheus-1 是由一家名为 Prophetic 的公司创建的尖端人工智能系统。以希腊梦神命名的 Morpheus-1 被开发来体验和影响我们的梦境世界。本文旨在检查这种技术，并强调其在加深我们对人类意识理解方面的重要性。清醒梦的科学和潜力清醒梦 是指梦者意识到自己正在做梦，甚至可能控制梦境的状态。这种现象通常发生在 快速眼动睡眠（REM） 阶段（也称为 REM 睡眠），其特征是生动的梦境和类似于清醒状态的脑活动。神经科学领域的科学研究特别强调了清醒梦中前额叶皮层的活跃性。这一观察表明，这个区域在自我意识和认知功能中发挥着重要作用。 研究人员已经开发出诸如现实测试和记忆诱导等技术来诱导清醒梦，表明清醒梦的可学习性。清醒梦不仅是科学好奇心的对象，也具有心理治疗、创造性探索和理解意识的潜力。尽管取得了进展，清醒梦的确切机制和全部含义仍然是正在进行的研究领域。什么是 Morpheus-1？Morpheus-1 是一种创新的人工智能代理，它监测脑活动以检测 REM 睡眠，并生成空间目标来刺激与清醒梦相关的脑区。该代理构建在一个可以在睡前佩戴的头戴设备中，促进梦境中的意识，并提供梦境探索和控制的机会。以下是该技术的三个重要组件：REM 睡眠检测为了检测 REM 睡眠，Morpheus-1 利用 同时 EEG 和...
悉尼科技大学（University of Technology Sydney，UTS）的研究人员与澳大利亚陆军和国防创新中心（Defence Innovation Hub）合作，取得了一项开创性的发现，这可能会改变我们与技术的交互方式。林钦腾（Chin-Teng Lin）和弗朗西斯卡·亚科皮（Francesca Iacopi）教授开发了一种生物传感器，允许用户仅通过思想控制机器人和其他设备。这种先进的大脑-计算机接口有可能革新多个行业，包括先进制造、航空航天和医疗保健。这种技术如果被广泛采用和发展，可能会使传统的接口如控制台、键盘、触摸屏和手势识别变得过时。根据亚科皮教授的说法，“这种无需手势、无需语音的技术可以在任何地方、任何时候在实验室以外的环境中工作。”将石墨烯材料与硅结合这种尖端技术的开发是通过使用石墨烯材料与硅的结合实现的。这使得研究人员能够克服腐蚀、耐用性和皮肤接触电阻等问题，从而创造出可穿戴的干燥传感器。发表在《ACS Applied Nano Materials》杂志上的研究显示，石墨烯传感器具有高导电性、易用性和强壮性。六边形图案的传感器被放置在头皮后部，以检测来自视觉皮层的大脑波。传感器能够承受恶劣的环境，使其适合在极端操作环境中使用。用户佩戴一个带有白色闪烁方块的头戴式增强现实镜片。通过专注于特定的方块，操作员的大脑波被生物传感器检测到。一个解码器然后将信号转换为命令。澳大利亚陆军最近通过让士兵使用大脑-机器接口控制Ghost Robotics四足机器人来展示该技术。这使得机器人狗可以实现高达94%的准确率的无手控制。“两秒内发出九个命令”“我们的技术可以在两秒内发出至少九个命令。这意味着我们有九种不同的命令，操作员可以在此时间段内选择其中一个，”林钦腾教授解释道。研究人员还探索了减少身体和环境噪音以获得操作员大脑更清晰信号的方法。这种创新技术可能会引起科学界、行业和政府的重大兴趣。UTS的研究人员希望继续在大脑-计算机接口系统方面取得进展，这可能会为人机交互开启新的时代。生物传感器技术的发展使得设备可以通过思想控制，这可能会革新许多领域。通过消除传统接口的需求并允许无手、无声操作，这项技术可以改善残疾人士的生活并提高先进制造、航空航天和医疗保健等行业的效率。随着持续的研究和创新，我们可以期待在大脑-计算机接口系统方面看到更多的进展，这将重塑我们与技术的交互方式。
加州大学圣地亚哥分校的工程研究人员发明了一种先进的脑机接口（BCI），它由一个柔性和可成型的背板以及穿透性微针组成。柔性背板使得BCI能够更均匀地适应大脑复杂的曲面。它还允许BCI更均匀地分布微针以穿透皮层。微针和柔性背板这些微针比人类头发细10倍，从柔性背板中伸出。然后它们穿透大脑组织的表面而不穿透表面静脉。这些微针能够记录来自皮层神经细胞的信号。 该新系统在啮齿动物中进行了测试，研究结果发表在期刊高级功能材料上。 该团队由加州大学圣地亚哥分校的电气工程教授Shadi Dayeh领导，团队成员还包括波士顿大学的生物医学工程教授Anna Devor领导的研究人员。 该系统的性能与现有的金标准BCI（具有穿透性针的BCI）相当。这种标准被证明可以帮助脊髓损伤和中风受害者。他们可以使用自己的想法来控制机械肢体和其他设备。 新BCI的柔性和可成型性有助于实现大脑和电极之间更密切的接触，从而实现更好和更均匀的脑活动信号记录。BCI的构造方式允许更大的感知表面，这有助于它同时监测更大的大脑表面区域。 在实验中，具有1,024个微针的穿透性微针阵列能够成功地记录来自大鼠大脑的精确刺激信号。这意味着它覆盖了当前技术的10倍大脑区域。 柔性背板的BCI也比传统的使用玻璃背板的BCI更薄更轻。这种新类型的背板可以减少大脑组织与传感器阵列接触时的刺激。 柔性背板也是透明的，研究人员说这可以利用来进行涉及动物模型的基本神经科学研究，这些研究在其他情况下是不可能的。具有触觉反馈的机械手研究人员说，未来需要具有大空间覆盖范围的穿透性微针阵列来改进BCI，并使其能够用于“闭环系统”。这可以帮助行动严重受限的个体，并可以为使用机械手的人提供触觉反馈。 机械手上的触觉传感器可以感知物体的质地、硬度和重量。它们会记录可以转换为通过身体外部电线到BCI的电刺激模式的信息。大脑会直接从这些电信号中接收有关物体的信息，然后人可以根据感知的信息调整他们的握力。 Dayeh实验室已经发明了各种战术传感器，可以用于这些应用。
南加州大学（USC）维特比工程学院的研究人员正在利用生成对抗网络（GANs）来改善面向残障人士的脑机接口（BCIs）。 GANs也被用于创建深度伪造视频和照片般逼真的人脸。 该研究论文发表在《自然-生物医学工程》上。 脑机接口的力量 通过这种方法，该团队能够教会一个人工智能生成合成的大脑活动数据。这些数据以被称为脉冲序列的神经信号形式存在，可以输入到机器学习算法中，以改进面向残障人士的脑机接口。 脑机接口在将神经活动转化为命令之前，会分析个体的脑信号，这使得用户能够仅凭思想控制数字设备。这些设备，例如计算机光标等，能够改善患有运动功能障碍或瘫痪患者的生活质量。它们也能使患有闭锁综合征的个体受益，这种病症是指患者虽然意识完全清醒，却无法移动或交流。 市场上已有许多不同类型的脑机接口，例如测量脑信号的设备和植入脑组织的设备。这项技术正在不断改进并以新的方式应用，包括神经康复和抑郁症治疗。然而，要使系统足够快以在现实世界中高效运行仍然很困难。 脑机接口需要大量的神经数据以及漫长的训练周期、校准和学习过程来理解其输入。 Laurent Itti是计算机科学教授，也是该研究的合著者。 “为驱动脑机接口的算法获取足够的数据可能很困难、昂贵，甚至不可能——如果瘫痪个体无法产生足够强大的脑信号的话，”Itti说。 这项技术是针对用户的，意味着它必须为每个个体进行训练。 生成对抗网络 生成对抗网络可以改进整个流程，因为它们能够通过试错过程创建无限量的、新的、相似的图像。 由Itti指导的博士生、该研究的主要作者Shixian Wen决定研究生成对抗网络，以及它们是否有可能通过生成与真实数据无法区分的合成神经数据来为脑机接口创建训练数据。 该团队进行了一项实验，他们用一段从猴子伸手抓取物体时记录的数据训练了一个深度学习脉冲合成器。然后，他们使用这个合成器生成了大量相似但虚假的神经数据。 随后，将合成数据与少量新的真实数据结合，用以训练一个脑机接口。通过这种方法，该系统能够比现有方法更快地启动和运行。更具体地说，生成对抗网络合成的神经数据将脑机接口的整体训练速度提高了多达20倍。 “不到一分钟的真实数据与合成数据结合，效果与20分钟的真实数据相当，”Wen说。 “这是我们首次看到人工智能通过创建合成脉冲序列来生成思想或运动的‘配方’。这项研究是使脑机接口更适用于现实世界的关键一步。” 在最初的实验阶段之后，该系统能够利用有限的额外神经数据来适应新的实验阶段。 “这里的重大创新在于——创建看起来就像来自这个人想象做不同动作时的虚假脉冲序列，然后也利用这些数据来辅助下一个人进行学习，”Itti说。 这些利用生成对抗网络生成合成数据的新进展也可能在该领域的其他方面带来突破。 “当一家公司准备开始将机器人骨架、机械臂或语音合成系统商业化时，他们应该看看这种方法，因为它可能有助于加速训练和再训练，”Itti说。“至于使用生成对抗网络来改进脑机接口，我认为这仅仅是个开始。”
我们将探讨通过脑机接口（BMI）实现的智能增强是什么，它为何重要，以及为何未来可能在保持未增强状态的人类与选择通过与人工智能（AI）建立协同共生关系来增强自身智能的人类之间出现分化。 与脑机接口连接的人类将获得增强的认知能力，并在工作场所及其他领域提高生产力。 什么是智能增强？ 智能增强的概念最初由威廉·罗斯·阿什比在其开创性著作 《控制论导论》中提出。该术语后来演变为我们现在所认识的增强智能，它是机器学习的一个分支，其首要设计目标是在人工智能的辅助下增强和改善人类智能。其概念是改善人类的决策能力，以及人类获取信息的快速性，从而提高决策质量。这就是当前增强智能含义的终点，它是一种利用机器学习和深度学习为人类提供可操作数据的人工智能，但不存在实时的共生关系。 这正是脑机接口发挥作用的地方，它们将使人类认知的增强远远超越当今版本的增强智能。 与我们目前通过计算机、智能手机或其他设备访问数据的方式不同，脑机接口的固有设计使得互联网以及支持访问互联网的人工智能可以在无需外部设备的情况下被访问。脑机接口将被植入人脑内部，并本质上成为人类思维的延伸。 换句话说，增强后的人类无需依赖记忆，也无需打开书本或访问网站，就可以获取存储在互联网上的所有信息，而先进的人工智能可以将相关数据点输入人脑，使人类能够完全掌控。如果你曾有过无法记起某个记忆或回忆不起特定日子的时刻，那是一种令人沮丧的体验。借助增强智能，由于人工智能系统成为你生物记忆库的延伸，你将拥有完美的回忆能力。 这种类型的智能增强在J.C.R.利克莱德于1960年发表的推测性论文”人机共生“中得到了进一步探讨。这篇富有启发性的论文早期描述了人类必须如何通过与人工智能建立共生关系来学会控制它。正如J.C.R.利克莱德所言，“使人类和计算机能够在决策和控制复杂情况时进行合作，而不僵化地依赖预定的程序。” 机器学习是确保计算机当然不是预先设定的秘密武器，然而它尚未解决我们如何实现这种共生访问的问题。 J.C.R.利克莱德继续评论道：”希望在于，在不太遥远的未来，人脑和计算机将非常紧密地耦合在一起，由此产生的伙伴关系将以任何人脑从未有过的方式思考，并以我们今天所知的信息处理机器无法企及的方式处理数据。” 这方面早期部署的一个例子可以在国际象棋世界中看到。虽然大多数人都熟悉加里·卡斯帕罗夫在1997年输给IBM计算机深蓝，但有一个更新且更有趣的发展。 尽管几十年来我们都知道先进的人工智能系统可以轻松击败任何棋手，但更有趣的是最近的发展，即人工智能可以被人类与人工智能组成的团队击败。在这种合作环境中，团队分工协作，人工智能承担大量计算、模式识别和前瞻性思考的重任。人类则利用其直觉和数十年的棋盘研究经验来增加价值。 虽然目前人类与人工智能组成的团队可以击败人工智能，但尚不清楚这种类型的胜利在未来是否会持续。尽管如此，这确实是一个重要的指标，表明如果人类能够与本质上作为其思维延伸的人工智能进行适当的沟通、协调和控制，那么当今人类或独立的人工智能程序无法解决的重大问题，或许可以通过两者的结合来处理。 J.C.R.利克莱德最后的评论之一清晰地阐述了设计能够实现人脑内实时人工智能通信的脑机接口的重要性。 “另一个主要目标与此密切相关。它是让计算机有效地进入必须在’实时’进行的思维过程，这个时间流逝得太快，以至于无法以传统方式使用计算机。想象一下，例如，试图在这样的时间表下借助计算机指挥一场战斗：你今天提出问题。明天你和程序员一起工作。下周，计算机花5分钟汇编你的程序，用47秒计算你问题的答案。你得到一张20英尺长的纸，上面写满了数字，这些数字非但没有提供最终解决方案，反而只暗示了一种应通过模拟来探索的策略。显然，战斗将在其规划第二步开始之前就结束了。要以与一位能力补充你自身能力的同事进行思维互动的方式，与计算机进行交互式思考，将需要比这个例子所暗示的、也比今天可能实现的更紧密的人机耦合。“ 智能增强如何工作？ 通过脑机接口实现的智能增强仍处于早期阶段，是一项正在进行的工作。必须理解的是，人脑利用模式识别来理解符号并在数据之间建立联系。例如，如果你看到以特定顺序排列的线条，比如字母A，你就能识别符号A。从那里开始，当你阅读单词APPLE时，这个字母可以在你的大脑中形成一个模式。然后，当你读到”AN APPLE FELL FROM A TREE”时，你可以识别出更多的模式。人脑继续从字符、到单词、到句子、到段落、到章节，再到书籍及更远的地方建立联系。 问题在于人脑没有完美的回忆能力，这种不完美的系统会导致模式识别系统失效。想象一下，如果你能阅读整本书，而一个人工智能系统能够形成那些所需的模式识别，从而立即提供完美的回忆，那将会发生什么。这将增强人类撰写论文、创建依赖该信息的产品或服务，或者仅仅进行一场没有记忆空白的智能对话的能力。 在其他情况下，在对话进行中，人脑可以瞬间连接到互联网，实时定位信息，并分发或传达该信息。无需为了学习某样东西而多次观看YouTube视频，观看一次就足以实现完美回忆。额外模式识别系统的优势在于，人脑可以比实时更快地解码视频和音频。这意味着人类可以以2倍、3倍或更快的速度吸收视频内容。 在哪里可以找到脑机接口？...
一个国际研究团队开发了一种可穿戴的脑机接口设备，该设备有望改善运动功能障碍或瘫痪患者的生活质量。它甚至可以帮助那些患有闭锁综合征的人，即患者意识清醒但无法移动或交流。 该团队由佐治亚理工学院Woon-Hong Yeo的实验室领导，成员包括来自英国肯特大学和韩国延世大学的研究人员。该团队将无线软头皮电子设备与虚拟现实技术结合到一个单一的BMI系统中。该系统使用户仅通过想象动作就能控制轮椅或机械臂。 这项新的BMI技术详情于上月发表在期刊Advanced Science 上。 更舒适的设备 Yeo是乔治·W·伍德拉夫机械工程学院的副教授。 “与现有系统相比，这个系统对用户的主要优势在于它柔软、佩戴舒适，并且没有任何电线，”Yeo说。 BMI系统可以分析大脑信号并将神经活动转化为指令，这使得个体能够通过想象动作来让BMI执行。脑电图是获取这些信号最常见的非侵入性方法，但它通常需要一个带有许多电线的脑电帽。 为了使用这些设备，需要使用凝胶和糊剂来保持与皮肤的接触，所有这些设置都耗时且让用户感到不适。除此之外，由于材料退化和运动伪影（例如磨牙引起），这些设备通常信号采集效果不佳。这类噪声会出现在大脑数据中，研究人员必须将其过滤掉。 机器学习与虚拟现实 该团队设计的便携式脑电图系统，得益于可互穿的微针电极与软无线电路的集成，改善了信号采集。为了测量大脑信号，系统确定用户想要执行什么动作至关重要。为了实现这一点，该团队依赖于机器学习算法和虚拟现实组件。 该团队进行的测试涉及四名人类受试者，下一步是在残疾人士身上进行测试。 Yeo同时也是佐治亚理工学院电子与纳米技术研究所下属的人本界面与工程中心主任，以及Petit生物工程与生物科学研究所的成员。 “这只是第一次演示，但我们对我们所看到的感到非常兴奋，”Yeo说。 早在2019年，同一团队就推出了一种柔软的、可穿戴的脑电图脑机接口，那项工作包括了Musa Mahmood，他是那项研究以及这项新研究的主要作者。 “这种新的脑机接口使用了一种完全不同的范式，涉及想象的运动动作，例如用任何一只手抓握，这使受试者无需注视过多的刺激物，”Mahmood说。 2021年的研究让用户通过他们的思想或运动想象，展示了对虚拟现实练习的精确控制。 “虚拟提示已被证明非常有帮助，”Yeo说。”它们加快并提高了用户的参与度和准确性。我们能够记录到连续、高质量的运动想象活动。” Mahmood表示，该团队现在将专注于优化电极放置以及更高级地集成基于刺激的脑电图。
当一个人操作假肢手臂，尤其是思维控制技术时，要获得完全的运动控制来完成触摸或抓握等动作变得极其困难。 匹兹堡大学康复神经工程实验室的一个生物工程师团队在一篇新的《科学》论文中详细阐述了，能够唤起触觉的脑部刺激如何让使用者更容易地操作脑控机械臂。 抓取和转移时间减半 该团队进行了一项实验，证明用人工触觉感知来辅助视觉，可以将抓取和转移物体所需的时间减半。中位时间从20.9秒下降到10.2秒。 Jennifer Collinger是共同资深作者，也是匹兹堡大学物理医学与康复系的副教授、哲学博士。 “在某种意义上，这正是我们希望发生的结果——但或许没有达到我们观察到的程度，”Collinger说。”来自肢体和手部的感觉反馈对于我们日常生活中的正常活动至关重要，当这种反馈缺失时，人们的表现就会受损。” 研究参与者 该研究的参与者是Nathan Copeland，他成为有史以来第一位不仅在大脑运动皮层，而且还在体感皮层（大脑中处理来自身体的感觉信息的区域）植入了微型电极阵列的人。 这些阵列使他能够用思维控制机械臂，并接收触觉感官反馈，这也类似于神经回路的工作方式。 “我已经非常熟悉由刺激产生的感觉，以及在没有刺激的情况下执行任务。即使这种感觉并不’自然’——它感觉像是压力和轻微的刺痛感——但这从未困扰过我，”Copeland说。”实际上并没有哪个时刻让我觉得需要去适应这种刺激。在接收刺激的同时执行任务，就像花生酱和果冻一样配合默契。” Copeland曾遭遇一场车祸，导致他手臂活动受限，因此他参加了一项感觉运动微电极脑机接口（BCI）的临床试验。他被植入了由Blackrock Microsystems开发的四个微电极阵列。 这位BCI操作员进行了一系列测试，要求拾取多个物体并将其从桌子转移到升高的平台上。通过电刺激提供触觉反馈，这使得参与者完成任务的速度比没有刺激时快了一倍。 Robert Gaunt是共同资深作者，也是匹兹堡大学物理医学与康复系的副教授、哲学博士。 “我们不想通过移除感知的视觉部分来限制任务，”Gaunt说。”即使恢复有限且不完美的感觉，人的表现也会以相当显著的方式得到改善。在使感觉更加逼真以及将这项技术带入人们家庭方面，我们仍有很长的路要走，但我们越能接近重建大脑的正常输入，效果就会越好。”
霍华德·休斯医学研究所的研究人员首次成功利用脑机接口，将用户的意念书写内容打字输出。该团队通过破译与手写字母相关的大脑活动实现了这一成果。 参与者是一位瘫痪人士，其大脑中植入了传感器。当他尝试书写字母时，团队依靠一种算法来识别这些字母。该系统能够实时分析这些信号，并将文本显示在屏幕上。 据斯坦福大学霍华德·休斯医学研究所研究员克里希纳·谢诺伊表示，这一进展可能使瘫痪人士无需用手即可快速打字。斯坦福大学神经外科医生杰米·亨德森也参与了此项研究。 这项研究于5月12日发表在《自然》期刊上。 参与者能够以每分钟90个字符的速度打字，这比之前使用某种脑机接口记录的速度快了一倍多。 加州大学伯克利分校的神经工程师何塞·卡梅纳表示，“这是该领域的一大进步”，可以帮助许多不同类型的残障人士。脑机接口能够将思想转化为行动。 “这篇论文是一个完美的例子：接口解码了书写的想法并产生了行动。” 损伤与神经活动 即使一个人因受伤或疾病而无法行走、抓握或说话，大脑中与这些动作相关的神经活动仍然存在。正因如此，研究人员可以利用这种活动来创建有益于这些个体的系统。 谢诺伊的团队多年来一直致力于破译与言语相关的神经活动，他们已经开发出一种方法，让参与者植入传感器，并利用他们的思想在屏幕上移动光标。 然而，此前并未真正尝试为手写做同样的事情。 “我们希望找到让人们更快交流的新方法，”该团队的神经科学家弗兰克·威利特说。 脑机接口与植入式传感器 该团队与一位参与BrainGate2临床试验的65岁参与者合作。BrainGate2正在测试将数据直接从大脑传输到计算机的脑机接口设备的安全性。 亨德森将两个微型传感器植入到参与者大脑中负责控制手和手臂的区域。这使得该个体能够通过尝试移动自己瘫痪的手臂来操控机械臂或光标。 当参与者想象书写时，传感器会拾取来自单个神经元的信号，而机器学习算法则能识别产生每个字母时的大脑活动模式。该系统使这位参与者能够以几乎与他同龄人在智能手机上打字一样的速度抄写句子和回答问题。 据威利特称，该脑机接口之所以运行迅速，是因为每个字母都会引发高度独特的活动模式，算法可以轻松将其区分开来。 该团队接下来将关注一位无法说话的参与者。研究人员相信，这一新系统可以极大地惠及因各种病症导致瘫痪的个体。
BrainGate 的研究人员近期在脑机接口领域取得了一项重大突破，临床试验中患有四肢瘫痪的参与者演示了使用带有外部无线发射器的皮层内无线脑机接口。这是此类系统首次被使用，它能够以单神经元分辨率传输大脑信号。 该研究于上月发表在IEEE Transactions on Biomedical Engineering上。 该系统还能以全宽带保真度传输信号，且无需将用户物理连接到解码系统。该系统摒弃了传统的线缆，转而依靠一个仅重约1.5盎司、2英寸大小的发射器。该单元放置在用户头顶，通过有线系统使用的相同端口连接到植入大脑运动皮层的电极阵列。 该研究涉及两名瘫痪的临床试验参与者，他们使用了配备无线发射器的BrainGate系统。通过无线发射器，他们能够在标准平板电脑上进行指向、点击和打字操作。 研究证明，该无线系统能够以与有线系统相同的保真度传输信号。 John Simeral是布朗大学的工程学助理教授。他是这项研究的主要作者，也是BrainGate研究联盟的成员。 “我们已经证明，这种无线系统在功能上等同于多年来一直是脑机接口性能黄金标准的有线系统，”Simeral说。”信号以相当相似的保真度被记录和传输，这意味着我们可以使用与有线设备相同的解码算法。唯一的区别是人们不再需要物理连接到我们的设备，这为系统的使用方式开辟了新的可能性。” 据研究人员称，这项新突破使我们更接近一个完全可植入的皮层内系统，该系统可以为受伤个体恢复行动能力。这项新进展是首个能够传输皮层内传感器记录的全频谱信号的设备。 研究结果 试验涉及一名35岁男性和一名63岁男性，两人均患有脊髓损伤。由于没有线缆，他们可以在家中而非实验室使用该系统，并且能够连续使用长达24小时。这段长时间使研究人员能够收集长时间的数据。 Leigh Hochberg是布朗大学的工程学教授，也是布朗大学卡尼脑科学研究所的研究员。Hochberg领导了BrainGate的临床试验。 “我们想了解神经信号如何随时间演变，”Hochberg说。”借助这个系统，我们能够在家中长时间观察大脑活动，这在以前几乎是不可能的。这将有助于我们设计解码算法，为瘫痪患者提供无缝、直观、可靠的沟通和行动能力恢复。” BrainGate联盟 BrainGate联盟是一个跨学科的研究团队，成员来自布朗大学、斯坦福大学和凯斯西储大学。还包括来自普罗维登斯退伍军人事务医疗中心和麻省总医院的人员。 该团队在2012年发表的研究首次展示了临床试验参与者如何使用脑机接口操作多维机器人假肢。自那时起，该团队不断完善系统并取得新的突破。 Sharlene Flesher是合著者，曾是斯坦福大学的博士后研究员。Flesher现在苹果公司担任硬件工程师。 “皮层内脑机接口从需要线缆到使用微型无线发射器的演变，是迈向功能化使用完全植入式高性能神经接口的重要一步，”Flesher说。”随着该领域朝着在保持辅助设备控制精度的同时减少传输带宽的方向发展，这项研究可能是少数几个能够长时间捕获包括实际脑机接口使用期间在内的全范围皮层信号的研究之一。” 由于该设备是无线且无需技术人员即可在家中使用，BrainGate团队得以在COVID-19大流行期间继续工作。...
赫尔辛基大学的一个研究团队开发了一种旨在生成具有吸引力面孔图像的人工智能，其依据是佩戴脑机接口（BCI）的个体认为有吸引力的面部特征。该人工智能根据BCI收集的数据生成面部特征。 该研究团队由赫尔辛基大学的计算机科学家和心理学家组成。赫尔辛基的研究团队使用脑电图（EEG）测量来确定不同人群可能认为有吸引力的面部特征。脑电图信号与面部特征相关联，然后将数据输入到生成对抗网络（GAN）中。该机器学习系统在大量人群认为有吸引力的面部特征上进行训练，随后能够逆向工程这些模式，以生成全新的面孔。 研究人员让30名参与者坐在屏幕前，向他们展示一系列面孔图像。这些面孔并非真实人物，而是由一个在超过20万张名人图像数据集上训练过的人工智能生成的。参与者佩戴着连接电极的脑电图帽，以记录和分析他们在观看不同面孔时的大脑活动。脑电图能够记录他们对认为有吸引力的面孔的反应。脑电图系统采集的测量数据被输入到GAN中，GAN根据参与者认为面孔的吸引力程度来解释脑电图信号。GAN在基于这些数据训练后，能够生成新的面孔。 随后，研究团队进行了第二次实验。新生成的面孔被展示给参与过先前观看环节的同一批志愿者。参与者被要求根据吸引力对这些面孔进行排序。分析研究结果后，研究人员发现参与者大约有80%的时间认为生成的图像具有吸引力。这与原始图像形成对比，原始图像被认为有吸引力的比例仅为20%。 该研究的样本量相对较小，因此尚不清楚该方法在更大规模人群中进行测试时的稳健性如何。然而，结果很有趣，它们无疑再次证明了，看似难以捉摸的行为和偏好可以通过某些人工智能技术进行量化。 赫尔辛基大学心理学与言语治疗学系的高级研究员迈克尔·斯帕佩解释说，这项研究表明，如何通过大脑对刺激的反应信息来展示心理属性。正如斯帕佩通过EurekaAlert所解释的： “这项研究表明，我们能够通过将人工神经网络与大脑反应相连接，来生成符合个人偏好的图像。成功评估吸引力尤其重要，因为这是刺激物一个如此深刻的心理属性。迄今为止，计算机视觉在基于客观模式对图像进行分类方面非常成功。通过将大脑反应引入其中，我们表明，基于心理属性（如个人品味）来检测和生成图像是可能的。” 研究人员认为，这项研究可能对计算机如何理解主观偏好产生影响。人工智能解决方案和脑机接口可以协同使用，以理解复杂的心理现象。根据斯帕佩的说法，我们或许能够使用类似的技术来探究其他认知功能，如决策和感知。假设用于解释吸引力的通用策略也适用于其他认知功能，那么可以开发类似的系统来识别偏见或刻板印象的形式。
加州大学伯克利分校的工程师们开发了一种设备，能够根据在前臂检测到的电信号来识别手势。这一新开发的系统是可穿戴生物传感器与人工智能（AI）结合的成果，它可能带来对假肢和人机交互的更好控制。 Ali Moin 是设计团队的成员，也是加州大学伯克利分校电气工程与计算机科学系的博士生。Moin 还是12月21日在线发表于期刊 Nature Electronics 上研究论文的共同第一作者。 “假肢是这项技术的一个重要应用，但除此之外，它还提供了一种与计算机进行交流的非常直观的方式。” Moin 说。”读取手势是改善人机交互的一种方式。虽然还有其他方法可以实现，例如使用摄像头和计算机视觉，但这是一个很好的解决方案，同时也能保护个人隐私。” 手势识别系统 在系统开发过程中，该团队与加州大学伯克利分校电气工程教授 Ana Arias 合作。他们共同设计并制造了一个灵活的臂带，能够读取前臂上64个不同点的电信号。这些电信号随后被输入到一个编程有AI算法的电子芯片中。该算法能够识别前臂中源自特定手势的信号模式。 该算法能够识别21种不同的手势。 “当你想让手部肌肉收缩时，你的大脑会通过颈部和肩部的神经元向手臂和手部的肌纤维发送电信号，” Moin 说。”本质上，袖带中的电极感知到的就是这个电场。它并不那么精确，因为我们无法精确定位是哪些确切的纤维被触发，但凭借高密度的电极，它仍然可以学会识别某些模式。” AI算法首先学习识别手臂中的电信号及其对应的手势，这需要用户在做这些手势时佩戴该设备。更进一步，该系统依赖于一种超维计算算法，这是一种能够持续自我更新的先进AI。这项先进技术使得系统能够根据新信息（例如手臂运动或出汗）进行自我修正。 “在手势识别中，你的信号会随时间变化，这可能会影响模型的性能，” Moin 说。”我们通过在设备上更新模型，大大提高了分类准确性。” 在芯片上进行本地计算 该设备的另一个令人印象深刻的特点是所有计算都在芯片上进行，这意味着个人数据不会被传输到其他设备。这带来了更快的计算时间和受保护的生物数据。...